Asunto: Detección no supervisada de anomalías en presupuestos de expedientes de ejecución de obras públicas educativas (SEACE)

Integrantes:

• Paul Bazán Hurtado
• Elías Oliver Díaz Cahuana
• Arturo Solís Flores
• Miguel Angel Tasayco Martinez

Resumen:
La revisión manual de presupuestos en obras públicas resulta insuficiente frente a la heterogeneidad de los proyectos y la complejidad de la estructura de costos. Este trabajo presenta un enfoque de aprendizaje no supervisado para la detección temprana de presupuestos potencialmente atípicos en obras públicas educativas, a partir de registros del SEACE. Se construyen variables agregadas y ratios normalizados basados en el costo directo y sus componentes, que permiten la comparabilidad entre proyectos de distinta escala. Sobre estas características se aplican algoritmos de clustering (K-Means, DBSCAN y clustering jerárquico) y un detector de anomalías (Isolation Forest), evaluando la calidad de los resultados mediante métricas internas de agrupamiento y visualización con PCA. Los resultados esperados incluyen la identificación de patrones estructurales de costos, la detección de comportamientos atípicos y la construcción de un índice de riesgo para priorizar expedientes, evidenciando el valor de las técnicas de Inteligencia Artificial como herramienta de apoyo al control técnico y a la toma de decisiones en la gestión de obras públicas.

Keywords:
SEACE, presupuesto, expediente de ejecución, costo directo, detección de anomalías, clustering, aprendizaje no supervisado.





https://github.com/MiguelTasayco/Proyec ... e-Learning