Aplicación de herramientas de Machine Learning para la detección de ataques cibernéticos

doi:10.22167/2675-6528-202602736

Artículo

30 de septiembre de 2026

Aplicación de herramientas de Machine Learning para la detección de ataques cibernéticos

Aplicación de Herramientas de Machine Learning para la Detección de Ataques Cibernéticos

Bruno Holzwarth Nunes de Carvalho; Adriano de Freitas Fernandes

DOI: 10.22167/2675-6528-202602736

Artículo derivado del Trabajo de Conclusión de Curso (TCC), con contenido basado en el trabajo original del alumno y adaptado al formato editorial de la Revista E&S con el apoyo de la herramienta ResumeAI, solución de inteligencia artificial desarrollada por el Instituto Pecege para síntesis y organización textual.

Resumen

La evolución tecnológica y la popularización de internet han intensificado la importancia estratégica de los datos, pero también han resultado en ataques cibernéticos más sofisticados y costosos. En este contexto, el monitoreo de patrones conductuales y de origen se ha vuelto esencial para la resiliencia contra tácticas de evasión. El trabajo tuvo como objetivo obtener alta precisión en la detección de intrusiones mediante modelos de aprendizaje automático basados en eventos de hábitos de usuarios en sitios web. Se utilizó un conjunto de datos con 9.357 registros de logs, que pasó por limpieza, tratamiento de datos nulos, normalización y codificación de variables categóricas. Se realizaron diagnósticos estadísticos, como el Coeficiente de Correlación de Pearson y la Prueba t de Student, para la selección de atributos. Luego, se entrenaron algoritmos de Regresión Logística, Árbol de Decisión y Gradient Boosting, con optimización de hiperparámetros vía Grid Search. El Gradient Boosting se consolidó como el modelo de mejor desempeño, alcanzando una precisión de 0,887 y ROC-AUC de 0,878. El clasificador identificó correctamente 640 instancias de ataque en el conjunto de prueba, demostrando un equilibrio ideal entre precisión y sensibilidad. Se concluyó que la integración de señales conductuales con algoritmos de ensemble es una estrategia eficaz para la detección de anomalías en entornos virtuales. El modelo demostró alta capacidad de generalización y estabilidad, validando su aplicabilidad para el monitoreo de seguridad en tiempo real.

Palabras clave: Aprendizaje Automático; Ciberseguridad; Comportamiento del Usuario; Detección de Intrusiones; Gradient Boosting.

1. Introducción

La década de 1990 marcó un período de transformación global con el advenimiento de la World Wide Web, un proyecto concebido por Tim Berners-Lee en el CERN, en Ginebra, Suiza (Miranda, 2024). Esta innovación impulsó la unificación del mundo en términos de intercambio de información y conocimiento, disolviendo barreras geográficas y popularizando internet. Correos electrónicos, salas de chat y redes sociales emergieron como nuevos espacios de interacción virtual (Lins, 2013). Con la cuarta evolución industrial, caracterizada por elementos como la computación en la nube, el internet de las cosas (IoT) y la inteligencia artificial (Mendonça et al., 2018), el mercado de datos se consolidó como un activo estratégico, a menudo referido como el “nuevo petróleo”, exigiendo que las organizaciones se orienten por datos para optimizar su rendimiento.

Sin embargo, la creciente dependencia de los datos y la expansión del entorno digital no están exentas de vulnerabilidades. Los ciberataques, perpetrados por individuos malintencionados conocidos como hackers, representan una amenaza constante, capaces de interferir, alterar, robar información sensible e incluso paralizar operaciones comerciales. La complejidad y el costo de estos ataques son significativos; el Informe sobre el costo de las violaciones de datos 2025, de IBM, señala que el 45% de las violaciones de datos a principios de los años 2000 fueron causadas por dispositivos perdidos o robados (IBM, 2025).

Con la evolución de la inteligencia artificial, los ataques cibernéticos se han vuelto aún más sofisticados y difíciles de detectar. Un ejemplo es el Envenenamiento de Datos (Data Poisoning), donde datos dañinos se inyectan en bases de entrenamiento de herramientas de IA, lo que resulta en información confidencial comprometida. El costo promedio global para mitigar estos ataques es de 4,44 millones de dólares por violación, lo que subraya la urgencia de desarrollar prácticas efectivas para combatir estos nuevos enfoques de infracción de seguridad, incluida la integración de seguridad y gobernanza de IA en las empresas (IBM, 2025).

En este contexto, la detección de amenazas no puede limitarse al análisis de firmas de ataques ya conocidos. Es imperativo el monitoreo continuo de patrones conductuales y de origen (Alsheri, 2023). Variables como la reputación de la dirección IP son cruciales para identificar conexiones de fuentes asociadas a botnets o spam (Shewale y Deshpande, 2021). De igual manera, el monitoreo de accesos en horarios inusuales sirve como una alerta para intentos de intrusión que explotan períodos de menor vigilancia (Sperotto, 2010). La integración de estos indicadores mejora la resiliencia de los sistemas de seguridad, y las herramientas de Machine Learning emergen como soluciones eficaces para identificar comportamientos maliciosos (Souza y Arima, 2024).

La necesidad de monitorear patrones de comportamiento y de origen es fundamental para la resiliencia contra tácticas furtivas de evasión, justificando la relevancia de esta investigación. El objetivo general de este trabajo es desarrollar y validar modelos de Machine Learning de alto rendimiento para la detección asertiva de ataques cibernéticos, fundamentándose en el análisis de patrones de comportamiento y hábitos digitales de usuarios en sitios web para garantizar una robusta capacidad discriminatoria entre el tráfico legítimo y los intentos de intrusión.

2. Material y Métodos

La investigación se caracterizó como un estudio de naturaleza cuantitativa y enfoque aplicado, centrado en el desarrollo y validación de modelos de Machine Learning para la detección de ciberataques. El objeto empírico consistió en una base de datos secundaria, obtenida a través de la plataforma Kaggle, que contiene registros de comportamiento de usuarios en entornos virtuales. Este conjunto de datos totalizó 9.357 registros y 11 variables originales, abarcando información conductual de los usuarios y estadísticas de tráfico de internet.

Las variables técnicas incluyeron el tamaño del paquete de red, el tipo de protocolo de comunicación (TCP, UDP e ICMP), el método de cifrado utilizado (AES, DES y ninguno) y el tipo de navegador. En el ámbito del comportamiento del usuario y la seguridad, se monitorizaron los intentos de inicio de sesión, el número de fallos de autenticación, la duración total de la sesión, la puntuación de reputación de la dirección IP y la ocurrencia de accesos en horarios atípicos. La variable objetivo para el aprendizaje automático supervisado fue la detección de ataques, una clasificación binaria donde 0 indicó ausencia y 1 indicó presencia de ataque.

Tras la carga, los datos se sometieron a un proceso de limpieza y diagnóstico de calidad. Se identificó la presencia de 1.966 registros nulos en la variable encryption_used (20,61% de la muestra). Para el tratamiento, se aplicó el método one-hot encoding, que convirtió las categorías en variables binarias, tratando los valores nulos como ausencia de patrones de seguridad y preservando el volumen de datos. Los valores atípicos en seis columnas numéricas, como acceso en horario inusual (14,99%) y fallos de inicio de sesión (3,39%), se mantuvieron como señales potenciales de amenaza, no siendo tratados como errores de recopilación.

Para viabilizar el procesamiento computacional, se utilizó el método StandardScaler para normalizar los datos, ajustando la escala de las variables a una media de cero y una varianza unitaria. El conjunto de datos se dividió entonces en tres subconjuntos para una validación robusta: 64% para entrenamiento, 16% para validación y 20% para prueba, manteniendo la proporción de la variable objetivo en todas las etapas. Para la selección de atributos, se realizaron procedimientos estadísticos de diagnóstico, incluyendo el Coeficiente de Correlación de Pearson y la Prueba t de Student.

El Coeficiente de Correlación de Pearson evaluó la relación lineal entre atributos numéricos y la variable objetivo, revelando que fallos de inicio de sesión, intentos de inicio de sesión y puntuación de reputación de IP presentaron correlaciones relevantes. La prueba t de Student confirmó que fallos de inicio de sesión y puntuación de IP poseían distinciones estadísticas claras (valor p < 0,05) entre grupos de tráfico legítimo y malicioso. Para las variables categóricas, se utilizó la Prueba Chi-Cuadrado de Independencia, que validó la dependencia estadísticamente significante del tipo de navegador con la variable objetivo (valor p de 1,5983e-36). La selección final de atributos priorizó indicadores que combinan intención y contexto.

En el desarrollo de los modelos de Machine Learning, se implementaron los algoritmos de Regresión Logística, Árbol de Decisión y Gradient Boosting. Los scripts se desarrollaron en Python, con la asistencia de la inteligencia artificial generativa Claude (Anthropic) para la codificación y sugerencia de parámetros. El conjunto de entrenamiento, compuesto por 6.103 registros, se utilizó para generar los pesos internos de los algoritmos. La optimización de hiperparámetros se realizó mediante Grid Search con validación cruzada (5-fold), probando 96 combinaciones distintas. Para el modelo de Gradient Boosting, los parámetros optimizados incluyeron una tasa de aprendizaje de 0,05, una profundidad máxima de 6, un número de estimadores de 100 y un mínimo de muestras para la división de 15. El F1-Score fue el principal criterio de optimización.

Para evaluar la eficacia de los modelos, se emplearon métricas de rendimiento como precisión, exactitud, sensibilidad, F1-Score y el área bajo la curva ROC-AUC. La validación cruzada (5-fold) garantizó la capacidad de generalización de los modelos en diferentes particiones de los datos. Se generaron matrices de confusión para cuantificar falsos positivos y falsos negativos, y la curva ROC se utilizó para visualizar el rendimiento de los clasificadores en diferentes umbrales de decisión, consolidando la elección del modelo con mejor equilibrio predictivo.

3. Resultados y Discusión

La presente sección detalla los resultados obtenidos en la investigación y los discute a la luz del objetivo de desarrollar modelos de aprendizaje automático de alto rendimiento para la detección de ataques cibernéticos, basándose en patrones conductuales y hábitos digitales de los usuarios. Los hallazgos revelan la eficacia de enfoques de Machine Learning, especialmente algoritmos de ensemble, en la identificación de anomalías en entornos virtuales. El análisis abarca desde la caracterización de la base de datos hasta el rendimiento comparativo de los modelos, pasando por la selección de atributos y la interpretación de las métricas de evaluación, consolidando la capacidad discriminatoria entre tráfico legítimo e intrusiones.

Análisis Descriptivo de la Base de Datos

La base de datos utilizada para el estudio comprendió 9.537 registros de logs de comportamiento de usuarios en entornos virtuales, proporcionando un volumen sustancial para el análisis de seguridad. La variable objetivo, `attack_detected`, que indica la presencia o ausencia de ataque, presentó una distribución de 5.273 registros (55,29%) clasificados como accesos legítimos y 4.264 registros (44,71%) identificados como ataques cibernéticos. Esta proporción, aproximadamente 1.2:1 entre tráfico normal y ataque, se considera estadísticamente equilibrada para el entrenamiento de modelos de aprendizaje automático supervisado.

En escenarios reales de monitoreo de red, es común observar un desbalanceo severo, donde los ataques representan una fracción mínima del tráfico total, frecuentemente menos del 1%. La distribución equilibrada encontrada en este estudio, con una presencia significativa del 44,71% de registros de ataque, permitió que los algoritmos de clasificación, como el Gradient Boosting, aprendieran las características de ambas clases de forma robusta. Esta característica evitó la necesidad de aplicar técnicas artificiales de muestreo, como sobremuestreo o submuestreo, para balancear las clases durante el entrenamiento de los modelos, simplificando el proceso y garantizando la representatividad de los datos originales.

El análisis de las razones de intrusión dentro del grupo de ataques reveló una predominancia del protocolo TCP, que fue el más frecuente, correspondiendo a 2.963 registros (69,49%). Seguidamente, el protocolo UDP fue responsable de 1.092 registros (25,61%) y el ICMP de 209 registros (4,90%). Esta distribución porcentual de los ataques cibernéticos por tipo de protocolo de comunicación destaca al TCP como el principal vector de actividades maliciosas en el conjunto de datos. La prevalencia del TCP en actividades maliciosas refuerza la necesidad de mecanismos de defensa enfocados en vulnerabilidades de conexión y sesiones de larga duración, que son características de este protocolo.

Diagnóstico de Calidad y Tratamiento de Datos

El proceso de diagnóstico y limpieza de datos fue crucial para garantizar la calidad y la integridad del conjunto. El análisis inicial identificó la presencia de 1.966 registros nulos en la variable `encryption_used`, lo que corresponde al 20,61% de la muestra total. En el contexto de la ciberseguridad, la ausencia de información sobre cifrado puede ser un indicador relevante, sugiriendo tráfico no cifrado intencionalmente o registros de sistemas heredados. Para tratar estos valores nulos y evitar sesgos en el entrenamiento, se aplicó la técnica de One-Hot Encoding, convirtiendo las categorías (AES y DES) en variables binarias y tratando los nulos como la ausencia de ambos patrones de seguridad, preservando el volumen de datos.

La detección de anomalías estadísticas reveló la presencia de valores atípicos en seis variables numéricas del conjunto de datos. La variable `unusual_time_access` (acceso en horario inusual) fue la más impactada, con 1.430 casos atípicos, lo que representa el 14,99% de los datos. Otras variables con índices significativos de valores atípicos incluyeron `session_duration` (4,38%) y `failed_logins` (3,39%). En un escenario de detección de intrusiones, estos valores extremos no fueron considerados errores de recolección, sino señales activas de amenaza. Por ejemplo, sesiones con duración extrema, alcanzando hasta 7.190 segundos, o picos de fallos de autenticación son comportamientos típicos de ataques de fuerza bruta o exfiltración de datos, justificando el mantenimiento de estos datos para que los modelos pudieran aprender los límites del tráfico malicioso.

Para viabilizar el procesamiento computacional y garantizar que la disparidad entre las escalas numéricas de las variables no generara sesgos, se utilizó el método One-Hot Encoding para transformar variables categóricas como `protocol_type`, `encryption_used` y `browser_type` en variables métricas. Este procedimiento expandió el conjunto de datos de 11 a 18 columnas, permitiendo un análisis más detallado. Adicionalmente, se aplicó el método StandardScaler para la normalización de los datos, ajustando la escala de las variables a media cero y varianza unitaria. Esta estandarización fue importante para el pipeline, incluso si los modelos basados en árboles no son tan sensibles a la escala, asegurando que variables de menor magnitud, pero alta significancia estadística, tuvieran el mismo peso predictivo que atributos con valores brutos elevados.

Finalmente, para asegurar una validación robusta de los resultados, el conjunto de datos se dividió en tres subconjuntos: entrenamiento (64%), validación (16%) y prueba (20%). Esta división se realizó de manera que se garantizara que la proporción de la variable objetivo se mantuviera en todas las etapas de la experimentación. El mantenimiento de la proporción de la variable objetivo en cada subconjunto es fundamental para evitar que el modelo sea entrenado con un sesgo de clase, lo que podría comprometer su capacidad de generalización y su rendimiento en datos no vistos.

Resultados de los Procedimientos Estadísticos y Selección de Atributos

La aplicación de procedimientos de estadística inferencial y diagnóstica fue fundamental para validar científicamente las variables con mayor poder discriminatorio en la detección de anomalías. El Coeficiente de Correlación de Pearson reveló que las variables conductuales presentaron las asociaciones más fuertes con la ocurrencia de ataques (`attack_detected`). Destacaron el número de fallos de inicio de sesión (`failed_logins`), con un coeficiente de 0,3637, y los intentos de inicio de sesión (`login_attempts`), con 0,2773. Estos resultados corroboran la premisa de que el comportamiento de autenticación es una de las señales más claras de intentos de invasión, como ataques de fuerza bruta o credential stuffing, proporcionando una base sólida para la inclusión de estas variables en los modelos predictivos.

La prueba t de Student para muestras independientes confirmó la significancia estadística de las variables numéricas. Las fallas de inicio de sesión presentaron la mayor significancia estadística, con un valor p de 3,44e-296, seguidas por los intentos de acceso (valor p de 5,98e-168) y por el puntaje de reputación de la IP (valor p de 6,24e-97). La media de fallas de inicio de sesión para accesos con ataque fue de 1.9360, comparada con 1.1796 para accesos sin ataque. Para intentos de inicio de sesión, la media con ataque fue 4.6374, contra 3.5426 sin ataque. La reputación de la IP con ataque tuvo una media de 0.3730, mientras que sin ataque fue 0.2976. Estos resultados demuestran diferencias claras y estadísticamente significativas entre los grupos de tráfico legítimo y malicioso, validando la inclusión de estos indicadores en los modelos.

La relevancia estadística de la reputación de la IP indica que el historial del origen de la conexión es un predictor robusto, permitiendo al modelo identificar de antemano el tráfico proveniente de infraestructuras maliciosas conocidas. En contraste, variables técnicas como el tamaño del paquete de red (`network_packet_size`) y los accesos en horarios inusuales (`unusual_time_access`) no presentaron diferencias de media estadísticamente significativas en esta muestra específica, con p-valores de 0,506 y 0,398, respectivamente. La media del tamaño del paquete de red fue de 498.9311 con ataque y 501.6433 sin ataque. Para acceso en horario inusual, la media con ataque fue 0.1534 y sin ataque 0.1472. Estos resultados sugieren que, aisladamente, estos factores pueden no ser suficientes para la clasificación de ataques, aunque puedan contribuir en conjunto con otros atributos.

En relación con las variables categóricas, la Prueba Chi-Cuadrado de Independencia validó que el tipo de navegador (`browser_type`) poseía una dependencia estadísticamente significativa con la variable objetivo, con un p-valor de 1,5983e-36. Por otro lado, las variables de protocolo de comunicación (`protocol_type`) y cifrado (`encryption_used`), cuando se analizaron de forma aislada, no alcanzaron el umbral de significancia de 0,05 en la muestra estudiada, con p-valores de 2,2985e-01 y 1,6237e-01, respectivamente. Esta síntesis estadística fundamentó la selección final de atributos, priorizando indicadores que combinan intención (fallos de inicio de sesión) y contexto (reputación de IP y tipo de navegador), garantizando que los modelos se concentraran en las señales de amenaza con mayor validez científica y poder discriminatorio.

Desempeño Comparativo de los Modelos

La evaluación experimental comparó la eficacia de los algoritmos de Regresión Logística, Árbol de Decisión y Gradient Boosting en la tarea de clasificación de intrusiones, evidenciando disparidades significativas de rendimiento. El modelo de Regresión Logística, establecido como baseline estadístico, presentó el rendimiento más modesto en el conjunto de prueba, con una precisión de 0,716 y un F1-Score de 0,717. El análisis de residuos de este modelo reveló distribuciones no aleatorias, comprobando estadísticamente la insuficiencia de una frontera de decisión lineal para capturar la complejidad de las amenazas cibernéticas modernas. Su área bajo la curva ROC (AUC) fue de 0,7869, indicando una capacidad discriminatoria moderada.

La matriz de confusión del modelo de Regresión Logística en el conjunto de prueba reveló que 768 accesos legítimos fueron clasificados correctamente (verdaderos negativos), mientras que 287 accesos legítimos fueron clasificados erróneamente como ataques (falsos positivos). En relación con los ataques, 599 instancias fueron identificadas correctamente (verdaderos positivos), pero 254 ataques fueron clasificados incorrectamente como legítimos (falsos negativos). La precisión del modelo de Regresión Logística en los conjuntos de entrenamiento, validación y prueba fue de 0,7323, 0,7392 y 0,7165, respectivamente, lo que indica una consistencia razonable, pero con un rendimiento inferior a los modelos más complejos.

Por otro lado, el Árbol de Decisión demostró una evolución sustancial en la capacidad predictiva, alcanzando una precisión de 0,8816 en el conjunto de prueba. Este salto cualitativo indica que la estructura de decisiones jerárquicas del algoritmo es más apta para mapear las reglas condicionales que separan accesos legítimos de actividades maliciosas. La precisión del Árbol de Decisión en los conjuntos de entrenamiento y prueba fue de 0,8987 y 0,8816, respectivamente, evidenciando un buen desempeño y capacidad de generalización. Esta mejora se debe a la capacidad de los árboles de decisión de capturar interacciones no lineales entre las variables, lo cual es crucial en escenarios de ciberseguridad.

El algoritmo Gradient Boosting (GB) se ha consolidado como la solución de mayor rendimiento, alcanzando una precisión de 0,887 en el conjunto de prueba y superando a los demás modelos en todas las métricas de evaluación. La superioridad del Gradient Boosting se atribuye a su naturaleza de Ensemble Learning, que combina múltiples árboles de decisión débiles para formar un clasificador robusto. Este enfoque es capaz de mapear interacciones no lineales complejas entre las variables, como la correlación entre fallos de inicio de sesión y reputación de IP, que son difíciles de capturar por modelos lineales. Mientras que los modelos lineales fallan en zonas de incertidumbre donde el tráfico legítimo y las intrusiones se superponen, el GB demostró una eficacia superior en la captura de estos matices de comportamiento, garantizando una detección más resiliente contra ataques sigilosos.

Análisis de Métricas, Matriz de Confusión y AUC-ROC

El análisis detallado de las métricas de rendimiento para el modelo final de Gradient Boosting reveló un equilibrio estadístico ideal para operaciones de ciberseguridad. El modelo alcanzó un ROC-AUC de 0,878 en el conjunto de prueba, lo que indica una alta capacidad discriminatoria entre el tráfico legítimo y las tentativas de intrusión. En el contexto de detección de amenazas, esta métrica demuestra que el algoritmo mantiene un rendimiento elevado independientemente del umbral de clasificación adoptado, minimizando el área de incertidumbre en diagnósticos de red. El ROC-AUC en los conjuntos de entrenamiento, validación y prueba fue de 0,963, 0,885 y 0,878, respectivamente, demostrando consistencia y alta capacidad discriminatoria.

El F1-Score de 0,884 en el conjunto de prueba consolidó la robustez del clasificador al equilibrar una precisión de 0,906 con una sensibilidad (recall) de 0,887. El F1-Score en los conjuntos de entrenamiento, validación y prueba fue de 0,899, 0,898 y 0,884, respectivamente, evidenciando un buen equilibrio entre la detección de ataques y la confiabilidad de las predicciones. La precisión del modelo en los conjuntos de entrenamiento, validación y prueba fue de 0,916, 0,913 y 0,906, respectivamente, indicando la proporción de verdaderos positivos entre todas las predicciones positivas. El recall del modelo en los conjuntos de entrenamiento, validación y prueba fue de 0,901, 0,900 y 0,887, respectivamente, mostrando la capacidad del modelo de identificar correctamente todas las instancias de ataque.

El análisis de la matriz de confusión del modelo Gradient Boosting en el conjunto de prueba permitió una visualización práctica de estos resultados. El modelo identificó correctamente 1.053 accesos legítimos (verdaderos negativos) y 640 instancias de ataque (verdaderos positivos). Solo 2 accesos legítimos fueron clasificados erróneamente como ataques (falsos positivos), y 213 instancias de ataque fueron clasificadas incorrectamente como legítimas (falsos negativos). Para la seguridad de la información, la sensibilidad alcanzada es un indicador crítico, ya que refleja la eficacia del sistema en no permitir que actividades maliciosas pasen desapercibidas, que representan el mayor riesgo para la integridad de los datos organizacionales. La baja tasa de falsos positivos y falsos negativos demuestra la robustez del modelo.

Adicionalmente, la robustez del modelo fue refinada por medio de la optimización de hiperparámetros vía Grid Search con validación cruzada (5-fold), lo que permitió probar 96 combinaciones distintas para maximizar el F1-Score. La configuración optimizada para el Gradient Boosting —compuesta por una tasa de aprendizaje de 0,05, profundidad máxima de 6 y 100 estimadores— alcanzó un F1-Score medio de 0,8934 en la etapa de validación. En el conjunto de prueba, el modelo optimizado mantuvo un desempeño sólido con precisión de 0,9057 y acuracia de 0,8863. El análisis de overfitting reveló una diferencia de solo 0,0120 entre el F1-Score de entrenamiento y prueba, lo que comprueba la alta capacidad de generalización del algoritmo y su estabilidad frente a nuevos datos. Este proceso de ajuste fino consolidó la confiabilidad del clasificador, haciéndolo apto para operaciones críticas de monitoreo de seguridad en tiempo real.

Limitaciones del Estudio e Implicaciones Prácticas

A pesar de los resultados expresivos obtenidos, este estudio presenta algunas limitaciones que deben ser consideradas. En primer lugar, la base de datos utilizada tiene un tamaño relativamente reducido, con 9.357 registros, y una distribución de clases más equilibrada que los escenarios reales de ciberseguridad. En entornos productivos, los ataques son eventos raros, y esta diferencia puede sobreestimar el rendimiento de los modelos. Además, los datos analizados se derivan de logs simulados o controlados, lo que puede no reflejar completamente la complejidad y variabilidad de los ataques reales, especialmente aquellos adaptativos o del tipo zero-day, que son intrusiones inéditas y difíciles de predecir.

Otra limitación se refiere a la ausencia de validación externa con bases de datos independientes, lo que restringe la generalización de los resultados a otros contextos. La validación externa es crucial para confirmar la robustez y la aplicabilidad del modelo en diferentes escenarios operativos. Por último, no se exploraron aspectos de despliegue en tiempo real, como latencia, costo computacional e integración con sistemas de monitoreo existentes. Estos son factores críticos para la aplicación práctica en entornos corporativos, y su ausencia impide una evaluación completa de la viabilidad operativa del modelo en un entorno de producción.

Comparación con la Literatura

Los resultados obtenidos en esta investigación demuestran que el modelo desarrollado alcanzó un nivel de excelencia comparable a los principales benchmarks de la literatura científica en seguridad de la información. El modelo de Gradient Boosting, al alcanzar una precisión de 0,887 en el conjunto de prueba, presenta un rendimiento estadístico similar a estudios consolidados que utilizan, por ejemplo, la base de datos KDD’99, cuyas tasas de acierto para detección de intrusiones se sitúan rutinariamente en torno al 89% (Stolfo, 2000). Esta convergencia con los resultados de la literatura científica confirma que la integración entre el análisis de señales comportamentales y algoritmos de ensemble constituye una estrategia altamente eficaz para la detección de anomalías en entornos virtuales.

Es relevante destacar que, mientras muchos trabajos académicos se basan en bases de datos históricas, este estudio aplicó algoritmos de aprendizaje automático en un conjunto de registros de comportamiento modernos. La obtención de métricas elevadas, como el ROC-AUC de 0,878 y el F1-Score de 0,884, en datos que reflejan patrones contemporáneos de tráfico, valida la robustez del clasificador para aplicaciones en escenarios reales. El análisis de señales de comportamiento, como fallos de inicio de sesión y reputación de IP, combinado con la capacidad de procesamiento de interacciones no lineales de los algoritmos de ensemble, ofrece un enfoque predictivo prometedor para la detección de intrusiones, alineándose a las necesidades actuales de ciberseguridad (Alsheri, 2023; Shewale y Deshpande, 2021; Souza y Arima, 2024).

En síntesis, los resultados de la investigación demuestran que la aplicación de herramientas de Machine Learning, particularmente Gradient Boosting, es una estrategia altamente eficaz para la detección de ataques cibernéticos basados en eventos de hábitos de usuarios. El modelo final presentó un elevado nivel de asertividad y una robusta capacidad discriminatoria entre el tráfico legítimo y las tentativas de intrusión, validando su aplicabilidad para el monitoreo de seguridad en tiempo real. La integración de señales comportamentales con algoritmos de ensemble demostró ser un enfoque prometedor para construir capas de defensa más resilientes contra tácticas furtivas de evasión en el escenario contemporáneo de ciberseguridad.

4. Conclusión

El presente estudio buscó desarrollar y validar modelos de Machine Learning de alta performance para la detección asertiva de ataques cibernéticos, con foco en el análisis de patrones comportamentales y hábitos digitales de usuarios en sitios web. Se verificó que variables comportamentales, como fallos de login y tentativas de acceso, junto con la reputación de la dirección IP y el tipo de navegador, presentaron significancia estadística robusta para discriminar entre tráfico legítimo y malicioso. Tras el tratamiento y normalización de los datos, algoritmos de clasificación fueron entrenados y evaluados. El modelo de Gradient Boosting se consolidó como el más eficaz, alcanzando una precisión de 0,887 y un ROC-AUC de 0,878 en el conjunto de prueba. Este clasificador demostró un equilibrio ideal entre precisión y sensibilidad, identificando correctamente 640 instancias de ataque y minimizando dos falsos positivos. La principal contribución reside en la validación de que la integración de señales comportamentales con algoritmos de ensemble constituye una estrategia altamente eficaz para la detección de anomalías en entornos virtuales, ofreciendo una robusta capacidad de generalización y estabilidad para el monitoreo de seguridad en tiempo real.

Sin embargo, el estudio tiene limitaciones, como el tamaño relativamente pequeño de la base de datos y su naturaleza simulada o controlada, que puede no capturar la complejidad de los ataques zero-day. La ausencia de validación externa con bases de datos independientes restringe la generalización de los resultados, y aspectos de implementación en tiempo real, como latencia y costo computacional, no fueron explorados. Para estudios futuros, se recomienda la realización de un análisis de corte para optimizar el umbral de probabilidad de clasificación, con el fin de refinar aún más el rendimiento del modelo. También se sugiere evaluar el impacto de este ajuste en la reducción de falsos negativos en protocolos de comunicación con mayor incidencia de tráfico malicioso, como el TCP, a fin de mejorar la resiliencia del sistema contra tácticas de evasión.

Referencias Bibliográficas

ALSHEHRI, A. Cyberattack detection framework using machine learning and user behavior analytics. Computer Systems Science and Engineering, v. 44, n. 2, p. 1679-1689, 2023.

INTERNATIONAL BUSINESS MACHINES [IBM]. Relatório do custo das violações de dados 2025. Disponível em: https://www.ibm.com/br-pt/reports/data-breach. Acesso em: 22 set. 2025.

LINS, B. F. E. A evolução da Internet: uma perspectiva histórica. Cadernos Aslegis, n. 48, p. 11-46, 2013. Disponível em: https://www.aslegis.org.br/todas-as-edicoes-artigos/106-caderno-aslegis-48. Acesso em: 13 out. 2025.

MENDONÇA, C. M. C.; ANDRADE, A. M. V.; SOUSA NETO, M. V. Uso da IoT, Big Data e Inteligência Artificial nas capacidades dinâmicas. Revista Pensamento Contemporâneo em Administração, v. 12, n. 1, p. 131-151, 2018.

MIRANDA, J. C. A World Wide Web como uma tecnologia de propósitos gerais. Revista Multiface Online, v. 11, n. 1, p. 25-42, 2024. Disponível em: https://revistas.face.ufmg.br/index.php/multiface/article/view/8625. Acesso em: 08 out. 2025.

SHEWALE, S.; DESHPANDE, L. Analytical study on IP reputation services & automation for traditional method. International Journal of Advanced Research in Computer and Communication Engineering, v. 10, n. 5, p. 114-117, 2021.

SOUZA, C. H. M.; ARIMA, C. H. Avaliação de algoritmos de machine learning para detecção de malware IoT no dataset IoT-23. Anais do Simpósio Brasileiro de Cibersegurança, p. 767-772, 2024.

SPEROTTO, A. An overview of IP flow-based intrusion detection. IEEE Communications Surveys & Tutorials, v. 12, n. 3, p. 343-356, 2010.

STOLFO, S. J. Cost-based modeling and evaluation for data mining with application to intrusion detection: results from the MIT Lincoln Labs classification evaluation. New York: Columbia University, 2000.

Artículo originado del Trabajo de Conclusión de Curso de la Especialización en Data Science y Analytics del MBA USP/Esalq

Para saber más sobre el curso, haga clic aquí y acceda a la plataforma MBX Academy

Más recientes

Economía, Inversiones Y Banca

23 de octubre de 2026

Educação Financeira, Comportamentos e Vieses na Tomada de Decisão Financeira

22 de octubre de 2026

Desafíos y Posibilidades del Primer Año Escolar de Niños con TEA para el Trabajo Docente

22 de octubre de 2026

Viaje del Consumidor en la Decisión de Compra de Infoproductos en el Entorno Digital

22 de octubre de 2026

Riesgos Psicosociales y Salud Mental en el Trabajo en una Institución Bancaria

22 de octubre de 2026

Observatorio Digital de la Amazonía: Ciencia de Datos Aplicada al Análisis de Indicadores Sociales, Económicos, Ambientales y de Salud

22 de octubre de 2026

Aprendizaje Continuo como Factor de Crecimiento Organizacional en la Percepción de los Colaboradores

22 de octubre de 2026

Regresión Estadística en Microrredes para Estimación de Desempeño Operacional: Caso Campusgrid

22 de octubre de 2026

Previsión de la Morosidad de Pago Agregada en el Sistema Financiero Brasileño por Modelo Sarimax con Variables Macroeconómicas

22 de octubre de 2026

Factores de Compromiso de las Partes Interesadas en la Transferencia Internacional de Tecnología a un Hospital Público

También te puede interesar

Economía, Inversiones Y Banca

23 de octubre de 2026

Educação Financeira, Comportamentos e Vieses na Tomada de Decisão Financeira

A gestão financeira pessoal representa um desafio crescente, influenciada por vieses cognitivos que afetam a tomada de decisão, mesmo em indivíduos com alto conhecimento. O presente estudo analisou a relação entre o nível de educação financeira e a ocorrência de vieses comportamentais na tomada de decisão financeira de adultos residentes no Brasil. Realizou-se um levantamento de campo de natureza aplicada, quantitativa e descritivo-correlacional, por meio da aplicação de um questionário estruturado a 163 respondentes. O instrumento contemplou variáveis sociodemográficas, conhecimento e hábitos financeiros, e situações hipotéticas para identificar vieses cognitivos. Os resultados indicaram que níveis mais elevados de educação financeira associaram-se a melhores práticas de controle financeiro, poupança e investimento, com correlações significativas com renda e escolaridade. Contudo, a presença de vieses comportamentais (ancoragem, aversão à perda, escassez, otimismo/negatividade, viés do presente, status quo, excesso de confiança e contabilidade mental) persistiu mesmo entre indivíduos com maior escolaridade e renda, sem associação estatisticamente significativa com as variáveis sociodemográficas analisadas. Concluiu-se que a educação financeira, embora essencial para a organização e o controle financeiro, não foi suficiente para neutralizar a influência de vieses cognitivos. Sugere-se a incorporação de abordagens comportamentais aos programas de educação financeira.

Palavras-chave: Comportamento financeiro; Economia comportamental; Finanças pessoais; Heurísticas cognitivas; Vieses cognitivos.

22 de octubre de 2026

Desafíos y Posibilidades del Primer Año Escolar de Niños con TEA para el Trabajo Docente

La inserción de niños con Trastorno del Espectro Autista (TEA) en la Educación Infantil presenta desafíos significativos, dada la dificultad de adaptación a nuevos entornos y la intensidad de estímulos. El objetivo fue analizar la actuación docente en la Educación Infantil en el proceso de escolarización inicial de niños con TEA. Se realizó un estudio de caso, utilizando la entrevista narrativa como técnica de producción de datos. Los resultados revelaron que la actuación docente se caracterizó por prácticas de mediación y afecto, con la flexibilización de la rutina y el uso de recursos lúdicos como estrategias esenciales para el desarrollo y la organización sensorial del niño. También se destacó la importancia del profesional de apoyo escolar para el éxito del trabajo pedagógico. El desarrollo integral del niño fue promovido por medio de acciones docentes intencionales que priorizaron la adaptación ambiental, el fortalecimiento de vínculos y la atención a las necesidades específicas del TEA. Como contribución, se elaboró una guía de estrategias pedagógicas orientada a la acogida de niños con TEA en guarderías públicas.

Palabras clave: Educación Infantil; Inclusión Escolar; Narrativas Docentes; Prácticas Pedagógicas Inclusivas; Trastorno del Espectro Autista.

22 de octubre de 2026

Viaje del Consumidor en la Decisión de Compra de Infoproductos en el Entorno Digital

La expansión del comercio electrónico y la transformación tecnológica impulsaron la necesidad de comprender el comportamiento del consumidor de infoproductos, cuya experiencia percibida se ha vuelto crucial para el desarrollo profesional. El estudio tuvo como objetivo analizar los factores que influyeron en la decisión de compra de infoproductos en el entorno digital, considerando las etapas del viaje del consumidor. Se realizó una investigación aplicada, cuantitativa y descriptiva, a través de un estudio de campo con 100 consumidores de la Serra Gaúcha. La recopilación de datos se realizó mediante un cuestionario estructurado, utilizando muestreo no probabilístico. Los resultados revelaron un público cualificado y con un fuerte comportamiento “mobile-first”. Se constató que la disponibilidad de información detallada y la aprobación social fueron los principales desencadenantes de atracción en la fase de precompra. En las etapas transaccionales y posteriores, la minimización de fricciones operativas, la agilidad del acceso inmediato y la seguridad sistémica demostraron ser cruciales para la conversión y la satisfacción, aunque se identificaron lagunas en la eficiencia del soporte humano. La retención se fundamentó en la confianza generada por experiencias anteriores positivas, superando el factor precio. Se concluyó que el viaje del consumidor de infoproductos opera como un sistema integrado, exigiendo alineación entre infraestructura tecnológica, curaduría de contenido y humanización del soporte para asegurar el compromiso.

Palabras clave: Comercio electrónico; Comportamiento del consumidor; Experiencia del consumidor; Fidelización; Negocios virtuales.

22 de octubre de 2026

Riesgos Psicosociales y Salud Mental en el Trabajo en una Institución Bancaria

La salud mental en el entorno laboral es un tema de creciente relevancia, que impacta el desarrollo profesional y el bienestar de los colaboradores. Se realizó un estudio para identificar aspectos y situaciones que pueden influir en los niveles de absentismo en una institución bancaria. La investigación involucró a 108 participantes y utilizó un cuestionario estructurado, basado en la versión corta del COPSOQ II de Gonçalves (2021), que contenía 45 preguntas cerradas en escala Likert y dos preguntas abiertas. Los datos se recopilaron a través de una plataforma en línea y se analizaron con un enfoque descriptivo y cuantitativo. Los resultados revelaron un escenario que indicó la necesidad de ajustes en la distribución de las actividades y en la percepción de los gerentes sobre comportamientos y señales de trastornos. Se identificaron evidencias importantes en las respuestas abiertas de los participantes. Se concluyó que el estudio contribuyó a la promoción de la percepción de un ambiente seguro para la salud mental en la organización.

Palabras clave: Ausencias por trastornos; Desarrollo profesional; Liderazgo operativo; Licencia médica; Salud mental.

22 de octubre de 2026

Observatorio Digital de la Amazonía: Ciencia de Datos Aplicada al Análisis de Indicadores Sociales, Económicos, Ambientales y de Salud

El estado de Amazonas ha enfrentado desafíos históricos en la consolidación del Sistema Único de Salud (SUS), derivados de barreras geográficas, desigualdades socioeconómicas y limitaciones estructurales. En este estudio se describió el desarrollo e implementación de un geoportal de información en salud, concebido para apoyar el monitoreo, la evaluación y la planificación en el contexto amazónico. Se adoptó un enfoque de estudio de caso descriptivo, basado en análisis documental y datos secundarios, abarcando el mapeo de funcionalidades, la infraestructura técnica y las etapas de validación de la herramienta. El Portal fue desarrollado con tecnologías abiertas e integró múltiples bases de datos nacionales, ofreciendo dashboards interactivos, mapas temáticos y repositorio digital de documentos. Entre los resultados, destacaron la visualización georreferenciada de indicadores clave, la posibilidad de análisis comparativos temporales y la utilización de la plataforma en la revisión de planes de salud y en el redireccionamiento de acciones estratégicas. El portal puede representar un avance en la gobernanza digital y en la gestión basada en evidencia, con potencial de replicabilidad para otros territorios de alta complejidad, siempre que vaya acompañado de inversiones en infraestructura tecnológica, capacitación profesional y articulación interinstitucional.

Palabras clave: Amazonía; Evaluación en Salud; Salud Digital; Sistemas de Información en Salud.

22 de octubre de 2026

Aprendizaje Continuo como Factor de Crecimiento Organizacional en la Percepción de los Colaboradores

El impacto del aprendizaje continuo y la gestión del conocimiento en el crecimiento de las organizaciones fue estudiado en un escenario de globalización y constantes cambios. El objetivo del estudio fue analizar la percepción de los colaboradores sobre la cultura de aprendizaje y su importancia para el desarrollo personal y profesional. Los datos se obtuvieron a través de una encuesta anónima, de enfoque cuantitativo, utilizando un formulario con preguntas tipo “survey” aplicado a 87 profesionales de los sectores de tecnología, salud, educación, comercio y servicios. Los resultados indicaron que los colaboradores tenían una percepción positiva sobre la contribución del aprendizaje continuo al crecimiento personal y organizacional, reconociendo sus beneficios para el desarrollo de nuevas habilidades, la innovación y la competitividad. Sin embargo, se observó que el incentivo al intercambio de conocimiento interno y la oferta de capacitaciones prácticas aún presentaban medias moderadas de acuerdo. Se concluyó que el aprendizaje continuo contribuye significativamente al desarrollo individual y organizacional, sugiriendo que las empresas deben desarrollar políticas estratégicas de aprendizaje dirigido a nuevas habilidades, buscando una mayor ventaja competitiva y la innovación.

Palabras clave: Aprendizaje continuo; Autodesarrollo; Crecimiento organizacional; Gestión del Conocimiento; Innovación.

22 de octubre de 2026

Regresión Estadística en Microrredes para Estimación de Desempeño Operacional: Caso Campusgrid

Se propuso un modelo de regresión estadística múltiple para estimar el rendimiento operativo de la microrred CampusGrid de la UNICAMP, basándose en magnitudes eléctricas internas. La microrred integra generación fotovoltaica, baterías y un generador de gas. Se recopilaron datos del sistema de gestión de energía en intervalos de cinco minutos durante un mes. El Índice de Confiabilidad Operacional, definido como la razón entre energía atendida y demandada, se estableció como variable dependiente. El modelo se ajustó al modo de operación aislado, evaluando el impacto de la demanda, el estado de carga, la generación solar y la energía suministrada. Los resultados revelaron un elevado poder explicativo, indicando que la confiabilidad operativa depende de la interacción entre el suministro y la demanda. Se observó que el período nocturno concentró la mayor tasa de atención parcial, atribuida a la reducción de la generación solar. Se concluyó que la regresión múltiple ofrece una estructura interpretable y útil para el monitoreo de microrredes y el apoyo a estrategias de control.

Palabras clave: Almacenamiento en baterías; Generación fotovoltaica; Índice de Confiabilidad; Operación aislada; Sistema de Gestión de Energía.

22 de octubre de 2026

Previsión de la Morosidad de Pago Agregada en el Sistema Financiero Brasileño por Modelo Sarimax con Variables Macroeconómicas

La morosidad agregada en el sistema financiero brasileño es un indicador crucial de riesgo crediticio, cuya previsión está regulada por las Resoluciones CMN n.° 4.557/2017 y 4.966/2021 para la medición prospectiva de pérdidas esperadas. Se modeló y predijo la morosidad agregada mediante el modelo SARIMAX, proyectando su trayectoria hasta diciembre de 2026 bajo escenarios optimista, base y pesimista. Se utilizaron 164 observaciones mensuales (julio/2012 a febrero/2026) y variables macroeconómicas como desempleo, Selic, IPCA, IBC-Br y endeudamiento de las familias. La especificación con variables contemporáneas fue seleccionada con base en criterios de información y estabilidad de los coeficientes, y el diagnóstico de los residuos confirmó adecuación estadística, con MAPE de 3,12%. La morosidad histórica varió entre 4,33% y 7,64%. La estimación identificó el desempleo (β = 0,2534; p < 0,001) y la Selic (β = 0,2128; p < 0,001) como principales determinantes positivos, con fuerte persistencia temporal (AR(1) = 0,8965). La Selic exhibió correlación creciente con la morosidad (r = 0,62 en el rezago 12), mientras que el desempleo demostró efecto contemporáneo (r = 0,33). Las proyecciones indicaron morosidad entre 6,30% y 7,98% en diciembre de 2026, con una amplitud de 1,68 punto porcentual, evidenciando implicaciones directas para el dimensionamiento de provisiones en las instituciones financieras.

Palabras clave: Desempleo; Modelado predictivo; Política monetaria; Provisión de pérdidas; Series temporales.

22 de octubre de 2026

Factores de Compromiso de las Partes Interesadas en la Transferencia Internacional de Tecnología a un Hospital Público

Este estudio describió los factores críticos percibidos para la participación de las partes interesadas en la transferencia internacional de tecnología en un hospital público, con foco en la planificación. El objetivo fue describir estos factores condicionantes, según la percepción de los profesionales. Se realizó un estudio de caso único, aplicando un cuestionario a 25 profesionales y utilizando análisis de contenido, complementado por tabulaciones descriptivas. Los principales obstáculos identificados fueron resistencia al cambio (72%), financiación (64%), falta de comunicación (60%) y burocracia (40%). Solo el 28% de los encuestados reconoció la existencia de herramientas adecuadas para la gestión de stakeholders, mientras que el 48% negó y el 24% no supo informar. Cruzamientos exploratorios indicaron variaciones en la evaluación de influencia según el tiempo de actuación, pero no establecieron relaciones causales. La falta de participación se asoció con retrasos, baja adhesión, desperdicio de recursos, fallas de comunicación, compromiso de la absorción de conocimiento y riesgos para la seguridad del paciente. Las conclusiones se restringieron a las percepciones del grupo investigado y fundamentaron recomendaciones preliminares para la comunicación y coordinación intersectorial.

Palabras clave: Estudio de caso; Gestión de proyectos; Innovación en salud; Partes interesadas; Sector público.

Economia

19 de octubre de 2026

¿Fin de la escala 6×1: qué permiten concluir los números?

Tras la promulgación del fin de la escala 6×1, el debate sobre la jornada menor pasa a la implementación y exige distinguir beneficios sociales de costos económicos El fin de la escala 6×1 pasó de la discusión legislativa a un cambio constitucional en Brasil. El 16 de octubre de 2026, el Congreso Nacional promulgó la enmienda constitucional nº 141/2026, originada de la Propuesta […]

Inteligencia Artificial

16 de octubre de 2026

¿Por qué estudiar si existe la IA?

Cuando las respuestas se vuelven fáciles, aprender pasa a significar más que alcanzarlas. ¿Por qué necesito aprender esto si puedo preguntarle a una inteligencia artificial? Este tipo de pregunta ha acompañado a la educación durante décadas. ¿Por qué aprender una operación si existe una calculadora? ¿Por qué memorizar una información si se puede encontrar […]

Gestión Tributaria

15 de octubre de 2026

Impuesto rosa y el género del precio

Cómo los diferentes tratamientos de marketing para hombres y mujeres son incorporados por la tributación del consumo Imagine un estante en el que dos maquinillas de afeitar de la misma marca y destinadas al mismo propósito están expuestas una al lado de la otra: una tiene un empaque oscuro y promete fuerza, precisión y eficiencia; la otra viene en tonos de rosa o […]

Salud

13 de octubre de 2026

El eslabón perdido de la transformación de la salud

¿Por qué la innovación no es suficiente para generar cambios en las organizaciones y en los sistemas de salud La transformación digital se ha consolidado como una prioridad estratégica para los sistemas de salud en todo el mundo. Historias clínicas electrónicas, inteligencia artificial, telemedicina, monitorización remota y análisis de datos han pasado a formar parte de la agenda estratégica de gobiernos y organizaciones sanitarias. Paradójicamente, […]

Marketing

09 de octubre de 2026

Bitcoin o mascotas: lo que la Inteligencia Artificial no vería

Un caso real de consumer intelligence muestra lo que queda fuera del briefing Hace algunos años, una aseguradora estadounidense contrató a una empresa especializada en consumer intelligence para responder a tres preguntas: La aseguradora también evaluaba lanzar seguros pagados en bitcoin. En ese momento, el proceso de trabajo de la consultoría funcionaba así: el analista creaba una query […]

Gestión Escolar

06 de octubre de 2026

La escuela no es un casino: cuando las figuritas se convierten en moneda en el patio

¿Por qué, para determinados estudiantes, la escuela logra ofrecer tan pocas experiencias de éxito? La Copa del Mundo ha terminado. Brasil ha quedado fuera de la competición, llegaron las vacaciones escolares, se disputó la final y el calendario del fútbol siguió adelante. Sería razonable imaginar que, con el fin del torneo y el regreso a clases, también comenzara […]

Transición Energética

30 de septiembre de 2026

Energías renovables: la ventaja brasileña

Brasil necesita invertir en la capacidad de transformar recursos naturales en innovación, productividad y desarrollo Hablar de energía es hablar de desarrollo. Detrás de la industria, el transporte, los servicios, las ciudades y, cada vez más, la inteligencia artificial, existe una infraestructura energética que sustenta la economía. Comprender la matriz energética de un país es comprender […]

Análisis De Datos

30 de septiembre de 2026

¿Cuando cambian los datos, ha cambiado la realidad?

Análisis de casi 20 millones de vínculos-año docentes entre 2020 y 2025 muestra cómo cambios en la composición de la población y en la producción de los registros pueden alterar la interpretación de series históricas Entre 2020 y 2025, el número de vínculos formales de trabajo docente identificados en la RAIS (Relación Anual de Información Social), del Ministerio de Trabajo, […]

Inteligencia Artificial

28 de septiembre de 2026

Inteligencia artificial y las tendencias

¿Por qué tanta gente se une a los juegos con ChatGPT? Nunca fui una persona de tendencias. Sigo sin serlo. Algunas pasan por mi línea de tiempo, las veo, me parecen interesantes pero no al punto de experimentar. Fue así, inclusive, con algunas ondas recientes de imágenes hechas por inteligencia artificial, como la tendencia de los años 80, aquella que nos […]

Gestión Tributaria

01 de septiembre de 2026

Reforma tributaria y planificación patrimonial en el campo

La eficiencia para gestionar los impuestos facilita la gobernanza y permite organizar la sucesión familiar. La organización patrimonial rural se ha convertido en una medida estratégica ante la reforma tributaria en Brasil, que entró en vigor este año. La planificación de las actividades y de la gestión del patrimonio rural, a través de herramientas como la transición de la Persona Física a […]

Renata de Gaspari Valdejão Almeida

Inteligencia Artificial

05 de agosto de 2026

Dentro de la empresa y fuera del radar: los riesgos de la IA Sombra

Según Microsoft, el 75% de los profesionales ya utilizan inteligencia artificial en el trabajo sin la aprobación de la empresa El uso de la inteligencia artificial generativa ya forma parte de la rutina corporativa. Herramientas como ChatGPT, Copilot y otras plataformas ayudan a los profesionales a producir textos, analizar datos, crear presentaciones y acelerar tareas en prácticamente todos los sectores. Pero este avance […]

Renata de Gaspari Valdejão Almeida

Estrategia

02 de julio de 2026

El futuro como competencia

El interés académico refuerza la proyección de escenarios como herramienta esencial para la toma de decisiones. Mientras algunas empresas aún intentan acertar el próximo paso, otras ya trabajan con múltiples futuros posibles — y se preparan para todos ellos. Pero, ¿qué significa “pensar el futuro”? ¿Es tendencia, es estrategia o una nueva competencia que […]

Renata de Gaspari Valdejão Almeida

Innovación

Tecnología

21 de mayo de 2026

Corredor Agro SP: innovación, articulación institucional y futuro

Pecege comanda a operação executiva das atividades do ecossistema de 400 km que ficou conhecido como Vale do Silício do agro brasileiro Em 2025, além de assumir a gestão do Parque Tecnológico de Piracicaba, o Instituto Pecege também foi designado para comandar a operação executiva das atividades do Corredor de Inovação Agropecuária do Estado, o chamado […]

Educación

27 de abril de 2026

Cómo transformar un TCC en negocio

Nueva gestión del Parque Tecnológico de Piracicaba ofrece consultoría a egresados de MBAs El nuevo director de proyectos del Parque Tecnológico de Piracicaba (PTP), Alexandre Barreto, suele decir que una de las mayores recompensas que ha tenido en la vida ha sido ver a sus orientandos del MBA USP/Esalq estructurar empresas a partir de sus trabajos de conclusión de […]

Tecnología

20 de marzo de 2026

El repertorio humano en la era de la IA

El pensamiento crítico y la creatividad son insustituibles en el trabajo del profesional de marketing La Inteligencia Artificial (IA) es capaz de hazañas increíbles, pero aún no posee la capacidad de juicio, empatía, intuición y creatividad estratégica necesarias para hacer el trabajo de un buen profesional de marketing. En esta área, es importante saber usar la herramienta para automatizar […]

Renata de Gaspari Valdejão Almeida

Agronegocios

Innovación

23 de febrero de 2026

ESG como estrategia de crecimiento en una cooperativa del RS

Santa Clara equilibra responsabilidad social y ambiental con innovación Fundada en 1911 por inmigrantes italianos en Carlos Barbosa, en la sierra gaúcha, la Cooperativa Santa Clara es un ejemplo de que es posible equilibrar el crecimiento económico con la responsabilidad social y ambiental. De una pequeña empresa de producción de quesos, la organización evolucionó a un […]

Renata de Gaspari Valdejão Almeida

Agronegocios

Innovación

22 de enero de 2026

¿Brasil libre de fiebre aftosa: qué cambia para la carne brasileña?

Con un rebaño de más de 200 millones de cabezas de ganado, el país es actualmente el líder en exportaciones Brasil recibió recientemente, por primera vez, la certificación de país libre de fiebre aftosa sin vacunación, otorgada por la Organización Mundial de Sanidad Animal (OMSA). El sello fortalece la posición del país como proveedor de carne confiable para el […]

Renata de Gaspari Valdejão Almeida

Innovación

09 de diciembre de 2025

Innovación: el nuevo ciclo del Parque Tecnológico de Piracicaba

El Instituto Pecege asume la gestión apostando en la creación de nuevos negocios A partir de 2026, el Instituto Pecege asumirá la gestión del Parque Tecnológico de Piracicaba (PTP). Entre sus responsabilidades estarán la administración, operación, mantenimiento y expansión del parque, además del fomento de actividades de innovación, emprendimiento y ciencia y tecnología. La elección fue realizada […]

Renata de Gaspari Valdejão Almeida

06 de julio de 2026

Arquitectura a Gran Escala: Gestión de Cambios DSR-SCRUM

Mônica Alessandra Guerios; Maria do Carmo Assis Todorov Resumen elaborado por la herramienta ResumeAI, una solución de inteligencia artificial desarrollada por el Instituto Pecege orientada a la síntesis y redacción. La arquitectura y el urbanismo se configuran como bases imprescindibles en un espacio urbano cada vez más complejo y desafiante, donde la intrínseca conexión entre cuestiones sociales, ambientales y tecnológicas […]