Modelo predictivo basado en inteligencia artificial y oversampling para accidentes laborales en CorporaciÛn de Alimentos MarÌtimo S.A.C

Abstract

La prevenciÛn de accidentes laborales representa un desafÌo para la empresa del sector pesquero CorporaciÛn de Alimentos MarÌtimo S.A.C, siendo fundamental implementar herramientas tecnolÛgicas que permitan predecir situaciones de riesgo. La presente tesis tuvo como objetivo general aplicar un modelo basado en inteligencia artificial y Oversampling para predecir los accidentes laborales en la CorporaciÛn de Alimentos MarÌtimo S.A.C. Se evaluaron los desempeÒos de los modelos mediante las mÈtricas Accuracy (Exactitud), Precision (PrecisiÛn), Recall (Sensibilidad), F1-Score (PuntuaciÛn F1), ROC-AUC (£rea bajo la curva ROC) y Matthews Correlation Coefficient (Coeficiente de correlaciÛn de Matthews, MCC). El estudio se desarrollÛ bajo un enfoque cuantitativo, de tipo aplicado, con un diseÒo no experimental y subtipo transversal correlacional-predictivo. La metodologÌa estuvo basada en el proceso KDD (Knowledge Discovery in Databases), que permitiÛ identificar patrones relevantes a partir de los datos. La poblaciÛn estuvo conformada por 110 registros de accidentes laborales de trabajadores de la empresa pesquera. Se empleÛ la tÈcnica de an·lisis de registros y se utilizaron fichas de registro como instrumento. Como resultado, el modelo de Gradiente se mostrÛ Ûptimo, alcanzando 100% en Accuracy, Precision, F1-Score, ROC-AUC y Matthews Correlation Coefficient, mientras que en Recall destacaron con 100% tanto Gradiente como Random Forest, demostrando su efectividad y confiabilidad para predecir y prevenir accidentes laborales en la pesquera. Como conclusiÛn, el uso de modelos de Inteligencia Artificial y Oversampling permite predecir de manera confiable los accidentes laborales en la CorporaciÛn de Alimentos MarÌtimo S.A.C., siendo Gradiente el modelo con un desempeÒo superior