Mostrar el registro sencillo del ítem

dc.contributor.advisorChauta Torres, José Manuel
dc.contributor.authorBocanegra Rairán, Luis Ernesto
dc.coverage.spatialBogotá D.C.
dc.date.accessioned2024-12-17T15:50:57Z
dc.date.available2024-12-17T15:50:57Z
dc.date.issued2022-02-07
dc.identifier.urihttp://hdl.handle.net/10823/7497
dc.description.abstractLa corrupción es un flagelo que afecta los intereses de todos. Las medidas establecidas en el marco legal colombiano con la formulación de leyes, documentos de política, creación de organizaciones y endurecimiento de sanciones para actos relacionados con la corrupción, tienen una escasa efectividad de recuperación del erario público (Isaza E., 2011) . Las entidades encargadas del control fiscal, catalogadas como entidades técnicas (Colombia, 1991), no están dotadas tecnológicamente para predecir de manera oportuna la terminación anormal de los procesos fiscales que tienen a su cargo. En el presente documento se demuestra como la utilización de una solución informática basada en la teoría de grafos, la inteligencia artificial y su aplicación mediante la técnica de aprendizaje automático, en las actuaciones procesales de los expedientes de responsabilidad fiscal en las contralorías territoriales, puede llegar a ser una herramienta de apoyo a la gestión misional del control fiscal en beneficio de la sociedad.spa
dc.description.tableofcontentsINTRODUCCIÓN... 1 1. JUSTIFICACIÓN... 2 2. OBJETIVOS... 7 2.1. Objetivo general... 7 2.2. Objetivos específicos... 7 3. ALCANCE DEL PROYECTO... 8 4. JUSTIFICACIÓN DEL PROYECTO... 9 5. PREGUNTA DE INVESTIGACIÓN... 13 6. REVISIÓN DE LITERATURA... 14 6.1. Problemática... 14 6.2 Los entes de control... 15 6.3 Detección del fraude... 15 6.4 Uso de la información... 17 6.5 Organizar la información... 18 6.6 Grafo... 9 6.7 Manejo del proceso de responsabilidad fiscal... 21 6.8 Aprendizaje de máquina... 30 6.9 Aprendizaje Automático... 31 6.10 Algoritmos de Minería de Datos... 32 6.11 Grafos de conocimiento... 33 6.12 Bases de datos orientadas a grafos... 34 6.13 Implementación en tramas de corrupción... 35 6.14 Balanceo de datos... 38 7. ESTRATEGIA METODOLÓGICA... 40 8. CRISP-DM (Cross Industry Standard Process for Data Mining)... 42 9. DESARROLLO E IMPLEMENTACIÓN... 46 9.1. Análisis de la información... 46 9.2 Resultados en el análisis con Grafos... 54 9.3 Validación de Reglas del negocio y limpieza de datos... 62 9.4 Casos de Uso... 69 9.5 Diseño de Pantallas... 73 10 RESULTADOS... 77 11 DISCUSIÓN Y CONCLUSIONES... 86 REFERENCIAS... 89 ANEXO 1... 96 ANEXO 2... 98spa
dc.format.mimetypeapplication/pdfspa
dc.language.isospaspa
dc.titleAplicación de la teoría de grafos y la inteligencia artificial en el manejo procesal, como una herramienta de apoyo en los procesos de responsabilidad fiscalspa
dc.typematerThesisspa
dc.type.localTesis/Trabajo de grado - Monografía - Maestríaspa
dc.type.driverinfo:eu-repo/semantics/masterThesisspa
dc.title.translatedApplication of graph theory and artificial intelligence in procedural management, as a support tool in fiscal responsibility processesspa
dc.subject.proposalAprendizaje automáticospa
dc.subject.proposalContraloríasspa
dc.subject.proposalCrisp DMspa
dc.subject.proposalCorrupción gubernamentalspa
dc.subject.proposalFraudespa
dc.subject.lembAprendizaje automático - inteligencia artificialspa
dc.subject.lembCiencia de datosspa
dc.subject.lembControl fiscalspa
dc.description.abstractenglishCorruption is a scourge that affects the interests of all. The measures established in the Colombian legal framework with the formulation of laws, public politic documents, creation of organizations and tightening of sanctions for acts related to corruption, have little effectiveness in recovering the public treasury. (Isaza E., 2011) The entities in charge of fiscal control, classified as technical entities (Colombia, 1991) are not technologically equipped to predict in a timely manner the abnormal termination of the fiscal processes they are in charge of. This document demonstrates how the use of a computer solution based on graph theory, artificial intelligence and its application, through the technique of automatic learning in the procedural actions of fiscal responsibility files in the territorial comptrollers' offices, can reach be a tool to support the missionary management of the fiscal control for the benefit of society.spa
dc.subject.keywordsComptrollersspa
dc.subject.keywordsCrisp DMspa
dc.subject.keywordsGovernment corruptionspa
dc.subject.keywordsFraudspa
dc.subject.keywordsMachine learningspa
dc.relation.references[1] Calabuig, J. M., Falciani, H., Ferrer-Sapena, A., García-Raffi, L. M., Raso, E., Sánchez Del Toro, I., Sánchez-Pérez, E. A., & Madϕ, G. (2018). Detección y prevención de las malas prácticas y la corrupción desde la perspectiva de las matemáticas (*).spa
dc.relation.references[2] Solé, J. P. (2018). La prevención de riesgos de mala administración y corrupción, la inteligencia artificial y el derecho a una buena administración (*). http://www.leru.org/files/publications/Interdisciplinarity_and_the_21st_century_research-intensive_university.pdfspa
dc.relation.references[3] Microsoft Docs. (2020) Algoritmos de minería de datos (Analysis Services, minería de datos). Retrieved May 8, 2020, from https://docs.microsoft.com/es-es/analysis-services/data-mining/data-mining-algorithms-analysis-services-data-mining?view=asallproducts-allversionsspa
dc.relation.references[4] IBM. (2012). Manual CRISP-DM de IBM SPSS Modeler, from ftp://ftp.software.ibm.com/software/analytics/spss/documentation/modeler/15.0/es/CRISP-DM.pdfspa
dc.relation.references[5] Emerio Villamil, J. (2010). Corruption in Colombia, conceptual and methodological approaches to address it.spa
dc.relation.references[6] Blanes Climent, M.A. (2017). El sistema de alertas desde enfoques diversos. el SÍNDIC DE GREUGES (*). Revista internacional de transparencia e integridad. Disponible en: https://revistainternacionaltransparencia.org/wp-content/uploads/2017/12/miguel_angel_blanes.pdfspa
dc.relation.references[7] Zuleta, A. P. (n.d.) (2015). La corrupción su historia y sus consecuencias en Colombia.spa
dc.relation.references[8] Solé, J. P. (2018). La prevención de riesgos de mala administración y corrupción, la inteligencia artificial y el derecho a una buena administración (*). Revista internacional de transparencia e integridad. Disponible en: http://www.leru.org/files/publications/Interdisciplinarity_and_the_21st_century_research-intensive_university.pdfspa
dc.relation.references[9] Amoedo Barreiro, D. (2018). Los sistemas informáticos de detección de malas prácticas, herramientas esenciales para la prevención de la corrupción (*). Revista internacional de transparencia e integridad. Disponible en: https://revistainternacionaltransparencia.org/wp-content/uploads/2017/12/alberto_mario_gonzalez.pdfspa
dc.relation.references[10] Comisión Económica para América Latina y el Caribe (CEPAL) (2020). Recuperar la confianza de los ciudadanos en las instituciones públicas es fundamental para retomar una senda de crecimiento inclusivo y de mayor bienestar para todos en América Latina y el Caribe | Comunicado de prensa. Retrieved October 15, 2020, from https://www.cepal.org/es/comunicados/recuperar-la-confianza-ciudadanos-instituciones-publicas-es-fundamental-retomar-sendaspa
dc.relation.references[11] Jaimes, O. et al. (2016) La corrupción y el fenómeno Nule. Corruption and Nule Phenomenon. Disponible en: http://hdl.handle.net/11232/736spa
dc.relation.references[12] Peña Álvarez, C. C., Pinilla, C., & Bello, M. (2017). Bases de datos orientadas a grafos. Tecnología Investigación y Academia, 5(2), 153–160. Recuperado a partir de https://revistas.udistrital.edu.co/index.php/tia/article/view/8769spa
dc.relation.references[13] Cerillo i Martínez, A. (2018). Diez propuestas para la colaboración ciudadana en la alerta de malas práctica en la administración pública. Revista Internacional Transparencia ORG. Disponible en: https://revistainternacionaltransparencia.org/wp-content/uploads/2018/04/agusti_cerrillo.pdfspa
dc.relation.references[14] Torres De Durand, E. (2019). Ingobernabilidad y corrupción. Centro de Gobernanza publica y Corporativa. Disponible en: https://gobernanzapr.org/wp-content/uploads/2019/09/Ingobernabilidad-y-corrupcion.pdfspa
dc.relation.references[15] Congreso de Colombia (2011). Ley 1474 de 2011. 12 de julio 2011(Colombia).spa
dc.relation.references[16] Congreso de Colombia (2000). Ley 610 de 2000. 12 de julio 2011(Colombia).spa
dc.relation.references[17] Ministerio de Justicia y del Derecho. Decreto (2020) – Ley 403 de 2020. 16 de marzo 2020.spa
dc.relation.references[18] Constitución Política de Colombia, [Const] (1991). Art. 29 y Art 209. 7 de julio de 1991 (Colombia).spa
dc.relation.references[19] Bellomarini, L., et al. (2020). Knowledge graphs: the layered perspective. In Lecture Notes in Computer Science (including subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics): Vol. 12072 LNCS (pp. 20–34). Springer. https://doi.org/10.1007/978-3-030-53199-7_2spa
dc.relation.references[20] Janev, V. (2020). Ecosystem of big data. In Lecture Notes in Computer Science (including subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics): Vol. 12072 LNCS (pp. 3–19). Springer. https://doi.org/10.1007/978-3-030-53199-7_1spa
dc.relation.references[21] Palestina, I.E (2018). Corrupción y crecimiento económico: las percepciones de la sociedad colombiana. Revista CES Derecho, (9), 1, enero – junio 2018, 59-72. Disponible en: http://www.scielo.org.co/pdf/cesd/v9n1/2145-7719-cesd-9-01-59.pdfspa
dc.relation.references[22] Isaza E., C. (2011). El fracaso de la lucha anticorrupción en Colombia. OPERA. 11, 11 (nov. 2011), 221–239. Disponible en: https://revistas.uexternado.edu.co/index.php/opera/article/view/3571spa
dc.relation.references[23] Constitución Política de Colombia (1991), [Const]. Art. 272. 7 de julio de 1991 (Colombia).spa
dc.relation.references[24] Ordóñez Vásquez, T. et al. (2019). Fiscal findings and processes of fiscal responsibility in Colombia 2012-2017. Revista Republicana, 2019(27), 211–233. Disponible en: https://doi.org/10.21017/REV.REPUB.2019.V27.A74spa
dc.relation.references[25] Lima, M. S. M., & Delen, D. (2020). Predicting and explaining corruption across countries: A machine learning approach. Government Information Quarterly, 37(1), 101407. https://doi.org/10.1016/j.giq.2019.101407spa
dc.relation.references[26] Benbouzid, B. (2019). Values and consequences in predictive machine evaluation. A sociology of predictive policing1. Science and Technology Studies, 32(4), 119–136. https://doi.org/10.23987/sts.66156spa
dc.relation.references[27] Gómez, C. et al. (2020). Economía de datos e inteligencia artificial en América Latina. Oportunidades y riesgos para un aprovechamiento responsable. Buenos Aires: CETyS Universidad de San Andrés. Disponible en: https://7da2ca8d-b80d-4593-a0ab-5272e2b9c6c5.filesusr.com/ugd/7be025_59feb42ee7854fb8b9009195993da055.pdfspa
dc.relation.references[28] Congreso de Colombia (1992). Código de procedimiento administrativo, Articulo 44 y 45 (Colombia).spa
dc.relation.references[29] Entrevista Telefónica con la Exfuncionaria de la Contraloría de Bogotá y Auditoria General de la Republica – Ana Iddaly Salgado. Marzo de 2021.spa
dc.relation.references[30] Urueta, Carlos., et al. (2021). Aplicaciones de la teoría de grafos en la escogencia del punto óptimo para la implementación de una planta de beneficio a partir de la palma de aceite. Retrieved March 22, 2021, from http://www.mat.ucm.es/catedramdeguzman/modelizaciones/proyectos/proyecto10/index.htmspa
dc.relation.references[31] Atzeni, P., et al. (2020). Weaving enterprise knowledge graphs: The case of company ownership graphs∗. Advances in Database Technology - EDBT, 2020-March, 555–566. https://doi.org/10.5441/002/edbt.2020.66spa
dc.relation.references[32] Spositto, O., et al (2021). CACIC 2020 - SMOTE, Algoritmo para balanceo de clases en un estudio aplicado a la ganadería. Organizado por el Dto. Ingeniería e Investigaciones Tecnológicas UNLaM y la RedUNCI. Retrieved October 3, 2021, from www.cs.waikato.ac.nz/~ml/weka/spa
dc.relation.references[33] Asniar, Nur U. et al. (2021), SMOTE-LOF for noise identification in imbalanced data classification, Journal of King Saud University – Computer and Information Sciences, https://doi.org/10.1016/j.jksuci.2021.01.014spa
dc.relation.references[34] Arrieta, J., & Mera, Carlos. (2015). Métodos de clasificación con etiquetado débil para la inspección visual automática en problemas industriales View project Automatic visual inspection through Multiple Instance Learning View project Carlos Mera Instituto Tecnológico Metropolitano. https://www.researchgate.net/publication/283642919spa
dc.relation.references[35] Moreno, J & Rodríguez, et al. (2009). SMOTE-I: mejora del algoritmo SMOTE para balanceo de clases minoritarias. Disponible en: https://www.researchgate.net/publication/229045207_SMOTE-I_mejora_del_algoritmo_SMOTE_para_balanceo_de_clases_minoritarias/citation/downloadspa
dc.relation.references[36] Vásquez, M. et al. (2019). Balanceo de datos del Síndrome de Guillain-Barré utilizando SMOTE para la clasificación de subtipos. Research in Computing Science. 148. 113-125. 10.13053/rcs-148-7-9. Disponible en: https://rcs.cic.ipn.mx/2019_148_7/Balanceo%20de%20datos%20del%20Sindrome%20de%20Guillain-Barre%20utilizando%20SMOTE%20para%20la%20clasificacion%20de%20subtipos.pdfspa
dc.relation.references[37] Bechberger D. and Perryman J. (2020), “Graph Databases in Action”, 1st ed. Manning Publications.spa
dc.relation.references[38] Ralph P. Grimaldi (1998), Matemáticas discretas y combinatoria: una introducción con aplicaciones, Pearson Educación. Disponible en https://books.google.es/books?id=lHqqjoR0b1YCspa
dc.relation.references[39] Moreno, W. et al. (2012). El triángulo del fraude. In Forum Empresarial (Vol. 17, No. 1, pp. 65-81). Centro de Investigaciones Comerciales e Iniciativas Académicas. Disponible en: https://www.redalyc.org/pdf/631/63124039003.pdfspa
dc.relation.references[40] Abarca Aguirre, J. (2010). La corrupción burocrática: corruptos, corruptores, delitos y justicia en chile colonial (1621-1700). Tesis Doctoral- Universidad de Chile, Departamento de Ciencias Históricas. Santiago de Chile. Disponible en: https://repositorio.uchile.cl/bitstream/handle/2250/108601/fi-abarca_j.pdf?sequence=3&isAllowed=yspa
dc.relation.references[41] Fundación Vortex para la Procuraduría General de la Nación, Colombia (2020). Convenio de Cooperación para Diseñar una metodología que permita identificar redes y patrones de macro-corrupción en Colombia. Agosto 4 de 2020. Bogotá, Colombia. Disponible en: https://www.procuraduria.gov.co/portal/media/file/Protocolo%20metodol%C3%B3gico%20de%20An%C3%A1lisis%20de%20Redes%20Criminales%20en%20la%20Procuradur%C3%ADa%20General%20de%20la%20Naci%C3%B3n.pdfspa
dc.relation.references[42] Sánchez Durán, J. (2020). Bigdata y gestión pública colombiana: Caso Contraloría General de la República. Universidad de los Andes. Mayo de 2020. Bogotá, Colombia. Disponible en: https://repositorio.uniandes.edu.co/bitstream/handle/1992/48418/u833453.pdfspa
dc.relation.references[43] Contraloría General de la Republica. (2019). Océano. Año 33. Septiembre -noviembre de 2019. Central de información contractual. Revista Economía Colombiana. N. 356. Disponible en: https://www.economiacolombiana.co/revista/oceano-393spa
dc.relation.references[44] Contraloría General de la Republica. (2013). Resolución orgánica 7130 de 2013. Mayo 16 de 2013. Disponible en: https://normativa.colpensiones.gov.co/colpens/docs/resolucion_contraloria_7130_2013.htmspa
dc.relation.references[45] Contraloría General de la Republica. (2021). Definiciones de Responsabilidad Fiscal. Disponible en: https://www.contraloria.gov.co/control-fiscal/responsabilidad-fiscal Consultado el 10 de diciembre de 2021.spa
dc.relation.references[46] TodoBI Business Intelligence (2019). Análisis de los Panamá Papers con Neo4J - Big Data (Comercial). Disponible en: https://todobi.com/analisis-de-los-panama-papers-con-neo4j/ Consultado el 27 de diciembre de 2021.spa
dc.relation.references[47] Departamento Administrativo Nacional de Estadística. (2021). Departamentos y municipios de Colombia. Actualizado el 05 de noviembre de 2021. Disponible en: https://www.datos.gov.co/Mapas-Nacionales/Departamentos-y-municipios-de-Colombia/xdk5-pm3f .Consultado el: 27 de diciembre de 2021.spa
dc.relation.references[48] Auditoria General de la Republica. (2019). SIA Misional AGR Manual del módulo SIREL. Disponible en: http://misional.auditoria.gov.co/modules/rec/documentos/Manual_REC_AGR.pdfspa
dc.relation.references[49] Daza Vergaray, A. (2016). Data Mining. Minería de Datos. Editorial Macro, Primera edición. Julio de 2016.spa
dc.relation.references[50] Sandoval, L. (2018). Algoritmos de aprendizaje automático para análisis y predicción de datos. Repositorio Digital de la Ciencia y Cultura de El Salvador REDICCES. Disponible en: https://core.ac.uk/reader/162564840spa
dc.relation.references[51] Rapidminer. Documentación de Rapidminer (2014). Disponible en: https://docs.rapidminer.com/downloads/RapidMiner-v6-user-manual.pdf Consultado el 02/01/2022spa
dc.publisher.programMaestría en Ingeniería de Sistemasspa
dc.type.coarhttp://purl.org/coar/resource_type/c_bdccspa
dc.publisher.facultyFacultad Ingeniería y Diseño e Innovaciónspa
dc.identifier.instnameinstname:Politécnico Grancolombianospa
dc.identifier.reponamereponame:Alejandría Repositorio Comunidadspa
dc.type.hasversioninfo:eu-repo/semantics/acceptedVersion
dc.rights.accessrightsinfo:eu-repo/semantics/openAccess
dc.identifier.repourlrepourl:http://alejandria.poligran.edu.cospa
dc.type.redcolhttps://purl.org/redcol/resource_type/TM
dc.rights.creativecommonsAtribución-NoComercial-SinDerivadas 2.5 Colombiaspa
dc.type.versioninfo:eu-repo/semantics/submittedVersionspa
dc.type.coarversionhttp://purl.org/coar/version/c_71e4c1898caa6e32spa


Ficheros en el ítem

Thumbnail

Este ítem aparece en la(s) siguiente(s) colección(ones)

Mostrar el registro sencillo del ítem