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 01Visión 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
¿Te sirve esta idea? Escríbenos al WhatsApp y revisamos tu caso sin costo.
Escríbenos al WhatsApp02Conteo 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
¿Te sirve esta idea? Escríbenos al WhatsApp y revisamos tu caso sin costo.
Escríbenos al WhatsApp03Reconocimiento 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
¿Te sirve esta idea? Escríbenos al WhatsApp y revisamos tu caso sin costo.
Escríbenos al WhatsApp04Detección 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
¿Te sirve esta idea? Escríbenos al WhatsApp y revisamos tu caso sin costo.
Escríbenos al WhatsApp05Clasificación 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 WhatsApp06Detección 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
¿Te sirve esta idea? Escríbenos al WhatsApp y revisamos tu caso sin costo.
Escríbenos al WhatsAppLínea 02Procesamiento 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 WhatsApp08Traducción 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 WhatsApp09Análisis 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 WhatsApp10Clasificación 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 WhatsApp11Reconocimiento 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 WhatsApp12Detección 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 WhatsAppLínea 03Aprendizaje 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 WhatsApp14Predicción 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 WhatsApp15Predicción 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 WhatsApp16Modelo 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 WhatsApp17Agrupamiento 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
¿Te sirve esta idea? Escríbenos al WhatsApp y revisamos tu caso sin costo.
Escríbenos al WhatsApp18Pronóstico 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 WhatsAppLínea 04Inteligencia 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 WhatsApp20Clasificación 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
¿Te sirve esta idea? Escríbenos al WhatsApp y revisamos tu caso sin costo.
Escríbenos al WhatsApp21Modelo 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 WhatsApp22Asistente 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 WhatsApp23Estimación 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 WhatsApp24Percepción 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 WhatsAppLínea 05Inteligencia 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 WhatsApp26Tutor 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
¿Te sirve esta idea? Escríbenos al WhatsApp y revisamos tu caso sin costo.
Escríbenos al WhatsApp27Predicción 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 WhatsApp28Exactitud 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
¿Te sirve esta idea? Escríbenos al WhatsApp y revisamos tu caso sin costo.
Escríbenos al WhatsApp29Calificación 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
¿Te sirve esta idea? Escríbenos al WhatsApp y revisamos tu caso sin costo.
Escríbenos al WhatsApp30Sistema 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 WhatsAppLínea 06Gobernanza, 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
¿Te sirve esta idea? Escríbenos al WhatsApp y revisamos tu caso sin costo.
Escríbenos al WhatsApp32Inventario 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
¿Te sirve esta idea? Escríbenos al WhatsApp y revisamos tu caso sin costo.
Escríbenos al WhatsApp33Auditoría 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 WhatsApp34Flujo 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 WhatsApp35Preparación 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 WhatsApp36Efecto 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
¿Te sirve esta idea? Escríbenos al WhatsApp y revisamos tu caso sin costo.
Escríbenos al WhatsAppLínea 07Inteligencia 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 WhatsApp38Detección 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 WhatsApp39Detección 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 WhatsApp40Sistema 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 WhatsApp41Predicción 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 WhatsApp42Asistente 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 WhatsAppNo hay ideas con esos filtros en esta página. Escríbenos al WhatsApp y revisamos tu caso sin costo.
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 WhatsAppSigue
Lo que necesitas después del tema.
Tu carrera y tu sustentación
Plantillas sin costo
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.
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