| dc.description.abstract | El avance en inteligencia artificial (IA) ha permitido desarrollar modelos capaces de procesar grandes volúmenes de datos y tomar decisiones en tiempo real. Sin embargo, tecnologías como las redes generativas adversarias (GAN) plantean desafíos éticos significativos, especialmente con los DeepFakes, videos manipulados digitalmente que generan desinformación y manipulación pública. Este proyecto propone una herramienta basada en aprendizaje automático para detectar DeepFakes y contribuir a la seguridad digital.
La metodología incluyó la clasificación de videos en categorías "original" y "deepfake", garantizando un conjunto balanceado. Se investigaron diversas arquitecturas de redes neuronales convolucionales (CNN) seleccionadas por su rendimiento, flexibilidad y eficiencia computacional. Los datos se preprocesaron y se ajustaron hiperparámetros clave para optimizar el modelo. Las métricas empleadas, como precisión, recall y puntuación F1, permitieron evaluar el desempeño de manera integral.
Los resultados muestran una precisión global del 63.86%, con un recall del 72.03% y una puntuación F1 de 66.59%. El modelo identifica la mayoría de los DeepFakes, pero aún presenta falsos positivos y negativos, especialmente en condiciones de baja iluminación y con videos más complejos. La matriz de confusión evidencia un buen desempeño en clasificaciones generales, pero señala áreas de mejora.
El sistema es funcional para detectar DeepFakes comunes en redes sociales. Con un enfoque en la escalabilidad, la integración de nuevos datos podría mejorar su precisión y robustez. Este proyecto sienta las bases para el desarrollo de una herramienta más completa y adaptada a los avances tecnológicos en la generación de DeepFakes. | spa |
