Publicaciones Científicas

Qolqa, herramienta web para el diseño de esquemas en bases de datos NoSQL orientadas a documentos que incorpora métricas de evaluación de calidad, integra las consultas como componente central del proceso de diseño y soporta múltiples esquemas dentro de una misma solución. A diferencia de herramientas existentes —que dependen fuertemente de la experiencia del diseñador y carecen de métricas objetivas—, Qolqa busca facilitar la toma de decisiones y mejorar la calidad de los esquemas independientemente del nivel de experiencia. Construida sobre la métrica propuesta en trabajos previos del laboratorio. Presentado en el XLI Simpósio Brasileiro de Banco de Dados (SBBD 2026), São Carlos/SP, Brasil.

Dataset CHINTEXDB-PERU28: 1,358 imágenes de alta resolución de 28 iconografías textiles tradicionales del distrito de Chinchero (Cusco), recopiladas en trabajo de campo en centros textiles y ferias dominicales, y anotadas manualmente en la plataforma Roboflow. Publicado en acceso abierto en Data in Brief, busca habilitar investigación en clasificación de imágenes, reconocimiento de patrones y preservación mediante IA del patrimonio cultural textil andino, además de documentar iconografías en riesgo de desaparecer.

Construcción de un Knowledge Graph (KG) a partir de 7,739 tesis de pregrado de la UNSAAC, escritas en español y subrepresentadas en bases de datos académicas como Scopus o Web of Science. Los documentos se representaron mediante embeddings vectoriales de modelos de lenguaje preentrenados, calculando la similitud semántica por distancia coseno y modelando el grafo resultante en Neo4j, enriquecido con metadatos institucionales (facultad y programa académico) para identificar comunidades temáticas. Presentado en SIMBig 2025.

Solución predictiva integral para el mercado aéreo peruano (LATAM Airlines) que aborda cuatro objetivos: predecir tarifas, estimar el periodo óptimo de compra anticipada, identificar el rango horario más favorable de búsqueda, y predecir conjuntamente estas variables mediante un modelo multioutput. El pipeline incluyó web scraping automatizado con Selenium, preprocesamiento con codificación One-hot y basada en embeddings, y comparación de algoritmos clásicos (XGBoost, Random Forest, Decision Tree, KNN) frente a modelos de deep learning (LSTM, GRU, TCN, Transformers), con optimización de hiperparámetros vía Optuna. Presentado en SIMBig 2025.

Sistema automático de detección de impurezas (tierra y paja) en fibra de alpaca mediante visión por computadora y deep learning, construido sobre un dataset propio de 1,524 imágenes anotadas. Comparación de los modelos YOLOv8 y YOLOv11 bajo transfer learning: YOLOv11 alcanzó 90.4% de precisión en detección de paja y 87.5% en detección de tierra, mientras que YOLOv8 obtuvo mayor recall (87.4%) en la detección de paja. Publicado en LACAR 2025 (Latin American Congress on Automation and Robotics), con acceso a los servidores del LAAD-UNSAAC para el entrenamiento de los modelos.

Propuesta de una métrica para evaluar esquemas en bases de datos NoSQL orientadas a documentos, considerando simultáneamente consultas y esquemas (a diferencia de trabajos previos que abordan solo uno de los dos aspectos). Incorpora relaciones y atributos con coeficientes de ponderación propios, permitiendo identificar esquemas complejos —a los que asigna puntuaciones más altas— frente a esquemas más simples. Presentado en el XXXIX Simpósio Brasileiro de Banco de Dados (SBBD 2024), Florianópolis, Brasil.

Parallel-EvoCluster, framework de código abierto que paraleliza diez algoritmos bio-inspirados de clustering (PSO, Salp Swarm, Firefly, Grey Wolf, Whale, Multi-Verse, Moth-Flame, Bat, Cuckoo Search, entre otros) mediante dos enfoques: memoria compartida (OpenMP) y memoria distribuida (MPI), usando 24 núcleos de CPU. Los resultados muestran mejoras significativas de tiempo de ejecución frente a las versiones seriales: en promedio 10.14x más rápido con MPI y 9.05x con OMP. Código disponible en GitHub. Presentado en SIMBig 2023.

Predicción del tiempo de viaje entre paraderos del transporte público de Cusco mediante arquitecturas LSTM y Convolutional LSTM en un esquema Encoder-Decoder multivariable-unistep. Se utilizó un dataset de 1.6 millones de registros de rutas de buses (puntos GPS y paraderos), logrando un modelo capaz de predecir el tiempo de viaje considerando el contexto espaciotemporal con un MAE de 19.55 segundos. Código disponible en GitHub. Presentado en SIMBig 2023.

Clasificación avanzada de textos sobre cambio climático utilizando modelos de lenguaje en español preentrenados (BETO / RoBERTa). Presentado en NAACL 2024 (LatinX in AI Workshop) y premiado como **Best Paper**.

Comparación de dos enfoques de modelado de datos en bases de datos NoSQL orientadas a documentos —documentos referenciados y documentos anidados— para establecer un índice general de desempeño de acceso entre ambos. Mediante regresión múltiple, los resultados muestran que, en promedio, en modo replica set el acceso a documentos anidados es 2.20x más rápido con caché activado y 1.74x sin caché; en modo standalone, 1.70x más rápido con caché y 1.24x sin caché. Presentado en el XXXVIII Simpósio Brasileiro de Banco de Dados (SBBD 2023), Belo Horizonte, Brasil.

Presentación del nuevo dataset 'I see you', compuesto por 170 ocurrencias de cuasi-accidentes capturadas mediante cámaras de tráfico en intersecciones de Cusco usando YOLOv5 y calibración de cámara. Publicado en LXAI @ NeurIPS 2022.

Investigación de técnicas no supervisadas sobre espacio de características para identificar comportamientos anómalos en flujos de vehículos y peatones.

Aplicación del algoritmo Parallel Social Spider Optimization (P-SSO) para la detección y clasificación de congestión vehicular en tiempo real sobre datos geoespaciales de buses de transporte público en Cusco.

Análisis comparativo empleando transformadas Wavelet y Fourier como descriptores de trayectoria para la detección automática e no supervisada de anomalías en tráfico y videovigilancia.

Modelos de islas paralelas utilizando 24 procesadores concurrentes para acelerar de 15x a 28x veces el algoritmo SSO de agrupación sin perder precisión matemática. Presentado en SIMBig 2020.

Algoritmo de optimización multiobjetivo (SSO-C) que minimiza una función ponderada entre K-means y problemas EMAX utilizando búsqueda local aproximada para grandes volúmenes de datos. Galardonado con Best Paper en CLEI 2019.

Modelo híbrido de Redes Neuronal Convolucional (CNN) y Bidirectional LSTM (BLSTM) con mecanismo de atención para la traducción temporal de la Lengua de Señas Peruana a texto en español.

Estudio sobre la adopción de herramientas SaaS en la comunicación universitaria interna e identificación de factores clave en la infraestructura informática institucional.

Reconocimiento de 24 gestos estáticos de la Lengua de Señas Peruana (LSP) mediante arquitecturas de Redes Neuronales Convolucionales (CNN) con una precisión de 96.20% frente a variaciones de iluminación y escala.

Enfoque basado en el algoritmo de optimización de arañas sociales (Social Spider Optimization - SSO) para la agrupación eficiente de datos reduciendo la suma de distancias euclídeas. Evaluado con 5 conjuntos de datos del repositorio UCI ML frente a K-means y Algoritmos Genéticos.