Modelos de transferencia de aprendizaje para detección de falsificación de imágenes en rostros

Rostos, Modelos de Transfer Learning para Detecção de Falsificação de Imagens em

doi:10.22167/2675-6528-202602724

Artículo

30 de septiembre de 2026

Modelos de transferencia de aprendizaje para detección de falsificación de imágenes en rostros

Modelos de Transfer Learning para Detección de Falsificación de Imágenes en Rostros

Bianca Cavalcante Basso; Jorge Costa Silva Filho

DOI: 10.22167/2675-6528-202602724

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

El avance de la Inteligencia Artificial (IA) ha consolidado su aplicación en la generación de medios sintéticos, como los deepfakes, frecuentemente empleados en la desinformación y en prácticas fraudulentas. Este trabajo evaluó la eficacia de modelos pre-entrenados de transfer learning en la distinción entre imágenes reales y sintéticas, específicamente deepfakes. Para ello, se utilizó el dataset Celeb-DF v2, compuesto por vídeos reales y sintéticos. Se realizó preprocesamiento para la extracción de frames y redimensionamiento de las imágenes, seguido de downsampling para equilibrar las clases, totalizando 18.358 imágenes. Los modelos ResNet50, VGG16 y MobileNetV2 fueron entrenados por 10 épocas, con sus últimas capas convolucionales ajustadas y las primeras congeladas, y sometidos a pruebas de validación interna y un conjunto de pruebas independiente. Los resultados de la validación interna indicaron alto rendimiento, con ResNet50 alcanzando AUC de 0,8762, MobileNetV2 0,8279 y VGG16 0,7625. Sin embargo, en pruebas independientes, los modelos presentaron un hiato de generalización, con acuracias estabilizadas cercanas al 50%. Se concluyó que, aunque el rebalanceo de datos y el transfer learning son eficaces para aprender características específicas, la detección robusta de deepfakes en escenarios reales exige modelos que superen la dependencia de texturas y generalicen patrones de síntesis, yendo más allá del rendimiento nominal en entornos controlados.

Palabras clave: Visión por computadora; Deepfake; Inteligencia artificial; Machine learning; Transfer learning.

1. Introducción

La Inteligencia Artificial (IA) se ha consolidado en diversos sectores, incluyendo la generación de medios sintéticos como imágenes, videos y audios (MONTAÑO, 2023). En este escenario, las deepfakes emergen como medios generados o alterados por algoritmos de aprendizaje profundo (deep learning) que simulan contenidos reales.

A pesar de su potencial para usos legítimos, esta tecnología se emplea frecuentemente en la propagación de desinformación y en prácticas fraudulentas (KAUFMAN, 2022). Brasil, por ejemplo, ocupa la tercera posición global en el consumo de redes sociales (Forbes, 2023), lo que intensifica los desafíos relacionados con la verificación de la autenticidad de contenidos digitales y favorece la diseminación de deepfakes (JUNIOR, 2023).

Las deepfakes se crean mediante técnicas de aprendizaje profundo, una rama de la IA que se basa en redes neuronales de múltiples capas (WESTERLUND, 2019). Entre estas, destacan las Redes Neuronales Convolucionales (CNNs), ampliamente utilizadas en el procesamiento de imágenes. Las CNNs operan con capas como Convolución, Unidades Lineales Rectificadas (ReLU) y Max-Pooling, que extraen características visuales y reducen la dimensionalidad de los datos (SILVA, 2018; JUNIOR, 2023).

La versatilidad de estas arquitecturas permite manipulaciones digitales con un alto grado de realismo, dificultando la distinción entre contenidos reales y falsos (WESTERLUND, 2019). Aunque existen aplicaciones beneficiosas, el uso de las deepfakes se ha desviado hacia la difusión de desinformación, generando impactos sociales negativos (JUNIOR, 2023). La producción de medios de comunicación de procedencia dudosa, combinada con la velocidad de compartición, consolida percepciones equivocadas de veracidad en el público. Un ejemplo notorio fue la manipulación de un vídeo que involucraba al Dr. Drauzio Varella para promoción fraudulenta, evidenciando riesgos a la integridad moral y a la reputación (MACHADO, 2023; JUNIOR, 2023).

La disponibilidad de herramientas gratuitas para el desarrollo de algoritmos, unida a la practicidad del Transfer Learning, ha democratizado el acceso a la Inteligencia Artificial. Sin embargo, esta accesibilidad también actúa como un catalizador para el aumento de deepfakes, ya que individuos con intenciones maliciosas pueden emplear estos recursos para crear desinformación (JUNIOR, 2023). La literatura sugiere que el avance de la IA debe ir acompañado de principios éticos y de la inspección minuciosa de los resultados generados, con el fin de mitigar los riesgos de desinformación (KAUFMAN, 2022).

Ante este escenario, la detección eficaz de deepfakes se vuelve crucial para la seguridad y autenticidad de la información digital. La complejidad de las manipulaciones de alta fidelidad exige modelos robustos capaces de distinguir entre medios reales y sintéticos, superando los desafíos de generalización. Por lo tanto, este estudio de caso tiene como objetivo comparar el rendimiento de tres modelos pre-entrenados (Transfer Learning), siendo estos modelos ResNet50, VGG16 y MobileNetV2, en la identificación de deepfakes, utilizando un conjunto de datos compuesto por medios reales y sintéticos.

2. Material y Métodos

El presente estudio adoptó un enfoque metodológico cuantitativo y experimental, centrado en la implementación y evaluación de modelos de aprendizaje automático para la detección de deepfakes. La investigación consistió en la aplicación de técnicas de Transfer Learning, utilizando arquitecturas de redes neuronales convolucionales pre-entrenadas para clasificar imágenes como reales o sintéticas. El objetivo fue comparar el rendimiento de estos modelos en la identificación de manipulaciones digitales en rostros.

Para el desarrollo, se empleó el dataset Celeb-DF v2 (A Large-scale Challenging Dataset for DeepFake Forensics), reconocido como un benchmark de alta calidad (LI et al., 2020). Este conjunto se compone de 5.639 vídeos manipulados por IA y 590 vídeos originales, recopilados de la plataforma YouTube, presentando diversidad en etnia, edad y género.

El preprocesamiento implicó la extracción de fotogramas (frames) de los videos, convirtiéndolos en datos estáticos para el análisis por modelos de visión computacional. Se utilizó la biblioteca MTCNN para la detección facial y OpenCV (cv2) para la manipulación de fotogramas. El muestreo consistió en la extracción de un fotograma cada quince segundos, con un factor de margen del 20% sobre el recorte facial.

Las imágenes fueron redimensionadas a 224 x 224 píxeles, un estándar compatible con las arquitecturas de Transfer Learning, convertidas a RGB y exportadas como .jpg. El conjunto de datos final, después del preprocesamiento, totalizó 98.482 imágenes (9.179 “reales” y 89.303 “sintéticas”).

Para mitigar el desequilibrio entre clases, se aplicó la técnica de submuestreo (downsampling) en la clase mayoritaria. Este proceso resultó en un conjunto de entrenamiento equilibrado de 18.358 imágenes, con una proporción de 1:1 entre las clases. Se aplicó `shuffle` inmediatamente después del downsampling para evitar que el modelo aprendiera patrones basados en el orden de lectura de los archivos.

El entorno de desarrollo fue la plataforma Google Colab, operando en un Jupyter Notebook. La infraestructura basada en la nube proporcionó recursos de procesamiento gráfico (GPU) y unidades de procesamiento tensorial (TPU), esenciales para el entrenamiento de redes neuronales profundas. El almacenamiento y la gestión de archivos se realizaron a través de la integración con Google Drive.

Para la modelización, se seleccionaron tres arquitecturas de Redes Neuronales Convolucionales (CNN) preentrenadas para Transfer Learning: ResNet50, VGG16 y MobileNetV2. Estas arquitecturas fueron elegidas por su representatividad y robustez en tareas de visión computacional (SIMONYAN; ZISSERMAN, 2014; HE et al., 2016; SANDLER et al., 2018). La VGG16 evaluó modelos clásicos, la ResNet50 probó la capacidad de capturar detalles sutiles y la MobileNetV2 verificó la viabilidad en escenarios de recursos limitados.

La estrategia de entrenamiento consistió en congelar las capas convolucionales iniciales de los modelos (`trainable = False`), aprovechando los extractores de características de bajo nivel ya optimizados. La capa de salida original fue reemplazada por una nueva estructura de clasificación binaria, compuesta por GlobalAveragePooling2D, una capa Dense con 128 neuronas y activación ReLU, y una capa Dropout con tasa de 0.5 para regularización. La capa de salida final utilizó una neurona con función de activación Sigmoid.

La compilación de los modelos empleó el optimizador Adam y la función de pérdida Binary Crossentropy. Tras el reequilibrio, el conjunto de datos se dividió en 80% para entrenamiento y 20% para validación y prueba. El entrenamiento se realizó durante 10 épocas. Para garantizar la reproducibilidad y la distribución equilibrada de las clases en cada lote de entrenamiento (batch), se utilizó la clase `image_dataset_from_directory` de TensorFlow, configurada con un `batch size` de 32 y `shuffle` activado.

Para evaluar la eficacia de los modelos, se adoptaron métricas estadísticas basadas en la Matriz de Confusión. Las métricas incluyeron Precisión/ Exactitud, Precisión, Recall (Sensibilidad), F1-Score, Curva ROC y Área Bajo la Curva (AUC), que midieron la capacidad de discriminación entre las clases real y sintética (PRATI; BATISTA; MONARD, 2008). La Matriz de Confusión sirvió para visualizar la distribución de aciertos y fallos (TP, TN, FP, FN).

3. Resultados y Discusión

Los resultados obtenidos en este estudio revelan un panorama complejo sobre la eficacia de modelos de transfer learning en la detección de deepfakes, evidenciando un contraste notable entre el rendimiento en validación interna y la capacidad de generalización en pruebas independientes. Inicialmente, los modelos ResNet50, VGG16 y MobileNetV2 demostraron alto rendimiento en un ambiente controlado, tras un riguroso proceso de preprocesamiento y rebalanceo del dataset Celeb-DF v2. Sin embargo, al ser sometidos a un conjunto de pruebas más desafiante, los modelos presentaron una caída significativa en la precisión, estabilizándose en torno al 50%, lo que apunta a una brecha de generalización crucial para la discusión de la robustez de estos sistemas en escenarios reales.

La preparación de los datos fue una etapa fundamental para mitigar el sesgo algorítmico y optimizar el dataset. Se utilizó la biblioteca MTCNN para la detección facial y OpenCV para la manipulación de los cuadros, extrayendo un cuadro cada cierto intervalo proporcional a la duración media de los vídeos, con un margen del 20% para preservar las características faciales. Las imágenes se redimensionaron a 224 x 224 píxeles, un estándar compatible con las arquitecturas de visión computacional seleccionadas. Al final, el dataset principal contenía 98.482 imágenes, de las cuales 9.179 eran reales y 89.303 sintéticas.

Para abordar el desequilibrio significativo entre las clases “Real” y “Fake” en el dataset original, se aplicó la técnica de submuestreo (downsampling). Este proceso redujo selectivamente las muestras de la clase dominante hasta que ambas categorías alcanzaron una proporción de 1:1, resultando en un conjunto equilibrado de 18.358 imágenes para entrenamiento. Esta estrategia fue crucial para garantizar que las métricas de precisión y exactitud reflejaran la real capacidad de distinción de los modelos, y no solo una tendencia estadística del dataset, forzando a las redes a aprender patrones morfológicos y artefactos de manipulación reales.

La estrategia de entrenamiento implicó la congelación de las capas convolucionales iniciales de los modelos pre-entrenados en ImageNet (trainable = False), aprovechando sus pesos optimizados para la extracción de características de bajo nivel. La capa de salida original fue reemplazada por una nueva estructura de clasificación binaria, compuesta por GlobalAveragePooling2D para reducción dimensional, una Dense Layer con 128 neuronas y función de activación ReLU, Dropout de 0.5 para regularización, y una capa de salida con 1 neurona y función de activación Sigmoid. La compilación utilizó el optimizador Adam con tasa de aprendizaje de 0.001 y la función de pérdida Binary Crossentropy, con el conjunto de datos dividido en 80% para entrenamiento y 20% para validación y prueba.

Desempeño de las Arquitecturas

Tras la aplicación de la técnica de submuestreo y el entrenamiento durante 10 épocas, los modelos presentaron un comportamiento predictivo significativamente más robusto en la fase de validación interna. La arquitectura ResNet50 destacó con el mejor rendimiento absoluto, alcanzando un AUC de 0,8762. Este valor indica una elevada capacidad de distinción correcta entre las clases real y sintética, superando a las demás arquitecturas evaluadas. La ResNet50 también obtuvo una precisión del 0,7768, una exactitud del 0,8320, un recuerdo del 0,7109 y una puntuación F1 del 0,7667, con 506 verdaderos negativos y 526 falsos negativos.

La arquitectura MobileNetV2, aunque con un AUC ligeramente inferior (0,8279) a la ResNet50, demostró un mayor equilibrio entre Precisión (0,7443) y Recall (0,7420). Este equilibrio sugiere que el modelo es más consistente al lidiar con errores de tipo Falso Positivo y Falso Negativo, manteniendo un rendimiento estable en ambos frentes. MobileNetV2 alcanzó una exactitud de 0,7362, precisión de 0,7443, recall de 0,7420 y F1-Score de 0,7431, con 470 Verdaderos Positivos y 478 Falsos Negativos, indicando una mayor sensibilidad en la identificación de contenidos manipulados.

En contrapartida, el modelo VGG16 presentó el desempeño más modesto entre las tres arquitecturas, con un AUC de 0,7625 y un F1-Score de 0,6901. Sus índices de acuracia (0,6907), precisión (0,7160) y recall (0,6659) fueron los más bajos, sugiriendo que su estructura puede requerir un volumen mayor de épocas o ajustes de hiperparámetros más refinados para este conjunto específico de datos. La comparación entre los resultados preliminares y los actuales confirmó que la supresión del sesgo de clase mayoritaria fue determinante para la estabilización de las métricas en torno al 70-80% en la acuracia y AUC, validando la eficacia del Transfer Learning para la tarea de forense digital facial.

La evolución de las métricas de rendimiento del modelo ResNet50 durante el entrenamiento, a lo largo de las 10 épocas, demostró una convergencia progresiva. El índice AUC, por ejemplo, saltó de 0,59 en la primera época a 0,86 en la décima época. Esta mejora continua indica que la red fue capaz de extraer características relevantes de la muestra proporcionada, aprendiendo a distinguir patrones de forma más eficaz a medida que el entrenamiento avanzaba. Los resultados intermedios en la quinta época ya mostraban un AUC de 0,8202, confirmando la capacidad de aprendizaje del modelo.

Análisis del Hiato de Generalización

A pesar del rendimiento prometedor en la validación interna, la sumisión de los modelos a un conjunto de pruebas independiente reveló una caída acentuada en el rendimiento, con las métricas estabilizadas en torno a 0,50. Este fenómeno, conocido como hiato de generalización (generalization gap), sugiere una limitación en la capacidad de los modelos de aplicar el conocimiento adquirido en datos de prueba que presentan variaciones no observadas durante el entrenamiento. La precisión de prueba del ResNet50 fue de aproximadamente 50,4% (920 aciertos en 1824 muestras).

Para el modelo ResNet50, el análisis de la matriz de confusión en la prueba independiente indicó 506 Verdaderos Negativos (imágenes reales clasificadas correctamente) y 526 Falsos Negativos (deepfakes clasificadas como reales). Este último es el error más crítico en un escenario de seguridad, ya que significa que medios fraudulentos “pasaron” por el filtro de detección. El modelo demostró un sesgo conservador, tendiendo a clasificar las imágenes como reales, lo que puede ser problemático para la detección de amenazas.

El modelo VGG16 presentó una precisión de prueba de aproximadamente 50,7% (925 aciertos en 1824 muestras) en el conjunto independiente. Su matriz de confusión mostró 469 Verdaderos Negativos (Real) y 456 Verdaderos Positivos (Falso). Aunque demostró un menor sesgo en relación a una clase específica cuando se comparó con ResNet50, el VGG16 no evidenció patrones discriminatorios suficientemente consistentes para una separación robusta entre datos reales y sintéticos, indicando una inestabilidad en las decisiones de clasificación.

A pesar de ser una arquitectura más ligera y optimizada, MobileNetV2 también presentó un rendimiento desafiante en la prueba independiente, con una precisión de aproximadamente 48,5% (884 aciertos en 1824 muestras). La matriz de confusión reveló 414 Verdaderos Negativos (Real) y 470 Verdaderos Positivos (Falso), pero también 462 Falsos Positivos (imágenes reales clasificadas como falsas). Esto sugiere una tendencia “alarmista”, donde el modelo sospecha de manipulación con facilidad, incluso en ausencia de deepfake, lo que puede generar falsas alertas en aplicaciones prácticas.

Discusiones y Análisis

La divergencia entre el alto rendimiento en la validación interna y la baja precisión en la prueba independiente es un fenómeno ampliamente documentado en la literatura de visión por computadora, conocido como brecha de generalización (Corrêa, 2023). Esta discrepancia ocurre frecuentemente en tareas de detección de deepfakes cuando el modelo falla en transponer el conocimiento obtenido en una muestra específica a datos que presentan variaciones de compresión y ruidos no vistos en el entrenamiento (Wang et al., 2020). Los modelos de Deep Learning entrenados en bases de datos específicas de deepfakes tienden a sufrir un exceso de especialización en los artefactos estadísticos inherentes a la muestra de entrenamiento.

La explicación técnica para este estancamiento de las métricas en la prueba reside en el concepto de Shortcut Learning (Aprendizaje por Atajo). Las Redes Neuronales Convolucionales (CNNs) poseen un sesgo intrínseco hacia las texturas en detrimento de la forma o la semántica del objeto (Geirhos et al., 2019). En el contexto de este trabajo, es probable que los modelos de Transfer Learning hayan identificado “atajos” en las imágenes de entrenamiento, como patrones microscópicos de ruido digital o vibraciones de iluminación específicas del dataset Celeb-DF v2, que no representan la esencia de una manipulación facial genuina. Este comportamiento sugiere que el modelo puede haberse enfocado en patrones de ruido específicos del dataset, una vulnerabilidad también observada por Junior (2023).

El proceso de preprocesamiento, incluido el redimensionamiento bilineal de las imágenes a 224 x 224 píxeles, puede haber funcionado como una técnica involuntaria de suavizado. Este suavizado podría haber eliminado artefactos de síntesis que solo serían perceptibles en resoluciones nativas, especialmente en deepfakes de alta calidad como los de Celeb-DF v2 (Rössler et al., 2019). La detección de manipulaciones sintéticas es extremadamente sensible a la comprensión y al redimensionamiento de imágenes, y la resolución de entrada fija de las arquitecturas clásicas impone un límite físico a la detección de detalles finos.

Otro factor que contribuyó a la brecha de generalización fue la estructura de los datos de entrenamiento y validación, realizada por la función `image_dataset_from_directory` de Keras/TensorFlow. Aunque esta función automatiza el etiquetado y la separación de los datos (80% entrenamiento, 20% validación), la partición se ejecuta a nivel de archivo individual (frame), ignorando el origen temporal y la identidad del sujeto contenido en el video original. Esto pudo haber resultado en “fuga de datos faciales” (face data leakage), donde imágenes visualmente casi idénticas fueron distribuidas entre los conjuntos de entrenamiento y validación, inflando la precisión de validación (88%) y enmascarando la real incapacidad de generalización (Lopes et al., 2026).

La infraestructura computacional utilizada, Google Colab, impuso limitaciones críticas de memoria RAM, almacenamiento en disco y tiempo de ejecución continua. Estas restricciones limitaron la exploración de hiperparámetros y el número de épocas de entrenamiento a solo 10. Modelos robustos como ResNet50 y VGG16 frecuentemente necesitan cientos de épocas para ajustar finamente sus pesos en problemas de alta complejidad (He et al., 2016). La sub-optimización de los hiperparámetros, debido a estas limitaciones, puede haber impedido que las redes rompieran la barrera de la memorización y alcanzaran una generalización real.

La similitud de los resultados entre arquitecturas de distintas complejidades (ResNet50 y MobileNetV2) en la prueba independiente refuerza la tesis de que el obstáculo no reside en el poder computacional de las redes, sino en la necesidad de un refinamiento de datos (fine-tuning) y un aumento de la diversidad de la muestra de entrenamiento para romper la barrera de la generalización. La precisión del 50% en la prueba independiente, según la tesis de Lopes et al. (2026), fue un subproducto de la memorización de identidades (sobreajuste), y no de una detección genuina de artefactos sintéticos, revelando que la automatización facilitada por `image_dataset_from_directory`, sin una separación rigurosa por individuos, tiende a enmascarar la real incapacidad de generalización del modelo ante nuevos ataques.

En última instancia, la trayectoria experimental recorrida en este estudio, desde el reequilibrio de clases vía downsampling hasta la evaluación exhaustiva de los modelos de Transfer Learning, revela que la detección de deepfakes en bases de alta fidelidad como Celeb-DF v2 trasciende la simple optimización de hiperparámetros. El hiato observado entre la precisión de validación del 88% y la de prueba del 50% no debe interpretarse como una falla del modelo, sino como un diagnóstico técnico preciso sobre las limitaciones de las CNN contemporáneas. La falacia de la precisión en entornos controlados oculta la fragilidad de artefactos de textura que a menudo se eliminan en el preprocesamiento, como lo confirma la tesis de Lopes, Laroca y Grégio (2026).

Por lo tanto, los resultados aquí presentados sirven como una advertencia metodológica, indicando que el combate a la desinformación exige un cambio de paradigma, moviendo el foco del rendimiento en laboratorio a la robustez en escenarios reales. La confiabilidad de un sistema de seguridad digital no reside en la persecución de métricas nominales elevadas, sino en la capacidad del modelo para generalizar patrones de síntesis de forma cuestionadora a la identidad del sujeto. Este estudio establece una base sólida para que investigaciones futuras incorporen análisis de incertidumbre y particiones de datos estrictamente basadas en identidades, con el objetivo de romper barreras de generalización y garantizar que la Inteligencia Artificial actúe como un filtro verdaderamente íntegro en la preservación de la verdad biométrica.

4. Conclusión

Este estudio evaluó la eficacia de modelos pre-entrenados de transfer learning en la distinción entre imágenes reales y sintéticas, específicamente deepfakes. Se observó que, tras el preprocesamiento y el rebalanceo del dataset Celeb-DF v2, las arquitecturas ResNet50, MobileNetV2 y VGG16 demostraron un alto rendimiento en validación interna, con la ResNet50 alcanzando un AUC de 0,8762. Sin embargo, al ser sometidos a un conjunto de pruebas independiente, los modelos presentaron una brecha de generalización significativa, con acuracias estabilizadas cercanas al 50%. Se observó que esta discrepancia se debió a un aprendizaje por atajo, donde los modelos se enfocaron en patrones de ruido digital y texturas específicas del dataset de entrenamiento, en lugar de artefactos de manipulación genuinos. El redimensionamiento de las imágenes a 224 x 224 píxeles también pudo haber suavizado o eliminado artefactos de síntesis, y la partición de los datos a nivel de frame, en lugar de por identidad, contribuyó a la fuga de datos faciales, inflando las métricas de validación y enmascarando la real capacidad de generalización.

La principal contribución de este trabajo reside en advertir metodológicamente que la detección robusta de deepfakes en escenarios reales exige más que la optimización de hiperparámetros o la simple transferencia de pesos de modelos genéricos. Las limitaciones computacionales del entorno de desarrollo restringieron la exploración de hiperparámetros y el número de épocas de entrenamiento, impidiendo que las redes rompieran la barrera de la memorización y alcanzaran una generalización real. Para estudios futuros, se sugiere la exploración de técnicas de aumento de datos y el refinamiento fino de las capas convolucionales más profundas. Se recomienda también la incorporación de análisis de incertidumbre y la utilización de particiones de datos estrictamente basadas en identidades, con el objetivo de superar las barreras de generalización y garantizar que la Inteligencia Artificial actúe como un filtro íntegro en la preservación de la verdad biométrica, combatiendo eficazmente la desinformación por medios sintéticos.

Referencias Bibliográficas

Forbes, 2023 [Referência completa não encontrada no documento original]

Junior, N.; Ediberto do J. 2023. Detecção de deepfakes utilizando redes neurais convolucionais. 46 f. Trabalho de Conclusão de Curso de Graduação em Engenharia de Computação, Campus de Sobral, Universidade Federal do Ceará, Sobral, CE, Brasil. Disponível em: <https://repositorio.ufc.br/handle/riufc/78832>. Acesso em: 31 ago. 2025.

Kaufman, D. 2022. Desmistificando a inteligência artificial. Belo Horizonte, MG, Brasil Autêntica.

MONTAÑO, R. A. N. R.: Inteligência Artificial. 1 ed. Curitiba [PR]: IESDE, 2021.

Silva, R. C. S. 2024. Prevenção contra deepfakes: desenvolvimento de um sistema de reconhecimento facial para diferenciar rostos humanos de rostos gerados por IA. Disponível em: <http://repositorio.ifam.edu.br/jspui/

Westerlund, M. 2019. The Emergence of Deepfake Technology: A Review (Volume 9, Issue 11). Disponível em <https://timreview.ca/article/1282> Acesso 15 out. 2015.

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, haz clic aquí y accede 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 […]