http://hdl.handle.net/11531/1682 Fri, 10 Jul 2026 13:50:13 GMT 2026-07-10T13:50:13Z http://hdl.handle.net/11531/110771 Título : Pla de negocio de una startup innovadora Autor : Alonso Albertos, Rodrigo Resumen : El modelo de negocio de ImpulsaFiscal se configura como una solución B2B SaaS (Software as a Service) orientada específicamente a asesorías fiscales y pequeños despachos profesionales. Este enfoque permite ofrecer acceso a herramientas tecnológicas avanzadas mediante un sistema de suscripción, reduciendo significativamente las barreras de entrada asociadas a desarrollos propios o a la adquisición de software especializado de alto coste. El problema que aborda la propuesta se sitúa en una creciente brecha tecnológica dentro del sector jurídico-fiscal. Las grandes firmas han iniciado procesos de transformación digital mediante el desarrollo interno de soluciones basadas en inteligencia artificial y automatización, lo que les otorga ventajas competitivas en términos de eficiencia, capacidad analítica y calidad del servicio. Por el contrario, las asesorías de menor tamaño continúan dependiendo, en gran medida, de procesos manuales o de herramientas genéricas que no están adaptadas a las particularidades del ámbito tributario. Además, las soluciones disponibles en el mercado presentan limitaciones relevantes: o bien implican costes elevados que dificultan su adopción por parte de pequeños despachos, o bien carecen de especialización en Derecho fiscal, lo que reduce su utilidad práctica en tareas críticas como la interpretación normativa o la elaboración de documentación tributaria. Esta combinación de factores genera una situación de desventaja estructural que afecta tanto a la productividad como a la capacidad competitiva de estos profesionales. En este contexto, ImpulsaFiscal plantea una propuesta de valor centrada en ofrecer una plataforma accesible, especializada y adaptada a las necesidades reales del sector, contribuyendo así a reducir las asimetrías existentes y facilitando la incorporación efectiva de tecnología avanzada en el ejercicio profesional diario.; ImpulsaFiscal’s business model is structured as a B2B SaaS (Software as a Service) solution specifically targeted at tax advisory firms and small professional practices. This approach makes it possible to provide access to advanced technological tools through a subscription-based model, significantly reducing the barriers to entry associated with in-house development or the acquisition of high-cost specialised software. The problem addressed by the proposal arises from a growing technological gap within the legal and tax sector. Large firms have begun digital transformation processes through the internal development of solutions based on artificial intelligence and automation, which provides them with competitive advantages in terms of efficiency, analytical capacity, and service quality. By contrast, smaller tax advisory firms continue to rely largely on manual processes or generic tools that are not tailored to the specific characteristics of the tax field. Furthermore, the solutions currently available on the market present significant limitations: they either involve high costs that hinder their adoption by small firms, or they lack specialisation in tax law, reducing their practical usefulness in critical tasks such as regulatory interpretation and the preparation of tax documentation. This combination of factors creates a situation of structural disadvantage that affects both the productivity and competitive capacity of these professionals. Within this context, ImpulsaFiscal proposes a value proposition centred on providing an accessible, specialised platform adapted to the sector’s real needs. In doing so, it seeks to reduce existing asymmetries and facilitate the effective incorporation of advanced technology into day-to-day professional practice. Descripción : Grado en Ingeniería en Tecnologías Industriales y Grado en Administración y Dirección de Empresas Fri, 01 Jan 2027 00:00:00 GMT http://hdl.handle.net/11531/110771 2027-01-01T00:00:00Z http://hdl.handle.net/11531/110750 Título : El fin de los Estados de facto: la República Chechena de Ichkeria y la República de Nagorno-Karabaj Autor : Drobota Molina, Ioana Resumen : Chechenia —reintegrada por la fuerza en Rusia en 2000— y Nagorno-Karabaj —disuelta tras la operación militar azerbaiyana de septiembre de 2023 y formalmente extinta el 1 de enero de 2024— son los dos únicos casos de la «primera generación» de Estados de facto postsoviéticos que han desaparecido mediante reintegración forzosa en su Estado matriz. Pese al resultado común, ambos casos parten de presupuestos radicalmente opuestos: Chechenia colapsó primero internamente y fue invadida después, mientras que Nagorno-Karabaj era uno de los Estados de facto con mejor gobernanza y cohesión interna. Ello permite sopesar las variables que explican el final del ciclo de vida de cada entidad, con el propósito de extraer elementos predictivos relevantes para los Estados de facto supervivientes en la zona, a saber: Transnistria, Abjasia y Osetia del Sur.; Estados de facto, espacio postsoviético, Chechenia, Nagorno-Karabaj, Estado patrón. Descripción : Grado en Derecho y Grado en Relaciones Internacionales Thu, 01 Jan 2026 00:00:00 GMT http://hdl.handle.net/11531/110750 2026-01-01T00:00:00Z http://hdl.handle.net/11531/110749 Título : LLM-Based Email Management Autor : Arroyo García, Javier Resumen : El correo electrónico continúa siendo uno de los principales canales de entrada de información en las grandes organizaciones del sector asegurador, donde la gestión manual de altos volúmenes de mensajes con adjuntos heterogéneos representa un cuello de botella operativo significativo. El presente Trabajo de Fin de Máster aborda el diseño e implementación de una solución end-to-end para la gestión automatizada de buzones corporativos basada en Large Language Models (LLMs), desplegada sobre una arquitectura serverless en AWS dentro del entorno corporativo de MAPFRE. El sistema implementa un pipeline desacoplado de funciones Lambda especializadas que cubre la ingesta de correos, la extracción y procesamiento de adjuntos mediante una estrategia híbrida que combina técnicas clásicas de OCR con las capacidades multimodales del modelo, la clasificación documental contra un catálogo definido por negocio, la extracción del número de referencia del siniestro y el reenvío al sistema transaccional. La adaptación del modelo se ha resuelto íntegramente mediante prompt engineering iterativo, evitando el coste y la rigidez del fine-tuning y permitiendo ajustar el comportamiento del sistema en ciclos cortos de validación conjunta con el equipo de tramitadores. El diseño contempla la generalización a nuevos buzones corporativos mediante un loader pattern, mecanismos de resiliencia que garantizan la no pérdida de información, un plan de contingencia para escenarios de fallo total del servicio, y monitorización en dos capas --- técnica mediante Amazon CloudWatch y funcional mediante dashboards en Power BI. La evaluación del sistema sobre batches reales de correos del buzón piloto evidencia una mejora sustancial frente a la solución basada en NLP clásico que se sustituye, validando tanto la viabilidad técnica como el potencial impacto operativo de la aproximación propuesta.; Email remains one of the primary channels through which information enters large organizations in the insurance sector, where the manual handling of high volumes of messages with heterogeneous attachments represents a significant operational bottleneck. This Master's Thesis addresses the design and implementation of an end-to-end solution for the automated management of corporate mailboxes based on Large Language Models (LLMs), deployed on a serverless architecture on AWS within MAPFRE's corporate environment. The system implements a decoupled pipeline of specialized Lambda functions covering email ingestion, the extraction and processing of attachments through a hybrid strategy that combines classical OCR techniques with the multimodal capabilities of the model, document classification against a business-defined catalogue, the extraction of the claim reference number, and forwarding to the transactional system. Model adaptation has been resolved entirely through iterative prompt engineering, avoiding the cost and rigidity of fine-tuning and allowing the system's behaviour to be adjusted in short cycles of joint validation with the claims-handling team. The design considers generalization to new corporate mailboxes through a loader pattern, resilience mechanisms that guarantee no loss of information, a contingency plan for total service failure scenarios, and two-layer monitoring --- technical through Amazon CloudWatch and functional through Power BI dashboards. The evaluation of the system on real batches of emails from the pilot mailbox shows a substantial improvement over the classical NLP-based solution it replaces, validating both the technical feasibility and the potential operational impact of the proposed approach. Descripción : Máster Universitario en Big Data Thu, 01 Jan 2026 00:00:00 GMT http://hdl.handle.net/11531/110749 2026-01-01T00:00:00Z http://hdl.handle.net/11531/110573 Título : Sistema multi-agente para el entrenamiento y optimización de modelos de Machine Learning basado en los protocolos MCP y A2A Autor : Valverde Gómez, Daniel Resumen : En este trabajo se aborda el diseño e implementación de la capa de ejecución de un sistema multi-agente para la automatización del pipeline de Machine Learning. Partiendo de la infraestructura de comunicación establecida en el trabajo previo (basada en los protocolos Model Context Protocol (MCP) y Agent-to-Agent (A2A)), este trabajo se centra en los tres servidores MCP que implementan las capacidades de ML del sistema: el Data MCP Server, el ML MCP Server y el Evaluation MCP Server. El Data MCP Server implementa el ciclo completo de preparación de datos, incluyendo análisis exploratorio, detección de problemas, preprocesamiento y partición del dataset. El ML MCP Server expone un catálogo de algoritmos de Machine Learning (regresión y clasificación) con optimización de hiperparámetros y registro de experimentos. El Evaluation MCP Server calcula métricas estándar para clasificación y regresión, compara modelos entre ejecuciones históricas y genera reportes automáticos en lenguaje natural con el razonamiento completo del pipeline. El sistema se evalúa sobre cuatro datasets de benchmark y se compara con tres sistemas AutoML clásicos de referencia: AutoGluon, auto-sklearn2 y FLAML. Los resultados demuestran que el sistema propuesto puede producir modelos de calidad comparable a los sistemas AutoML tradicionales en tiempos competitivos, aportando además justificación explícita de cada decisión y trazabilidad completa del proceso. Las diferencias de rendimiento observadas son atribuibles al catálogo de herramientas disponible, no a la calidad del razonamiento del agente LLM, que seleccionó el algoritmo óptimo dentro del catálogo disponible en todos los casos evaluados.; This work addresses the design and implementation of the execution layer of a multi-agent system for Machine Learning pipeline automation. Building upon the communication infrastructure established in the previous work (based on the Model Context Protocol (MCP) and Agent-to-Agent (A2A) protocols), this work focuses on the three MCP servers that implement the system's Machine Learning capabilities: the Data MCP Server, the ML MCP Server, and the Evaluation MCP Server. The Data MCP Server implements the complete data preparation lifecycle, including exploratory data analysis, issue detection, preprocessing, and dataset splitting. The ML MCP Server exposes a catalog of Machine Learning algorithms (for both regression and classification), featuring hyperparameter optimization and experiment tracking. The Evaluation MCP Server computes standard classification and regression metrics, compares models across historical runs, and generates automatic natural-language reports containing the complete reasoning behind the pipeline. The system is evaluated on four benchmark datasets and compared against three established AutoML baselines: AutoGluon, auto-sklearn2, and FLAML. The results demonstrate that the proposed system can produce models of comparable quality to traditional AutoML systems within competitive execution times, while additionally providing explicit justification for each decision and complete process traceability. The observed performance differences are attributable to the available tool catalog rather than to the quality of the LLM agent's reasoning, as the agent selected the optimal algorithm within the available catalog in all evaluated cases. Descripción : Máster Universitario en Ingeniería de Telecomunicación + Máster Universitario en Big Data Thu, 01 Jan 2026 00:00:00 GMT http://hdl.handle.net/11531/110573 2026-01-01T00:00:00Z