http://hdl.handle.net/11531/22117 2026-04-05T19:06:40Z 2026-04-05T19:06:40Z Soldevilla Artajona, Jorge http://hdl.handle.net/11531/102835 2025-09-18T11:19:59Z 2025-01-01T00:00:00Z

Trend Detection for E-commerce Seller Feedback Soldevilla Artajona, Jorge Este trabajo tiene como objetivo diseñar un sistema de inteligencia artificial capaz de analizar y extraer información útil de los comentarios compartidos por los vendedores en la plataforma Fulfillment by Solde (FBS). A través del uso de técnicas de procesamiento de lenguaje natural (NLP) y machine learning, se busca detectar tendencias y problemas recurrentes, con el fin de mejorar la experiencia de los vendedores y, en consecuencia, la calidad del servicio ofrecido a los clientes finales. El proyecto se estructura en varias fases. En primer lugar, se recopilan y preparan las anécdotas de los vendedores. Después, se entrena un modelo de clasificación supervisada (BERT), capaz de asignar cada comentario a uno de los temas principales de la plataforma: Listings, Ads & Deals, Seller Support, Fees, Inventory Management, Inbounding e Insurance. Una vez clasificados, los comentarios se agrupan dentro de cada tema utilizando BERTopic, lo que permite identificar patrones y problemas emergentes. Posteriormente, se generan resúmenes concisos de cada grupo mediante Llama2, y se crean títulos descriptivos con FLAN-T5, facilitando la interpretación de los resultados. Este enfoque integral no solo automatiza el análisis de grandes volúmenes de datos, sino que también proporciona a FBS una herramienta eficaz para anticiparse a las necesidades de los vendedores y orientar mejoras en la plataforma.; This project aims to design an artificial intelligence system capable of analyzing and extracting meaningful insights from anecdotes and feedback shared by sellers on the Fulfillment by Solde (FBS) platform. By applying natural language processing (NLP) techniques and machine learning models, the goal is to detect trends and recurring issues that affect sellers, ultimately enhancing their experience and improving the quality of service delivered to end customers. The work is structured into several phases. First, seller anecdotes are collected and preprocessed. Then, a supervised classification model (BERT) is fine-tuned to categorize each anecdote into one of the key topics of the platform: Listings, Ads & Deals, Seller Support, Fees, Inventory Management, Inbounding, and Insurance. Once classified, the anecdotes are clustered within each topic using BERTopic, which allows the identification of emerging patterns and recurring concerns. After clustering, concise summaries of each group are generated using Llama2, and short, descriptive titles are created with FLAN-T5. These titles and summaries provide stakeholders with a quick and accessible overview of the main issues highlighted by sellers. This integrated approach not only automates the analysis of large volumes of unstructured feedback but also equips FBS with a powerful tool to anticipate seller needs and guide strategic improvements to the platform. Máster Universitario en Ingeniería Industrial + Máster en Industria Conectada / in Smart Industry

2025-01-01T00:00:00Z Coduras Gracia, Claudia María http://hdl.handle.net/11531/100160 2025-09-18T11:19:59Z 2025-01-01T00:00:00Z

Modelos de series temporales basados en aprendizaje profundo para la predicción de la generación eléctrica en parques eólicos Coduras Gracia, Claudia María Este Trabajo Fin de Máster se centra en la aplicación de modelos de series temporales basados en aprendizaje profundo para la predicción de la generación eléctrica en parques eólicos. El objetivo principal es comparar enfoques tradicionales con arquitecturas modernas de Deep Learning para evaluar su rendimiento y capacidad de generalización en un contexto marcado por la alta variabilidad e incertidumbre de la energía eólica. En primer lugar, se realiza una revisión de técnicas clásicas como ARIMA o XGBoost, estableciendo una línea base de comparación. Posteriormente, se implementan y analizan diversas arquitecturas de Deep, incluyendo LSTM (Long Short-Term Memory), modelos de atención como Transformers (PatchTST, TiDE) adaptados a series temporales. Además, se estudian arquitecturas innovadoras como KAN y RMoK (Mixture of KAN Experts) con especial atención a su interpretabilidad y eficiencia. A través de un estudio comparativo sobre datos reales de generación eólica, se evalúan los modelos, en concreto con dos conjuntos de datos (AV y KaggleWPGD), en términos de precisión, robustez e interpretabilidad. Los resultados muestran que ciertos modelos avanzados superan a los métodos clásicos, especialmente en escenarios con alta no linealidad y ruido. El trabajo también dedica un capítulo a los modelos fundacionales en series temporales, como Chronos, TimeGPT y TimesFM, analizando su potencial para tareas de forecasting en entornos energéticos y su aplicabilidad a datos del sector eólico así como la propuesta de futuras líneas de trabajo. Este TFM concluye con recomendaciones sobre la selección de arquitecturas en función del objetivo operativo y destaca el papel del Deep Learning como herramienta clave para mejorar la planificación energética renovable.; This Master's Thesis focuses on the application of deep learning-based time series models for forecasting electricity generation in wind farms. The main objective is to compare traditional approaches with modern deep learning architectures to evaluate their performance and generalization capacity in a context characterized by the high variability and uncertainty of wind energy. First, a review of classical techniques such as ARIMA and XGBoost is conducted to establish a baseline for comparison. Then, various deep learning architectures are implemented and analyzed, including Long Short-Term Memory (LSTM) networks and attention-based models like Transformers (PatchTST, TiDE) adapted for time series data. Additionally, innovative architectures such as KAN and RMoK (Mixture of KAN Experts) are explored, with a special focus on their interpretability and efficiency. Through a comparative study using real wind power generation data, the models are evaluated—specifically on two datasets (AV and KaggleWPGD)—in terms of accuracy, robustness, and interpretability. The results show that certain advanced models outperform classical methods, particularly in scenarios with high non-linearity and noise. The thesis also includes a dedicated chapter on foundational models for time series, such as Chronos, TimeGPT, and TimesFM, analyzing their potential for forecasting tasks in energy environments and their applicability to wind sector data, as well as proposing future lines of research. This thesis concludes with recommendations on architecture selection based on operational objectives and highlights the role of deep learning as a key tool for improving renewable energy planning. Máster Universitario en Ingeniería Industrial + Máster en Industria Conectada / in Smart Industry

2025-01-01T00:00:00Z Asensio Blazquez, Javier http://hdl.handle.net/11531/100158 2025-09-18T11:19:59Z 2025-01-01T00:00:00Z

Estudio de la Climatización de un Edificio Industrial en Madrid Asensio Blazquez, Javier Este artículo presenta un modelo capaz de establecer el funcionamiento óptimo de un sistema de climatización para obtener un ahorro energético y así reducir el coste en la factura de la electricidad. Este modelo se diseñó para un edificio de oficinas en el municipio de Barajas (Madrid), pero con el correcto ajuste de parámetros, sería posible extrapolarlo a cualquier edificio si se dispone de los recursos necesarios. Este modelo combina Machine Learning (ingesta de datos, procesamiento de los mismos y predicciones futuras) desarrollado en lenguaje Python, junto a un código en lenguaje C capaz de sincronizar los actuadores y sensores. Los datos son almacenados y conectados entre ambos códigos a través de una base de datos en SQL.; This article presents a model capable of establishing the optimal operation of a Heating, Ventilation, Air Cooling system (HVAC system) in order to achieve energy savings and thus reduce electricity costs. The model was designed for a small house to simplify the results, but with proper parameter adjustment, it could be extrapolated to any building, provided the necessary resources are available. The model combines Machine Learning (data ingestion, processing, and future predictions) developed in Python, along with C language code that synchronizes actuators and sensors. The data is stored and interconnected between both codes through an SQL database. Máster Universitario en Ingeniería Industrial + Máster en Industria Conectada / in Smart Industry

2025-01-01T00:00:00Z Urgel Fernández, María Cinta http://hdl.handle.net/11531/99005 2025-09-18T11:19:59Z 2025-01-01T00:00:00Z

Sistema de identificación de intrusiones basado en cámaras térmicas 360 y postprocesado mediante modelos de inteligencia artificial Urgel Fernández, María Cinta Este trabajo presenta un innovador sistema de videovigilancia perimetral para instalaciones extensas como plantas solares. Propone reemplazar cámaras térmicas fijas por térmicas de 360 grados e integrar el modelo de Inteligencia Artificial YOLOv11 para el post-procesado de imágenes. Esto logra una reducción del 70% en dispositivos y un ahorro del 65% en costes , mejorando la detección de intrusiones y minimizando falsas alarmas. El sistema optimiza la seguridad y fomenta la eficiencia operativa en la transformación digital industrial.; This paper presents an innovative perimeter video surveillance system for large facilities like solar plants. It proposes replacing fixed thermal cameras with 360-degree thermal cameras and integrating the YOLOv11 Artificial Intelligence model for image post-processing. This achieves a 70% reduction in devices and a 65% cost saving , significantly improving intrusion detection and minimizing false alarms. The system optimizes security and promotes operational efficiency within industrial digital transformation. Máster Universitario en Ingeniería Industrial + Máster en Industria Conectada / in Smart Industry

2025-01-01T00:00:00Z