El consumo innecesario de energía y la falta de mecanismos automáticos para gestionar la inactividad en laboratorios universitarios representan un reto relevante para la sostenibilidad y eficiencia operativa. Con el objetivo de abordar este problema, se desarrolló un prototipo de software basado en Aprendizaje Profundo (Deep Learning) que integra modelos LSTM y CNN para el análisis multimodal combinado de datos computacionales e imágenes captadas en tiempo real, permitiendo reconocer periodos de inactividad y automatizar el apagado seguro de los equipos. La validación experimental se realizó en laboratorios de la Universidad de Guayaquil, empleando una metodología de investigación cuantitativa y metodología de Ciencia de Datos CRISP-DM, se recolectaron los datos localmente. Entre los principales hallazgos, el sistema logró una reducción significativa en el consumo energético (estimada entre el 10% y el 17%), un F1-score superior a 0.98 en la detección, y una aceptación positiva por parte de más del 70% de los usuarios encuestados. Se concluye que la solución desarrollada aporta una herramienta robusta y adaptable para la gestión eficiente de recursos en entornos educativos universitarios, evidenciando su potencial como alternativa transferible y escalable. Futuras líneas de trabajo contemplan la expansión del prototipo a otros contextos institucionales y la integración de módulos avanzados de monitoreo y reporte automático
El consumo innecesario de energía y la falta de mecanismos automáticos para gestionar la inactividad en laboratorios universitarios representan un reto relevante para la sostenibilidad y eficiencia operativa. Con el objetivo de abordar este problema, se desarrolló un prototipo de software basado en Aprendizaje Profundo (Deep Learning) que integra modelos LSTM y CNN para el análisis multimodal combinado de datos computacionales e imágenes captadas en tiempo real, permitiendo reconocer periodos de inactividad y automatizar el apagado seguro de los equipos. La validación experimental se realizó en laboratorios de la Universidad de Guayaquil, empleando una metodología de investigación cuantitativa y metodología de Ciencia de Datos CRISP-DM, se recolectaron los datos localmente. Entre los principales hallazgos, el sistema logró una reducción significativa en el consumo energético (estimada entre el 10% y el 17%), un F1-score superior a 0.98 en la detección, y una aceptación positiva por parte de más del 70% de los usuarios encuestados. Se concluye que la solución desarrollada aporta una herramienta robusta y adaptable para la gestión eficiente de recursos en entornos educativos universitarios, evidenciando su potencial como alternativa transferible y escalable. Futuras líneas de trabajo contemplan la expansión del prototipo a otros contextos institucionales y la integración de módulos avanzados de monitoreo y reporte automático
Related posts:
Factores que determinan la disposición para el aprovechamiento de las TIC en docentes universitarios
Hierarchical clustering of bipartite data sets based on the statistical significance of coincidences
El Impacto del consumo del alcohol en la vulnerabilidad al abuso sexual en adolescentes, una revisión sistemática.
Desarrollo de un Sistema de Inteligencia Artificial aplicado a la Agricultura de Precisión
Mantenimiento predictivo de vehículos de carga: Reducción de costos y tiempos de inactividad
Propuesta para la integración de expresiones temporales procedentes de patrimonio documental en un SIG