Temas de tesis de Ingeniería de Sistemas e Informática

Temas de tesis / Ingeniería de Sistemas e Informática

Temas de tesis de Inteligencia Artificial y Machine Learning en Ingeniería de Sistemas

42 ideas de partida con variables, diseño, fuente de datos y software, y 3 ejemplos desarrollados. Elige una y la convertimos contigo en un tema aprobable.

Te respondemos en menos de 15 minutos, de 8:00 a.m. a 9:00 p.m., todos los días.

  • Diagnóstico sin costo
  • Garantía de devolución. Está en nuestro contrato.
  • Jurado simulado por voz
Temas
42
Líneas
7
Ejemplos
3
Revisión de tu idea
Sin costo

Antes de elegir

Cómo usar estas ideas.

Estos 42 temas de tesis de inteligencia artificial y machine learning están pensados para estudiantes de Ingeniería de Sistemas e Ingeniería Informática que quieren trabajar con datos y problemas del Perú. El contexto cambió mucho en poco tiempo: el reglamento de la Ley N° 31814, aprobado por el DS N° 115-2025-PCM, rige desde el 22 de enero de 2026; en mayo de 2026 la RM N° 152-2026-PCM aprobó la Estrategia Nacional de Inteligencia Artificial 2026 a 2030; y en octubre de 2026 la Directiva N° 002-2026-PCM/SGTD fijó el perfil del Oficial de Inteligencia Artificial que cada entidad pública deberá designar. Cada idea trae las variables, el diseño, la fuente de datos y el software.

Son puntos de partida: cambia el cultivo, la lengua, el hospital o el dataset y arma tu propio tema. Si buscas temas de redes, seguridad, desarrollo de software o inteligencia de negocios, revisa la página general de temas de tesis de Ingeniería de Sistemas. También puedes ver cómo trabajamos la asesoría de tesis de Ingeniería de Sistemas.

Los temas

42 ideas en 7 líneas de investigación.

Abre cada idea para ver sus variables o categorías, el diseño, de dónde sacas los datos y el software. Son ideas de partida: tu tema final lo armamos contigo.

Enfoque

Dificultad

Nivel

42 ideas

Línea 01

Visión por computadora y detección de objetos con YOLO

6 ideas

La Estrategia Nacional de Inteligencia Artificial 2026 a 2030, aprobada por la RM N° 152-2026-PCM, tiene un eje dedicado a la innovación y el emprendimiento en IA, con proyectos en sectores productivos y espacios de prueba controlada. La visión por computadora es la puerta de entrada más práctica: con un celular o un dron generas tu propio dataset, y modelos como YOLO permiten detectar y contar objetos en tiempo real en el agro, el tránsito, la construcción o el ambiente.

01Detección y conteo de frutos de arándano con YOLO para estimar el rendimiento por planta en un fundo agroexportador de La Libertad, 2026CuantitativoDificultad altaPregrado
Variables
  • Modelo de detección YOLO
  • Precisión de detección (mAP) y error de conteo frente al conteo manual
Diseño
Experimental
Fuente de datos
Dataset propio de imágenes tomadas en campo y etiquetadas por el investigador, con autorización del fundo
Software
Python, YOLO y Roboflow

¿Te sirve esta idea? Escríbenos al WhatsApp y revisamos tu caso sin costo.

Escríbenos al WhatsApp
02Conteo vehicular automático con YOLO en intersecciones del centro de Arequipa y su concordancia con el aforo manual, 2026CuantitativoDificultad mediaPregrado
Variables
  • Conteo automático por tipo de vehículo
  • Concordancia con el aforo manual
Diseño
Comparativo de concordancia
Fuente de datos
Videos propios grabados en hora punta y aforo manual simultáneo
Software
Python, YOLO y OpenCV

¿Te sirve esta idea? Escríbenos al WhatsApp y revisamos tu caso sin costo.

Escríbenos al WhatsApp
03Reconocimiento automático de placas vehiculares con redes neuronales convolucionales para el control de acceso a un campus universitario de Trujillo, 2026CuantitativoDificultad mediaPregrado
Variables
  • Sistema de reconocimiento de placas
  • Tiempo de ingreso y tasa de lectura correcta
Diseño
Preexperimental
Fuente de datos
Imágenes de la garita de ingreso y registros de acceso, con autorización de la universidad
Software
Python, YOLO y EasyOCR

¿Te sirve esta idea? Escríbenos al WhatsApp y revisamos tu caso sin costo.

Escríbenos al WhatsApp
04Detección del uso de equipos de protección personal con visión por computadora en una obra de edificación de Lima, 2026CuantitativoDificultad mediaPregrado
Variables
  • Modelo de detección de casco, chaleco y lentes
  • Precisión del modelo e incumplimientos detectados por turno
Diseño
Experimental
Fuente de datos
Imágenes de cámaras de la obra con autorización de la empresa y aviso a los trabajadores
Software
Python y YOLO

¿Te sirve esta idea? Escríbenos al WhatsApp y revisamos tu caso sin costo.

Escríbenos al WhatsApp
05Clasificación de enfermedades foliares de la papa con transfer learning a partir de fotografías tomadas con celular en comunidades de Junín, 2026CuantitativoDificultad mediaPregrado
Variables
  • Arquitectura de red preentrenada
  • Exactitud y F1 por clase de enfermedad
Diseño
Experimental comparativo
Fuente de datos
Fotografías propias de hojas validadas por un ingeniero agrónomo
Software
Python, TensorFlow y Keras

¿Te sirve esta idea? Escríbenos al WhatsApp y revisamos tu caso sin costo.

Escríbenos al WhatsApp
06Detección de residuos sólidos en playas de Máncora con imágenes de dron y YOLO para priorizar la limpieza municipal, 2026CuantitativoDificultad altaPregrado
Variables
  • Modelo de detección de residuos
  • Densidad de residuos por sector de playa
Diseño
Descriptivo con modelamiento
Fuente de datos
Vuelos de dron propios con permiso municipal y etiquetado manual de imágenes
Software
Python, YOLO y QGIS

¿Te sirve esta idea? Escríbenos al WhatsApp y revisamos tu caso sin costo.

Escríbenos al WhatsApp
Línea 02

Procesamiento de lenguaje natural en español y lenguas originarias

6 ideas

Los Censos Nacionales 2025 registraron 5 105 146 personas que hablan al menos una lengua indígena, y la mayoría de herramientas de lenguaje funciona mal en quechua o aimara. Al mismo tiempo, el DS N° 115-2025-PCM exige que quien implemente un sistema de IA de riesgo alto informe de forma clara su finalidad y el tipo de decisiones que toma. Asistentes para trámites, traducción, clasificación de reclamos y detección de desinformación son tesis con impacto directo y datos que puedes construir tú mismo.

07Asistente conversacional con generación aumentada por recuperación para consultas sobre trámites académicos en una universidad pública de Cusco, 2026CuantitativoDificultad altaPregrado
Variables
  • Asistente con generación aumentada por recuperación
  • Exactitud de respuestas y tiempo de atención de consultas
Diseño
Preexperimental
Fuente de datos
Reglamentos y TUPA de la universidad como base documental, y registro de consultas antes y después, con autorización
Software
Python, LangChain y un modelo de lenguaje abierto

¿Te sirve esta idea? Escríbenos al WhatsApp y revisamos tu caso sin costo.

Escríbenos al WhatsApp
08Traducción automática castellano quechua chanka con modelos de lenguaje ajustados y evaluación por hablantes nativos de Ayacucho, 2026MixtoDificultad altaMaestría
Variables
  • Modelo de traducción ajustado
  • Métricas automáticas (BLEU, chrF) y adecuación según hablantes
Diseño
Experimental con evaluación humana
Fuente de datos
Corpus paralelo de textos públicos y oraciones validadas por hablantes nativos, con consentimiento informado
Software
Python y Hugging Face Transformers

¿Te sirve esta idea? Escríbenos al WhatsApp y revisamos tu caso sin costo.

Escríbenos al WhatsApp
09Análisis de sentimiento de reseñas de visitantes de Machu Picchu con modelos transformer en español, 2023 a 2026CuantitativoDificultad mediaPregrado
Variables
  • Polaridad y aspectos mencionados en las reseñas
  • Evolución temporal de la percepción del destino
Diseño
Descriptivo longitudinal
Fuente de datos
Reseñas públicas de plataformas de viaje recopiladas respetando sus términos de uso
Software
Python y Hugging Face Transformers

¿Te sirve esta idea? Escríbenos al WhatsApp y revisamos tu caso sin costo.

Escríbenos al WhatsApp
10Clasificación automática de reclamos de usuarios de una empresa prestadora de servicios de saneamiento de Piura con procesamiento de lenguaje natural, 2026CuantitativoDificultad mediaPregrado
Variables
  • Modelo de clasificación de texto
  • Tiempo de derivación del reclamo al área responsable
Diseño
Preexperimental
Fuente de datos
Reclamos históricos anonimizados de la empresa, con acuerdo de confidencialidad
Software
Python y scikit-learn

¿Te sirve esta idea? Escríbenos al WhatsApp y revisamos tu caso sin costo.

Escríbenos al WhatsApp
11Reconocimiento automático del habla en aimara para transcribir entrevistas comunitarias en Puno: evaluación de modelos multilingües, 2026CuantitativoDificultad altaMaestría
Variables
  • Modelo de reconocimiento del habla
  • Tasa de error por palabra
Diseño
Experimental comparativo
Fuente de datos
Grabaciones propias de hablantes aimaras con consentimiento informado y transcripción de referencia
Software
Python y Whisper

¿Te sirve esta idea? Escríbenos al WhatsApp y revisamos tu caso sin costo.

Escríbenos al WhatsApp
12Detección de desinformación sobre salud pública en publicaciones de redes sociales en el Perú con modelos de lenguaje, 2026CuantitativoDificultad mediaPregrado
Variables
  • Modelo de clasificación de desinformación
  • Precisión, exhaustividad y F1
Diseño
Experimental
Fuente de datos
Corpus propio de publicaciones públicas etiquetadas con apoyo de verificaciones periodísticas
Software
Python y Hugging Face Transformers

¿Te sirve esta idea? Escríbenos al WhatsApp y revisamos tu caso sin costo.

Escríbenos al WhatsApp
Línea 03

Aprendizaje automático con datos abiertos peruanos

6 ideas

El Perú tiene datos públicos de calidad para entrenar modelos: en 2025 el IGP publicó en la Plataforma Nacional de Datos Abiertos un catálogo de eventos sísmicos del volcán Misti y otros cuatro conjuntos de datos científicos, el SENAMHI permite descargar series históricas de sus estaciones, el INEI libera los microdatos de la ENAHO y ya publicó los resultados de los Censos Nacionales 2025. Con el ENFEN manteniendo la alerta de El Niño Costero en 2026, los modelos de predicción climática tienen además una urgencia práctica.

13Clasificación de eventos sísmicos del volcán Misti con aprendizaje profundo a partir del catálogo del IGP, 2026CuantitativoDificultad altaMaestría
Variables
  • Arquitectura de red y representación de la señal
  • Exactitud y F1 por tipo de evento volcánico
Diseño
Experimental comparativo
Fuente de datos
Catálogo de eventos sísmicos del volcán Misti publicado por el IGP en la Plataforma Nacional de Datos Abiertos
Software
Python y PyTorch

¿Te sirve esta idea? Escríbenos al WhatsApp y revisamos tu caso sin costo.

Escríbenos al WhatsApp
14Predicción de precipitación diaria en estaciones del SENAMHI de la cuenca del río Piura con redes LSTM frente a modelos estadísticos, 2026CuantitativoDificultad altaPregrado
Variables
  • Tipo de modelo (LSTM, ARIMA, regresión)
  • Error absoluto medio y raíz del error cuadrático medio
Diseño
Experimental comparativo
Fuente de datos
Series históricas descargadas del portal de datos del SENAMHI
Software
Python, TensorFlow y statsmodels

¿Te sirve esta idea? Escríbenos al WhatsApp y revisamos tu caso sin costo.

Escríbenos al WhatsApp
15Predicción de la deserción escolar en secundaria con algoritmos de clasificación a partir de microdatos de la ENAHOCuantitativoDificultad mediaPregrado
Variables
  • Algoritmo de clasificación (regresión logística, bosque aleatorio, XGBoost)
  • Área bajo la curva ROC y variables más influyentes
Diseño
Explicativo con datos secundarios
Fuente de datos
Microdatos de la ENAHO descargados del portal del INEI
Software
Python, scikit-learn y XGBoost

¿Te sirve esta idea? Escríbenos al WhatsApp y revisamos tu caso sin costo.

Escríbenos al WhatsApp
16Modelo de aprendizaje automático para pronosticar la demanda eléctrica horaria de una empresa distribuidora del sur del Perú, 2026CuantitativoDificultad mediaSuficiencia profesional
Variables
  • Modelo de pronóstico
  • Error porcentual absoluto medio
Diseño
Experimental comparativo
Fuente de datos
Registros horarios de demanda de la empresa donde trabajas y temperatura de estaciones del SENAMHI
Software
Python y LightGBM

¿Te sirve esta idea? Escríbenos al WhatsApp y revisamos tu caso sin costo.

Escríbenos al WhatsApp
17Agrupamiento de distritos del Perú según indicadores de vivienda y servicios básicos de los Censos Nacionales 2025 con algoritmos no supervisadosCuantitativoDificultad bajaPregrado
Variables
  • Indicadores censales de vivienda y servicios
  • Conglomerados de distritos y su perfil
Diseño
Descriptivo multivariado
Fuente de datos
Resultados de los Censos Nacionales 2025 publicados por el INEI
Software
Python, scikit-learn y QGIS

¿Te sirve esta idea? Escríbenos al WhatsApp y revisamos tu caso sin costo.

Escríbenos al WhatsApp
18Pronóstico de anomalías de temperatura superficial del mar frente a la costa norte del Perú con aprendizaje automático y su contraste con los comunicados del ENFEN, 2026CuantitativoDificultad altaMaestría
Variables
  • Modelo de pronóstico de anomalías
  • Coincidencia con el estado de alerta declarado
Diseño
Experimental con series de tiempo
Fuente de datos
Datos satelitales de temperatura del mar de libre acceso y comunicados oficiales del ENFEN
Software
Python y PyTorch

¿Te sirve esta idea? Escríbenos al WhatsApp y revisamos tu caso sin costo.

Escríbenos al WhatsApp
Línea 04

Inteligencia artificial aplicada a la salud

6 ideas

El DS N° 115-2025-PCM exige supervisión humana cuando un sistema de inteligencia artificial toma decisiones con impacto significativo en sectores como salud, educación, justicia, finanzas y acceso a servicios básicos. Eso define cómo debe plantearse una tesis de IA en salud: como apoyo al profesional, con validación frente al diagnóstico médico, datos anonimizados y aprobación del comité de ética. Los hospitales del Perú generan miles de imágenes y registros que, con permiso, sirven para entrenar y validar modelos.

19Detección de neumonía en radiografías de tórax con redes neuronales convolucionales en un hospital de Lambayeque, 2026CuantitativoDificultad altaPregrado
Variables
  • Modelo de clasificación de radiografías
  • Sensibilidad y especificidad frente al informe radiológico
Diseño
Estudio de exactitud diagnóstica retrospectivo
Fuente de datos
Radiografías anonimizadas del archivo del hospital, con aprobación del comité de ética
Software
Python y PyTorch

¿Te sirve esta idea? Escríbenos al WhatsApp y revisamos tu caso sin costo.

Escríbenos al WhatsApp
20Clasificación de retinopatía diabética en retinografías con transfer learning y su concordancia con oftalmólogos de un hospital de EsSalud de Arequipa, 2026CuantitativoDificultad altaMaestría
Variables
  • Clasificación del modelo por grado de retinopatía
  • Concordancia con el diagnóstico del especialista
Diseño
Estudio de concordancia diagnóstica
Fuente de datos
Retinografías anonimizadas y diagnóstico del especialista, con aprobación del comité de ética
Software
Python, TensorFlow y SPSS

¿Te sirve esta idea? Escríbenos al WhatsApp y revisamos tu caso sin costo.

Escríbenos al WhatsApp
21Modelo predictivo de inasistencia a citas de consulta externa con aprendizaje automático en un hospital de Huancayo, 2026CuantitativoDificultad mediaPregrado
Variables
  • Características del paciente y de la cita
  • Probabilidad de inasistencia
Diseño
Analítico retrospectivo
Fuente de datos
Registros anonimizados del sistema de citas del hospital, con autorización
Software
Python y XGBoost

¿Te sirve esta idea? Escríbenos al WhatsApp y revisamos tu caso sin costo.

Escríbenos al WhatsApp
22Asistente conversacional de orientación sobre signos de alarma del embarazo para gestantes de un centro de salud de Juliaca y su evaluación de usabilidad, 2026CuantitativoDificultad mediaPregrado
Variables
  • Asistente conversacional validado por obstetras
  • Usabilidad percibida y exactitud de las respuestas
Diseño
Descriptivo de evaluación
Fuente de datos
Guías del MINSA como base de conocimiento y encuesta a gestantes con consentimiento informado
Software
Python y Rasa

¿Te sirve esta idea? Escríbenos al WhatsApp y revisamos tu caso sin costo.

Escríbenos al WhatsApp
23Estimación de anemia infantil a partir de fotografías de la conjuntiva palpebral con aprendizaje profundo en establecimientos de salud de Huancavelica, 2026CuantitativoDificultad altaMaestría
Variables
  • Predicción del modelo a partir de la imagen
  • Concordancia con la hemoglobina medida
Diseño
Estudio de exactitud diagnóstica
Fuente de datos
Fotografías propias y resultado de hemoglobina del establecimiento, con consentimiento de los padres y comité de ética
Software
Python y PyTorch

¿Te sirve esta idea? Escríbenos al WhatsApp y revisamos tu caso sin costo.

Escríbenos al WhatsApp
24Percepción de médicos sobre la supervisión humana de herramientas de apoyo diagnóstico con inteligencia artificial en hospitales de Lima, 2026CualitativoDificultad mediaPregrado
Categorías
  • Categoría: confianza en las recomendaciones del sistema
  • Categoría: responsabilidad y control del profesional
Diseño
Fenomenológico
Fuente de datos
Entrevistas en profundidad a médicos que usan o evaluaron estas herramientas
Software
Atlas.ti

¿Te sirve esta idea? Escríbenos al WhatsApp y revisamos tu caso sin costo.

Escríbenos al WhatsApp
Línea 05

Inteligencia artificial en educación y en la universidad

6 ideas

La educación aparece en el DS N° 115-2025-PCM entre los sectores donde las decisiones automatizadas requieren supervisión humana, y la Estrategia Nacional de Inteligencia Artificial 2026 a 2030 incluye un eje de talento y capacidades en IA. En las universidades peruanas la IA generativa ya forma parte del día a día de estudiantes y docentes. Medir su efecto en el aprendizaje, construir tutores y validar herramientas de evaluación son temas nuevos, con muestras accesibles dentro de tu propia universidad.

25Uso de inteligencia artificial generativa y desempeño en programación de estudiantes de Ingeniería de Sistemas de una universidad de Chiclayo, 2026CuantitativoDificultad bajaPregrado
Variables
  • Frecuencia y modo de uso de IA generativa
  • Calificación en evaluaciones prácticas de programación
Diseño
Correlacional transversal
Fuente de datos
Encuesta a estudiantes y calificaciones del curso, con consentimiento informado y permiso de la escuela profesional
Software
SPSS

¿Te sirve esta idea? Escríbenos al WhatsApp y revisamos tu caso sin costo.

Escríbenos al WhatsApp
26Tutor inteligente basado en un modelo de lenguaje para el aprendizaje de funciones matemáticas en estudiantes de secundaria de una institución educativa pública de Tacna, 2026CuantitativoDificultad altaMaestría
Variables
  • Uso del tutor inteligente
  • Logro de aprendizaje en funciones
Diseño
Cuasiexperimental con grupo control
Fuente de datos
Prueba de logro antes y después, con permiso de la dirección y consentimiento de los padres
Software
Python y SPSS

¿Te sirve esta idea? Escríbenos al WhatsApp y revisamos tu caso sin costo.

Escríbenos al WhatsApp
27Predicción temprana del riesgo de desaprobación en cursos de primer ciclo con analítica de aprendizaje en una universidad de Ica, 2026CuantitativoDificultad mediaPregrado
Variables
  • Indicadores de actividad en el aula virtual
  • Probabilidad de desaprobación
Diseño
Analítico retrospectivo
Fuente de datos
Registros anonimizados de la plataforma virtual y notas finales, con autorización de la universidad
Software
Python y scikit-learn

¿Te sirve esta idea? Escríbenos al WhatsApp y revisamos tu caso sin costo.

Escríbenos al WhatsApp
28Exactitud de los detectores de texto generado por inteligencia artificial frente a la evaluación docente en trabajos universitarios de una universidad de Huánuco, 2026CuantitativoDificultad mediaPregrado
Variables
  • Clasificación del detector
  • Falsos positivos y falsos negativos frente al origen real del texto
Diseño
Estudio de exactitud con muestras controladas
Fuente de datos
Corpus de textos escritos por estudiantes voluntarios y textos generados, con consentimiento informado
Software
Python y SPSS

¿Te sirve esta idea? Escríbenos al WhatsApp y revisamos tu caso sin costo.

Escríbenos al WhatsApp
29Calificación automática de respuestas abiertas con modelos de lenguaje y su concordancia con la calificación docente en un instituto de educación superior de Cajamarca, 2026CuantitativoDificultad mediaPregrado
Variables
  • Calificación asignada por el modelo
  • Concordancia con la calificación docente
Diseño
Estudio de concordancia
Fuente de datos
Respuestas anonimizadas de evaluaciones y rúbricas del docente, con autorización del instituto
Software
Python y SPSS

¿Te sirve esta idea? Escríbenos al WhatsApp y revisamos tu caso sin costo.

Escríbenos al WhatsApp
30Sistema de recomendación de recursos educativos según el desempeño del estudiante en el programa de nivelación de una universidad de Moquegua, 2026CuantitativoDificultad mediaPregrado
Variables
  • Recomendaciones personalizadas de recursos
  • Mejora en evaluaciones de nivelación
Diseño
Preexperimental
Fuente de datos
Registros de la plataforma de nivelación y evaluaciones, con autorización de la universidad
Software
Python y scikit-learn

¿Te sirve esta idea? Escríbenos al WhatsApp y revisamos tu caso sin costo.

Escríbenos al WhatsApp
Línea 06

Gobernanza, ética y operación de sistemas de inteligencia artificial

6 ideas

La Estrategia Nacional de Inteligencia Artificial 2026 a 2030 obliga a las entidades públicas a aprobar un plan de acción de IA de al menos tres años, a publicar sus modelos y conjuntos de datos en el Catálogo IA Perú y a implementar la NTP-ISO/IEC 42001:2025. La Directiva N° 002-2026-PCM/SGTD, aprobada en octubre de 2026, da a ministerios y universidades públicas hasta seis meses para designar a su Oficial de Inteligencia Artificial, nueve meses a los gobiernos regionales y doce a las municipalidades tipo A y C. El ingeniero de sistemas será quien clasifique riesgos, audite sesgos y opere los modelos en producción.

31Brechas para implementar la NTP-ISO/IEC 42001:2025 en las dependencias del Gobierno Regional de Arequipa según la Estrategia Nacional de Inteligencia Artificial 2026 a 2030CuantitativoDificultad mediaPregrado
Variables
  • Requisitos del sistema de gestión de IA
  • Nivel de cumplimiento por dependencia
Diseño
Descriptivo transversal
Fuente de datos
Lista de verificación basada en la norma y entrevistas a responsables de tecnologías de la información, con autorización
Software
Excel y SPSS

¿Te sirve esta idea? Escríbenos al WhatsApp y revisamos tu caso sin costo.

Escríbenos al WhatsApp
32Inventario y clasificación de riesgo de los sistemas de inteligencia artificial de una universidad pública de Lima según el DS N° 115-2025-PCM, 2026MixtoDificultad mediaPregrado
Variables
  • Sistemas de IA en uso
  • Nivel de riesgo y medidas de supervisión humana
Diseño
Descriptivo propositivo
Fuente de datos
Entrevistas a jefes de área y revisión de contratos y herramientas en uso, con autorización
Software
Excel y Atlas.ti

¿Te sirve esta idea? Escríbenos al WhatsApp y revisamos tu caso sin costo.

Escríbenos al WhatsApp
33Auditoría de sesgo algorítmico en un modelo de evaluación crediticia de microcréditos de una caja rural de San Martín, 2026CuantitativoDificultad altaMaestría
Variables
  • Métricas de equidad por sexo, edad y zona
  • Desempeño del modelo antes y después de la mitigación
Diseño
Experimental
Fuente de datos
Base anonimizada de solicitudes de crédito con acuerdo de confidencialidad
Software
Python y Fairlearn

¿Te sirve esta idea? Escríbenos al WhatsApp y revisamos tu caso sin costo.

Escríbenos al WhatsApp
34Flujo de MLOps para el despliegue y monitoreo de modelos predictivos en una empresa de telecomunicaciones de Lima y su efecto en el tiempo de puesta en producción, 2026CuantitativoDificultad altaSuficiencia profesional
Variables
  • Implementación del flujo de MLOps
  • Tiempo de despliegue y detección de deriva del modelo
Diseño
Preexperimental
Fuente de datos
Registros de despliegue y monitoreo del área de analítica donde trabajas
Software
MLflow, Docker y Python

¿Te sirve esta idea? Escríbenos al WhatsApp y revisamos tu caso sin costo.

Escríbenos al WhatsApp
35Preparación de ministerios y universidades públicas para designar al Oficial de Inteligencia Artificial según la Directiva N° 002-2026-PCM/SGTDCualitativoDificultad mediaMaestría
Categorías
  • Categoría: perfil disponible frente al exigido
  • Categoría: obstáculos institucionales y presupuestales
Diseño
Estudio de casos múltiples
Fuente de datos
Entrevistas a jefes de tecnologías de la información y revisión de documentos de gestión publicados
Software
Atlas.ti

¿Te sirve esta idea? Escríbenos al WhatsApp y revisamos tu caso sin costo.

Escríbenos al WhatsApp
36Efecto de las explicaciones con SHAP en la confianza de técnicos frente a un modelo de priorización de mantenimiento en una empresa minera de Cusco, 2026CuantitativoDificultad altaPregrado
Variables
  • Presentación de explicaciones del modelo
  • Confianza y aceptación de las recomendaciones
Diseño
Experimental con grupos aleatorizados
Fuente de datos
Modelo entrenado con registros de mantenimiento autorizados y cuestionario a técnicos
Software
Python, SHAP y SPSS

¿Te sirve esta idea? Escríbenos al WhatsApp y revisamos tu caso sin costo.

Escríbenos al WhatsApp
Línea 07

Inteligencia artificial para finanzas, comercio y seguridad digital

6 ideas

La Ley N° 32314, publicada en 2025, modificó el Código Penal y la Ley N° 30096 de Delitos Informáticos para agravar las penas cuando el delito se comete con inteligencia artificial, incluidas las ultrafalsificaciones de audio y video. Del otro lado, el DS N° 115-2025-PCM incluye a las finanzas entre los sectores que requieren supervisión humana de las decisiones automatizadas. Detectar fraude, phishing y contenido falso, o mejorar la retención de clientes con modelos predictivos, son tesis con datos disponibles y demanda real en bancos, cajas y empresas digitales.

37Detección de transacciones fraudulentas con aprendizaje automático y técnicas de balanceo de clases en una empresa de pagos digitales de Lima, 2026CuantitativoDificultad altaPregrado
Variables
  • Algoritmo y técnica de balanceo
  • Exhaustividad, precisión y costo de falsos negativos
Diseño
Experimental comparativo
Fuente de datos
Transacciones anonimizadas de la empresa con acuerdo de confidencialidad
Software
Python, scikit-learn e imbalanced-learn

¿Te sirve esta idea? Escríbenos al WhatsApp y revisamos tu caso sin costo.

Escríbenos al WhatsApp
38Detección de URL de phishing dirigidas a usuarios de banca peruana con aprendizaje automático basado en características léxicas, 2026CuantitativoDificultad mediaPregrado
Variables
  • Características léxicas y del dominio
  • Exactitud y F1 del clasificador
Diseño
Experimental
Fuente de datos
Listas públicas de URL maliciosas y URL legítimas de entidades financieras recopiladas por el investigador
Software
Python y scikit-learn

¿Te sirve esta idea? Escríbenos al WhatsApp y revisamos tu caso sin costo.

Escríbenos al WhatsApp
39Detección de audios ultrafalsos en español con redes neuronales y su utilidad pericial frente a la agravante por uso de inteligencia artificial de la Ley N° 32314CuantitativoDificultad altaMaestría
Variables
  • Modelo de detección de audio sintético
  • Tasa de error igual y robustez ante compresión
Diseño
Experimental
Fuente de datos
Datasets públicos de audio sintético y grabaciones propias con consentimiento
Software
Python y PyTorch

¿Te sirve esta idea? Escríbenos al WhatsApp y revisamos tu caso sin costo.

Escríbenos al WhatsApp
40Sistema de recomendación por filtrado colaborativo para una tienda en línea de confecciones de Gamarra y su efecto en el ticket promedio, 2026CuantitativoDificultad mediaPregrado
Variables
  • Sistema de recomendación
  • Ticket promedio y tasa de conversión
Diseño
Preexperimental
Fuente de datos
Historial de compras anonimizado de la tienda, con autorización del propietario
Software
Python y Surprise

¿Te sirve esta idea? Escríbenos al WhatsApp y revisamos tu caso sin costo.

Escríbenos al WhatsApp
41Predicción de la baja de clientes con aprendizaje automático en una empresa proveedora de internet de Tarapoto, 2026CuantitativoDificultad mediaSuficiencia profesional
Variables
  • Variables de uso, pagos y reclamos
  • Probabilidad de baja del cliente
Diseño
Analítico retrospectivo
Fuente de datos
Base de clientes anonimizada de la empresa donde trabajas
Software
Python y XGBoost

¿Te sirve esta idea? Escríbenos al WhatsApp y revisamos tu caso sin costo.

Escríbenos al WhatsApp
42Asistente conversacional de atención al cliente con procesamiento de lenguaje natural en una caja municipal de Áncash y su efecto en el tiempo de primera respuesta, 2026CuantitativoDificultad mediaPregrado
Variables
  • Asistente conversacional
  • Tiempo de primera respuesta y consultas resueltas sin derivación
Diseño
Preexperimental
Fuente de datos
Registros del canal de atención antes y después de la implementación, con autorización de la entidad
Software
Python y Rasa

¿Te sirve esta idea? Escríbenos al WhatsApp y revisamos tu caso sin costo.

Escríbenos al WhatsApp

Ejemplos desarrollados

3 temas armados de principio a fin.

Así se ve una idea convertida en proyecto: problema, objetivo, hipótesis, variables, diseño, población y muestra, instrumento y prueba estadística.

01Detección y conteo de frutos de arándano con YOLO para estimar el rendimiento por planta en un fundo agroexportador de La Libertad, 2026
Problema

¿Qué nivel de precisión alcanza un modelo YOLO en la detección y el conteo de frutos de arándano para estimar el rendimiento por planta en un fundo agroexportador de La Libertad en 2026?

Objetivo

Evaluar la precisión de un modelo de detección basado en YOLO para contar frutos de arándano y estimar el rendimiento por planta en un fundo agroexportador de La Libertad, 2026.

Hipótesis

El modelo YOLO ajustado con imágenes del fundo alcanza un mAP@0,5 igual o superior a 0,85 y un error absoluto medio de conteo menor al 10 % frente al conteo manual por planta.

Variables

Variable independiente: modelo de detección (versión de YOLO, tamaño de imagen de entrada y técnicas de aumento de datos).

Variable dependiente: desempeño del modelo, medido con precisión, exhaustividad y mAP@0,5 en el conjunto de prueba, y error absoluto medio entre el conteo automático y el conteo manual por planta.

Diseño

Enfoque cuantitativo, tipo aplicado, nivel explicativo, diseño experimental con comparación de configuraciones del modelo.

Población y muestra

Población: plantas de arándano en producción de un lote del fundo.

Muestra: 1 200 imágenes de 60 plantas seleccionadas por muestreo aleatorio sistemático, divididas en 70 % entrenamiento, 15 % validación y 15 % prueba; 30 plantas adicionales con conteo manual completo para validar la estimación de rendimiento.

Instrumento

Protocolo de captura de imágenes (distancia, hora y ángulo), herramienta de etiquetado con guía de anotación revisada por un ingeniero agrónomo, ficha de conteo manual por planta y registros de métricas generados por el propio entrenamiento.

Prueba estadística

Métricas de detección (precisión, exhaustividad, mAP@0,5 y mAP@0,5:0,95); error absoluto medio y error porcentual del conteo; correlación de Pearson o Spearman y gráfico de Bland-Altman entre el conteo automático y el manual.

02Uso de inteligencia artificial generativa y desempeño en programación de estudiantes de Ingeniería de Sistemas de una universidad de Chiclayo, 2026
Problema

¿Qué relación existe entre el uso de inteligencia artificial generativa y el desempeño en programación de los estudiantes de Ingeniería de Sistemas de una universidad de Chiclayo en 2026?

Objetivo

Determinar la relación entre el uso de inteligencia artificial generativa y el desempeño en programación de los estudiantes de Ingeniería de Sistemas de una universidad de Chiclayo, 2026.

Hipótesis

El uso de la inteligencia artificial generativa como apoyo para comprender errores y conceptos se relaciona positivamente con el desempeño en programación, mientras que su uso para obtener soluciones completas se relaciona negativamente.

Variables

Variable 1: uso de inteligencia artificial generativa (dimensiones: frecuencia, uso para explicación de conceptos, uso para depuración y uso para generar soluciones completas).

Variable 2: desempeño en programación (nota de dos evaluaciones prácticas presenciales sin acceso a internet).

Diseño

Enfoque cuantitativo, nivel correlacional, diseño no experimental de corte transversal.

Población y muestra

Población: 310 estudiantes matriculados en cursos de programación del segundo al cuarto ciclo.

Muestra: 172 estudiantes, calculada para población finita con 95 % de confianza y 5 % de error, seleccionados por muestreo aleatorio estratificado por ciclo.

Instrumento

Cuestionario de uso de inteligencia artificial generativa con escala de Likert, validado por juicio de cinco expertos (V de Aiken) y con confiabilidad por omega de McDonald en una prueba piloto con 30 estudiantes; registro de notas de evaluaciones prácticas proporcionado por la escuela con consentimiento de los estudiantes.

Prueba estadística

Prueba de normalidad de Kolmogorov-Smirnov; correlación de Spearman entre cada dimensión de uso y el desempeño; regresión lineal múltiple para estimar el aporte de cada dimensión controlando por ciclo y promedio ponderado previo.

03Clasificación de eventos sísmicos del volcán Misti con aprendizaje profundo a partir del catálogo del IGP, 2026
Problema

¿Qué arquitectura de aprendizaje profundo clasifica con mayor exactitud los eventos sísmicos del volcán Misti registrados en el catálogo del IGP?

Objetivo

Comparar el desempeño de arquitecturas de aprendizaje profundo en la clasificación de los eventos sísmicos del volcán Misti a partir del catálogo publicado por el IGP en la Plataforma Nacional de Datos Abiertos, 2026.

Hipótesis

Una red convolucional entrenada con espectrogramas de la señal supera en F1 macro a un modelo de bosque aleatorio con atributos manuales en la clasificación de los tipos de eventos volcánicos.

Variables

Variable independiente: modelo de clasificación (bosque aleatorio con atributos de la señal, red convolucional con espectrogramas y red recurrente con la señal en el tiempo).

Variable dependiente: desempeño de clasificación medido con exactitud, F1 por clase y F1 macro.

Diseño

Enfoque cuantitativo, tipo aplicado, nivel explicativo, diseño experimental comparativo con validación cruzada estratificada.

Población y muestra

Población: todos los eventos registrados en el catálogo de eventos sísmicos del volcán Misti publicado por el IGP.

Muestra: los eventos con etiqueta de tipo y datos completos, divididos por fecha en entrenamiento, validación y prueba para evitar fuga de información temporal.

Instrumento

No se aplica instrumento propio: se usa el catálogo oficial del IGP descargado de la Plataforma Nacional de Datos Abiertos, un protocolo de preprocesamiento documentado en un cuaderno reproducible de Python y una ficha de registro de experimentos con hiperparámetros y semillas.

Prueba estadística

Matriz de confusión y métricas por clase; prueba de McNemar para comparar los errores de los dos mejores modelos sobre el mismo conjunto de prueba; prueba de Friedman con post hoc de Nemenyi para comparar los tres modelos en los pliegues de validación cruzada.

Cómo elegir

Cómo elegir tu tema.

  • 01Primero el dataset, después el modelo

    Una tesis de inteligencia artificial vive o muere por sus datos. Antes de elegir el algoritmo, confirma que tienes suficientes ejemplos etiquetados: imágenes que tú mismo puedes tomar, datos abiertos del SENAMHI, del IGP o del INEI, o una base de una empresa con acuerdo de confidencialidad. Si necesitas etiquetar miles de imágenes a mano, calcula ese tiempo en tu cronograma.

  • 02Revisa la capacidad de cómputo

    Entrenar una red profunda desde cero exige GPU. Para pregrado, el transfer learning con modelos preentrenados y entornos en la nube con GPU sin costo suele bastar. Con Python tienes todo el ecosistema: scikit-learn, PyTorch, TensorFlow y Hugging Face; para detección de objetos, YOLO es la opción más usada en tesis peruanas.

  • 03Cuida la ética y los datos personales

    Si trabajas con imágenes médicas, voces, rostros o datos de clientes, necesitas anonimización, autorización de la institución y, en salud, aprobación del comité de ética. El DS N° 016-2024-JUS de datos personales y el DS N° 115-2025-PCM de inteligencia artificial piden supervisión humana y transparencia en usos de riesgo alto.

  • 04Lo que pide el jurado

    Que compares tu modelo con una línea base, que reportes métricas adecuadas al problema (precisión, exhaustividad, F1, mAP, error absoluto medio), que separes bien los datos de entrenamiento, validación y prueba, y que el resultado resuelva un problema real de una organización o comunidad peruana, no solo que alcance un buen número.

Temas saturados

Temas saturados que conviene evitar.

  • Clasificar dígitos, flores iris o el Titanic

    Son ejercicios de curso, no tesis. Si el dataset es famoso y el resultado ya está publicado en internet, el jurado lo nota al instante. Usa datos peruanos propios o abiertos y un problema con usuario real.

  • Chatbot genérico de preguntas frecuentes

    Un bot que responde cinco preguntas fijas ya no es inteligencia artificial que impresione. Si haces un asistente, dale una base documental real, mide la exactitud de sus respuestas y compáralo con la atención actual.

  • Detección de mascarillas o de emociones faciales

    Fueron temas de moda y hay cientos de repositorios con el código listo. Además, el análisis de emociones con rostros toca datos biométricos y exige un tratamiento ético que pocas tesis resuelven bien.

  • Comparar algoritmos sin una pregunta

    Probar diez clasificadores sobre un dataset y elegir el de mayor exactitud no es una investigación. Plantea por qué esperas que uno funcione mejor y valida que la diferencia sea significativa.

  • Predicción de precios de acciones o criptomonedas

    Muy repetido y con resultados poco útiles. Si te gustan las series de tiempo, aplícalas a demanda eléctrica, lluvias o atenciones de salud, donde los datos peruanos existen y el resultado sirve.

Errores

Errores al elegir el tema.

  • Elegir el modelo antes de tener los datos

    Muchos estudiantes se entusiasman con una red de última generación y luego descubren que solo tienen 200 imágenes. Asegura el dataset, su tamaño y su etiquetado antes de presentar el proyecto.

  • Fuga de información entre entrenamiento y prueba

    Mezclar fotos de la misma planta, del mismo paciente o del mismo día en ambos conjuntos infla las métricas. El jurado pregunta cómo dividiste los datos: sepáralos por sujeto o por fecha.

  • Reportar solo la exactitud

    En datos desbalanceados, como fraude o enfermedades poco frecuentes, una exactitud de 98 % puede esconder un modelo que no detecta nada. Reporta exhaustividad, precisión, F1 y la matriz de confusión.

  • Ignorar la ética y la norma peruana

    Usar imágenes médicas, voces o datos de clientes sin anonimizar ni pedir autorización es una observación grave. Cita el DS N° 016-2024-JUS y el DS N° 115-2025-PCM y explica cómo garantizas la supervisión humana.

  • Un modelo que nadie usará

    La tesis gana fuerza cuando el resultado se integra a un proceso real: una aplicación, un tablero o una recomendación que un profesional revisa. Piensa desde el inicio quién usará tu modelo y cómo.

Cuéntanos tu idea por WhatsApp y la convertimos contigo en un tema aprobable. Escríbenos al WhatsApp y revisamos tu caso sin costo.

Escríbenos al WhatsApp

Sigue

Lo que necesitas después del tema.

Preguntas

Preguntas sobre los temas de tesis de Inteligencia Artificial y Machine Learning.

¿Necesito una computadora con GPU para una tesis de inteligencia artificial?

No necesariamente. Con transfer learning y modelos preentrenados puedes entrenar en entornos en la nube que ofrecen GPU sin costo por sesiones. Solo si vas a entrenar redes grandes desde cero o con miles de imágenes de alta resolución conviene una GPU propia o un servicio pagado por horas.

¿Qué datasets peruanos puedo usar para machine learning?

Los de la Plataforma Nacional de Datos Abiertos, como el catálogo de eventos sísmicos del volcán Misti publicado por el IGP; las series de lluvia y temperatura del SENAMHI; los microdatos de la ENAHO y los resultados de los Censos Nacionales 2025 del INEI. También puedes construir tu propio dataset con fotos, audios o textos, siempre con consentimiento.

¿Una tesis de inteligencia artificial tiene que cumplir la Ley N° 31814?

Si tu sistema se va a usar en una organización, sí conviene alinearlo con la Ley N° 31814 y su reglamento, el DS N° 115-2025-PCM, vigente desde el 22 de enero de 2026. En usos de riesgo alto, como salud, educación o finanzas, el reglamento pide supervisión humana y transparencia hacia el usuario. Mencionarlo en tu marco legal fortalece la tesis.

¿Es mejor YOLO u otra arquitectura para detección de objetos?

YOLO es la opción más práctica para tesis porque es rápida, tiene buena documentación y funciona en tiempo real incluso en equipos modestos. Si tu problema exige segmentar el contorno exacto del objeto o detectar objetos muy pequeños, compara YOLO con otra arquitectura y justifica tu elección con métricas.

¿Puedo hacer una tesis de inteligencia artificial cualitativa?

Sí, cuando la pregunta es sobre personas y organizaciones, no sobre el modelo. Por ejemplo, cómo perciben los médicos la supervisión de herramientas de diagnóstico o qué obstáculos tienen las entidades para designar a su Oficial de Inteligencia Artificial. En ese caso trabajas con entrevistas y Atlas.ti.

Fuentes

Normas y datos citados.

Ver las 14 fuentes consultadas
  1. gob.pe
  2. cuatrecasas.com
  3. elperuano.pe
  4. garrigues.com
  5. img.lpderecho.pe
  6. img.lpderecho.pe
  7. elperuano.pe
  8. proactivo.com.pe
  9. senamhi.gob.pe
  10. gob.pe
  11. inei.gob.pe
  12. gob.pe
  13. telesemana.com
  14. congreso.gob.pe

Ya tienes ideas. Ahora armemos tu tema.

Escríbenos al WhatsApp y revisamos tu caso sin costo. Te respondemos en menos de 15 minutos, de 8:00 a.m. a 9:00 p.m., todos los días.

Escríbenos al WhatsApp
Revisamos tu caso sin costo
Revisamos tu caso sin costo