http://hdl.handle.net/10498/17924 Sat, 07 Nov 2026 18:25:59 GMT 2026-11-07T18:25:59Z http://hdl.handle.net/10498/40264 Wandering Echoes: Desarrollo de un Videojuego RPG Rogue-like con un Agente Conversacional como Núcleo de Interacción Hidalgo Mayén, Manuel Antonio En la actualidad, la industria de los videojuegos se encuentra en constante evolución, impulsada por la incorporación de nuevas tecnologías capaces de ampliar las posibilidades de interacción y mejorar la experiencia del jugador. Entre ellas, la inteligencia artificial ha adquirido una especial relevancia, permitiendo desarrollar sistemas más dinámicos y adaptativos, así como nuevas formas de interacción entre el jugador y el mundo virtual. En este contexto, el uso de técnicas de procesamiento del lenguaje natural y de agentes conversacionales plantea nuevas oportunidades para enriquecer la narrativa, la inmersión y la jugabilidad de los videojuegos, favoreciendo experiencias más personalizadas e interactivas. Este trabajo presenta el diseño y desarrollo de un videojuego RPG (role-playing game) con mecánicas roguelike y generación procedural, implementado utilizando el motor Unity y el lenguaje de programación C#. El videojuego propone una experiencia de juego rejugable en la que cada partida presenta una configuración diferente de la mazmorra y sus elementos. Como elemento central de la experiencia, se integra un agente conversacional basado en técnicas de procesamiento del lenguaje natural (PLN). La interacción del jugador con este agente durante la partida permite tomar decisiones que pueden influir en el desarrollo de la experiencia. El sistema combina elementos propios de los videojuegos RPG y roguelike, como la exploración de mazmorras generadas proceduralmente, el combate, la progresión del personaje, la gestión de objetos y el enfrentamiento contra enemigos y jefes, con mecánicas de interacción conversacional que buscan ampliar las posibilidades narrativas y de jugabilidad. Los resultados obtenidos permiten demostrar la viabilidad de integrar técnicas de inteligencia artificial en un videojuego como parte fundamental de su sistema de interacción. La incorporación de un agente conversacional puede contribuir positivamente a la experiencia del jugador, favoreciendo una mayor inmersión y ofreciendo una interacción más dinámica y personalizada. De este modo, el proyecto pone de manifiesto el potencial de combinar inteligencia artificial, procesamiento del lenguaje natural y generación procedural para desarrollar experiencias de juego innovadoras y con un mayor grado de adaptabilidad y rejugabilidad. Fri, 18 Sep 2026 00:00:00 GMT http://hdl.handle.net/10498/40264 2026-09-18T00:00:00Z http://hdl.handle.net/10498/40130 Aplicación de Explainable AI en la predicción de contaminantes atmosféricos Cantos Piñero, Iván La contaminación atmosférica y sus graves repercusiones sobre la salud pública constituyen uno de los mayores y más conocidos desafíos globales de este siglo. En España, esta problemática cobra especial urgencia en grandes ciudades como Madrid, donde los reiterados episodios de alta toxicidad han obligado a implementar estrictos protocolos de actuación y zonas de restricción de movilidad. A menudo, la activación de estas medidas preventivas genera rechazo ciudadano al percibirse como imposiciones repentinas. Para mejorar la anticipación y gestión de estos episodios, directrices europeas y la comunidad científica instan a las administraciones a transitar desde los tradicionales modelos deterministas de dispersión química hacia sistemas de predicción avanzados basados en aprendizaje automático. Sin embargo, estos algoritmos operan habitualmente como una caja negra. Si las futuras restricciones de movilidad urbana van a depender de estos modelos complejos, será imprescindible evitar que el sistema dictamine alertas de contaminación sin la capacidad de justificar el razonamiento subyacente a su predicción. Para resolver este reto, el presente trabajo propone el diseño, evaluación e integración de técnicas de Inteligencia Artificial eXplicable (XAI) aplicadas a la calidad del aire. A través del modelado de contaminantes como los óxidos de nitrógeno, el ozono troposférico o el tolueno, se auditará el comportamiento de múltiples arquitecturas predictivas sobre un amplio espacio de características que abarca la meteorología y el tráfico rodado de la capital. El despliegue de métricas XAI permitirá diseccionar el proceso interno de los algoritmos y traducir su compleja lógica matemática en causalidad física comprensible. Los resultados han demostrado la viabilidad de anticipar la calidad del aire en Madrid con un alto nivel de fiabilidad, apoyándose en la integración de datos meteorológicos y flujos de tráfico rodado. La aplicación de XAI ha certificado que el razonamiento interno de los algoritmos coincide con la física real de los contaminantes, confirmando que los modelos asimilan dinámicas atmosféricas legítimas a pesar de contar únicamente con un trimestre de registros.; Air pollution and its severe impacts on public health constitute one of the greatest and most widely recognized global challenges of this century. In Spain, this issue is particularly urgent in large cities like Madrid, where repeated episodes of high toxicity have forced the implementation of strict action protocols and mobility restriction zones. Often, the activation of these preventive measures generates public resistance, as they are perceived as sudden impositions. To improve the anticipation and management of these episodes, European guidelines and the scientific community urge administrations to transition from traditional deterministic chemical dispersion models to advanced prediction systems based on machine learning. However, these algorithms typically operate as a black box. If future urban mobility restrictions are to rely on these complex models, it will be essential to prevent the system from issuing pollution alerts without the ability to justify the reasoning underlying its predictions. To address this challenge, the present work proposes the design, evaluation, and integration of eXplainable Artificial Intelligence (XAI) techniques applied to air quality. Through the modeling of pollutants such as nitrogen oxides, tropospheric ozone, and toluene, the behavior of multiple predictive architectures will be audited across a broad feature space encompassing the capital's meteorology and road traffic. The deployment of XAI metrics will allow for the dissection of the algorithms' internal processes, translating their complex mathematical logic into understandable physical causality. The results have demonstrated the feasibility of anticipating air quality in Madrid with a high level of reliability, supported by the integration of meteorological data and road traffic flows. The application of XAI has certified that the internal reasoning of the algorithms aligns with the real physics of the pollutants, confirming that the models assimilate legitimate atmospheric dynamics despite relying on only a single quarter of recorded data. Thu, 01 Jan 2026 00:00:00 GMT http://hdl.handle.net/10498/40130 2026-01-01T00:00:00Z http://hdl.handle.net/10498/40024 Aplicación Inteligente para el escaneo y la clasificación nutricional de productos de alimentación García Iglesias, Iván El incremento en el consumo de alimentos ultraprocesados y su demostrada correlación con enfermedades no transmisibles han convertido la elección de productos saludables en un desafío para la población. A pesar de la existencia de sistemas de etiquetado como NutriScore o la clasificación NOVA, la falta de transparencia y la información nutricional incompleta dificultan la toma de decisiones informadas por parte de los consumidores. El presente Trabajo Fin de Grado detalla el diseño, desarrollo y despliegue de un sistema inteligente compuesto por una aplicación móvil y una arquitectura de servidor orientada a la evaluación nutricional y la recomendación de alternativas saludables. Para solventar la escasez de datos categorizados en bases de datos abiertas como Open Food Facts, se ha entrenado e integrado un modelo de Machine Learning basado en eXtreme Gradient Boosting (XGBoost), capaz de inferir el grado de procesamiento de un alimento en tiempo real con alta precisión. Además, se ha incorporado la librería SHAP para dotar al modelo de explicabilidad, mostrando al usuario el razonamiento detrás de cada clasificación. Como núcleo innovador del proyecto, se ha diseñado un algoritmo matemático propio basado en la estandarización estadística Z-Score poblacional. Este motor de recomen dación no solo busca productos similares, sino que penaliza la presencia de aditivos y ultraprocesados, devolviendo las alternativas objetivamente más saludables dentro de una misma categoría taxonómica. Todo el sistema ha sido construido sobre una arquitectura robusta utilizando FastAPI, una base de datos NoSQL, MongoDB y cachés asíncronas, garantizando tiempos de respuesta óptimos para el usuario final. Mon, 18 May 2026 00:00:00 GMT http://hdl.handle.net/10498/40024 2026-05-18T00:00:00Z http://hdl.handle.net/10498/39838 Desarrollo de un sistema aumentativo y alternativo de comunicación con síntesis de voz para personas con dificultades del habla Lagares Galán, Jesús Este proyecto se centra en el diseño, desarrollo e implementación de Dixi, un sistema que ayuda a la comunicación de personas con dificultad en el habla. Para ello, el sistema parte de secuencias de pictogramas (símbolos visuales que representan conceptos, acciones u objetos) de un catálogo y produce frases naturales en español. La construcción de Dixi exige responder a una pregunta fundamental: ¿qué técnica de generación de texto produce oraciones naturales y correctas? Para responderla se implementan y comparan seis metodologías (tres técnicas base y tres motores híbridos). La primera técnica base parte de reglas gramaticales explícitas que describen cómo se combinan las palabras para formar una oración correcta en español. La segunda propone una metodología propia que selecciona y combina las palabras adecuadas basándose en embeddings (vectores donde conceptos parecidos tendrán valores similares y conceptos distintos no). La tercera recurre a un modelo de lenguaje de gran escala, un sistema de inteligencia artificial entrenado con grandes cantidades de texto capaz de redactar frases naturales a partir de palabras clave. Sobre estas tres aproximaciones se construyen otros tres motores híbridos, que las combinan para corregir los puntos débiles de cada una. Planteados los seis motores, la elección del más adecuado se aborda por dos vías complementarias: un conjunto de métricas calculadas sobre 164 casos de prueba recogidos de hablantes nativos, y una encuesta en la que personas eligen, sin saber qué motor produjo cada frase, cuál les suena más natural. Los modelos de lenguaje de gran escala encabezan ambas evaluaciones con una ventaja estadísticamente significativa frente al resto. Dixi se entrega al usuario como una aplicación móvil multiplataforma desarrollada con React Native y Expo, que aplica la técnica con mejores resultados a los pictogramas seleccionados y reproduce el resultado en habla mediante un motor de síntesis de voz (un sistema que convierte texto escrito en audio hablado). El servidor utilizado por la aplicación está contenerizado con Docker, por lo que podría desplegarse en cualquier proveedor de servicios en la nube. Tue, 16 Jun 2026 00:00:00 GMT http://hdl.handle.net/10498/39838 2026-06-16T00:00:00Z