MAVA: Identificación Del Tipo De Piel Y Recomendaciones Personalizadas Mediante El Uso 

De IA.  

 

 

María Paula Domínguez Jiménez 

María José Gómez Gómez 

Laura Valentina Rivera León 

 

 

Facultad De Ingeniería, Universidad EAN 

Proyecto De Grado 

Profesor John Jairo Porras Vega 

Bogotá, 31 de mayo de 2025 



Proyecto De Grado - MAVA 

 2 

Índice General 

Índice de Tablas….……………………...………………………...………………………... pág. 4 

Índice De Figuras ….……………………....……………………...………………………... pág. 6 

Resumen Ejecutivo………………………………………………...………………………... pág. 8 

Abstract …………………………………………………………...………………………... pág. 9 

Introducción……………………………………………………………………………..… pág. 10 

Objetivos……………………………………………………………………...…………… pág. 12 

Definición Del Problema……………………………………………………….......……… pág. 13 

Justificación……………………………..……………………………………...…..……… pág. 15 

Marco Teórico…………………………………………………………………...…..…..… pág. 17 

Restricciones..…………………………………………………………………...…..…..… pág. 24 

Analisis De Requerimientos ………………………………………………….....…..…..… pág. 27 

Metodología De Selección Y Desarrollo...………………………...……………….……... pág. 34 

Sistema De Costos Para Creación De Aplicación Web ………………………...…..…..… pág. 37 

Aplicación Del Método De Desarrollo ..………………………….………..…...…..…..… pág. 39 

Pila Del Producto ………………………………...……………….………..…...…..…..… pág. 42 

Analisis De Arquitectura Y Diseño ….…………...……………….………..…...…..…..… pág. 46 



Proyecto De Grado - MAVA 

 3 

Arquitectura Del Software ….….…..……...………….………….………..…...…..…..… pág. 48 

Modelos De Datos ………………………………………………………...……….……… pág. 51 

Prototipo No Funcional …………………………………………………...……….……… pág. 54 

Implementaciones ………………………………………………………...……….……… pág. 58 

Pruebas Y Calidad Del Software …………………………………………………..……… pág. 71 

Conclusiones ……………………………………………………………...……….……… pág. 82 

Pasos Futuros ……………………………………...……………………...……….……… pág. 84 

Referencias………………………………………………………………...……….……… pág. 85 

 

 

 

 

 

 

 

 

 



Proyecto De Grado - MAVA 

 4 

Índice De Tablas 

Historias De Usuario - HU001………..………………………...…………………..……... pág. 27 

Historias De Usuario - HU002………..…………………………...………………..……... pág. 28 

Historias De Usuario - HU003………..…………………………...………………..……... pág. 29 

Historias De Usuario - HU004………..…………………………...………………………. pág. 29 

Historias De Usuario - HU005………..…………………………...……………………..... pág. 30 

Historias De Usuario - HU006………..…………………………...…………………..…... pág. 31 

Historias De Usuario - HU007………..…………………………...………………..……... pág. 32 

Costos ……………………….………..…………………………...………………..……... pág. 37 

Product Backlog 1 ………..……………..……………………...…………………..……... pág. 42 

Product Backlog 2 ………..……………..……………………...…………………..……... pág. 42 

Product Backlog 3 ………..……………..……………………...…………………..……... pág. 43 

Product Backlog 4 ………..……………..……………………...…………………..……... pág. 43 

Product Backlog 5 ………..……………..……………………...…………………..……... pág. 43 

Product Backlog 6 ………..……………..……………………...…………………..……... pág. 44 

Product Backlog 7 ………..……………..……………………...…………………..……... pág. 44 

Analisis De Arquitectura Y Diseño ………..……………………...…………………..…... pág. 46 



Proyecto De Grado - MAVA 

 5 

Tabla De Diccionario De Datos………..………………………...………………..……... pág. 52 

Pruebas De Formulario De Consentimiento ……………………...………………..……... pág. 71 

Pruebas De La Predicción Y Recomendación De Ingredientes ………..…………..……... pág. 75 

Prueba De Base De Datos ………..…………………..…………...………………..……... pág. 77 

 

 

 

 

 

 

 

 

 

 

 

 

 



Proyecto De Grado - MAVA 

 6 

Índice De Figuras 

Diagrama De Contexto ………...……..………………………...…………………..……... pág. 48 

Diagrama De Contenedores ………..……………………...……...………………..……... pág. 48 

Diagrama De Componentes ………..………………………...…...………………..……... pág. 49 

Estructura De La Base De Datos No Relacional ………..…………………..……………. pág. 51 

Mockups MAVA ……………………..…………………………...……………………..... pág. 57 

Pruebas 1 Postman ………….………..…………………………...…………………..…... pág. 72 

Pruebas 2 Postman ………….………..…………………………...…………………..…... pág. 72 

Pruebas 3 Postman ………….………..…………………………...…………………..…... pág. 73 

Pruebas 4 Postman ………….………..…………………………...…………………..…... pág. 73 

Pruebas 5 Postman ………….………..…………………………...…………………..…... pág. 74 

Pruebas 6 Postman ………….………..…………………………...…………………..…... pág. 75 

Pruebas 7 Postman ………….………..…………………………...…………………..…... pág. 76 

Pruebas 8 Postman ………….………..…………………………...…………………..…... pág. 77 

Prueba Base De Datos ………………..…………………………...………………………. pág. 78 

Prueba Consentimiento Para Análisis ………..…………………...……………………..... pág. 78 

Prueba Subida De Imágenes ………..…………………...………...…………………..…... pág. 79 



Proyecto De Grado - MAVA 

 7 

Prueba Subida De Imágenes Incorrecto ………..…………………………………..……... pág. 80 

Prueba Visualización De Resultados ……………………….………..……...……..……... pág. 80 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 



Proyecto De Grado - MAVA 

 8 

Resumen Ejecutivo 

El cuidado de la piel ha evolucionado con avances científicos y tecnológicos, pero la 

desinformación y la amplia oferta de productos dificultan la elección adecuada. MAVA surge 

como una aplicación innovadora que, mediante análisis de imágenes faciales y aprendizaje 

automático, identifica el tipo de piel y sugiere ingredientes basados en estudios científicos. 

Desarrollada en Visual con el lenguaje de programación Python, optimiza bases de datos y 

ofrece una interfaz intuitiva para brindar recomendaciones rápidas y confiables. Más que 

personalizar el cuidado de la piel, MAVA combate la desinformación y ofrece una alternativa 

accesible y basada en evidencia científica en la industria cosmética 

Palabras Claves: Cuidado de la piel, desinformación, inteligencia artificial, aprendizaje 

automático, análisis facial, tipo de piel, ingredientes cosméticos, python, visual, base de datos, 

recomendaciones personalizadas, interfaz intuitiva, evidencia científica, industria cosmética, 

MAVA. 

 

 

 

 

 

 



Proyecto De Grado - MAVA 

 9 

Abstract 

Skin care has evolved with scientific and technological advancements, but 

misinformation and the overwhelming variety of products make it difficult to choose the right 

one. MAVA emerges as an innovative application that, through facial image analysis and 

machine learning, identifies skin type and suggests ingredients based on scientific studies. 

Developed in Visual using the Python programming language, it optimizes databases and offers 

an intuitive interface to provide quick and reliable recommendations. More than just 

personalizing skin care, MAVA combats misinformation and offers an accessible, evidence-

based alternative in the cosmetic industry. 

Keywords: skin care, misinformation, artificial intelligence, machine learning, facial analysis, 

skin type, cosmetic ingredients, python, visual (development environment), database 

optimization, personalized recommendations, intuitive interface, scientific evidence, cosmetic 

industry, MAVA. 

 

 

 

 

 

 

 



Proyecto De Grado - MAVA 

 10 

Introducción 

El presente documento se encuentra estructurado en distintas secciones que permiten 

comprender de forma integral el desarrollo del proyecto MAVA. Inicia con un resumen 

ejecutivo, seguido de la introducción, la justificación y los objetivos general y específicos. 

Posteriormente, se describe la situación problema, el marco teórico, y se realiza un análisis 

de requerimientos y restricciones. Se explican también los métodos de selección y desarrollo, y 

se detalla su aplicación mediante fases como el product backlog, la arquitectura de solución, 

el modelo de datos, el prototipo no funcional, la implementación y las pruebas de calidad. 

Finalmente, se presentan las conclusiones y posibles pasos futuros. 

El cuidado de la piel es una práctica ancestral que ha evolucionado con el tiempo, 

adaptándose a descubrimientos científicos, tendencias y necesidades individuales. Sin embargo, 

en un mundo donde la oferta de productos cosméticos es inmensa y las rutinas de cuidado varían 

de persona a persona, identificar los ingredientes adecuados puede convertirse en un desafío. 

Muchas veces, las decisiones se basan en recomendaciones generalizadas o tendencias del 

mercado, sin considerar las particularidades de cada piel.  En este contexto, la inteligencia 

artificial (IA) ofrece una oportunidad innovadora para personalizar el cuidado cutáneo, 

proporcionando recomendaciones basadas en el análisis de características específicas. MAVA 

surge con este propósito: una aplicación diseñada para identificar el tipo de piel mediante el 

procesamiento de imágenes faciales y ofrecer sugerencias de ingredientes activos adecuados, 

todo ello respaldado por tecnología avanzada y evidencia científica.  

Este proyecto se desarrolla con un enfoque interdisciplinario, combinando conocimientos 

de ingeniería química e ingeniería de sistemas para abordar un problema que afecta a una amplia 



Proyecto De Grado - MAVA 

 11 

población. El sistema utilizará modelos de IA para analizar imágenes y clasificar tipos de piel en 

función de patrones visuales, sin reemplazar en ningún momento la evaluación dermatológica 

profesional.  A partir de esta clasificación, el sistema accederá a una base de datos especializada 

en ingredientes cosméticos, ofreciendo a los usuarios recomendaciones personalizadas sobre 

componentes activos que podrían beneficiar su piel. Este enfoque no solo facilita el acceso a 

información basada en datos, sino que también contribuye a una toma de decisiones más 

informada en el ámbito del cuidado personal.  

El desarrollo de MAVA no solo representa un avance en la intersección entre tecnología 

y cuidado de la piel, sino que también abre nuevas posibilidades en la personalización del 

bienestar. Con el crecimiento de la inteligencia artificial en la industria cosmética, este proyecto 

busca sentar un precedente sobre cómo la tecnología puede ser una aliada en la comprensión de 

las necesidades individuales de la piel. A través de esta investigación, se espera no solo ofrecer 

una solución innovadora, sino también aportar conocimientos valiosos sobre la relación entre los 

ingredientes activos y los diferentes tipos de piel, promoviendo un enfoque más informado y 

accesible en el cuidado dermatológico. 

 

 

 

 

 

 

 

 



Proyecto De Grado - MAVA 

 12 

Objetivos 

Objetivo Generalxs 

Desarrollar una aplicación web que identifique el tipo de piel a partir de imágenesfaciales 

y recomiende componentes específicos, mediante el uso de análisis de datos e inteligencia 

artificial. 

Objetivo Específicos 

Determinar el modelo de inteligencia artificial más adecuado en la clasificación de tipos

de piel en el contexto del proyecto. 

Implementar un proceso sencillo y adaptable para recolectar información sobre 

ingredientes, considerando las diferentes condiciones de la piel a analizar. 

Desarrollar un sistema de recomendación que relacione los tipos de piel con los 

ingredientes, a través de una base de datos respaldada por evidencia científica. 

 

 

 

 

 

 

 

 

 



Proyecto De Grado - MAVA 

 13 

Definición Del Problema 

Según Begum (2024), en los últimos años, el interés en el cuidado de la piel ha crecido 

exponencialmente, lo que ha impulsado un aumento en la compra de productos dirigidos a este 

fin. Internet se ha convertido en la principal fuente de información para conocer sobre belleza y 

cuidado, además de influir en las decisiones de compra. Aunque en redes sociales están presentes 

profesionales de la salud que brindan información confiable, la circulación de consejos de 

personas no expertas también es común, lo que ha llevado a la divulgación de información 

errónea sobre el uso correcto de productos según los tipos de piel.  

Es bien sabido que cada piel es distinta y requiere productos y rutinas de acuerdo con sus 

necesidades. Sin embargo, la exposición constante a información inexacta sobre los diferentes 

tipos de piel puede derivar en el uso de productos inadecuados, lo que podría causar reacciones 

adversas y a veces incluso agravar condiciones de la piel ya existentes (Mazilu, 2025). Por otro 

lado, el acceso a dermatólogos no siempre es posible para muchas personas, lo que las lleva a 

confiar en recomendaciones de influencers en redes sociales. Estos creadores de contenido 

carecen de conocimientos científicos y, en muchas ocasiones, tienen mayor influencia en las 

decisiones de los consumidores que los propios expertos en dermatología (Benedict, 2022).  

Ante esta falta de acceso a profesionales de la piel, han surgido diversas herramientas en 

línea que permiten a los usuarios crear rutinas de cuidado de la piel, conocer los componentes de 

los productos que adquieren e incluso utilizar inteligencia artificial para obtener respuestas y 

recomendaciones. Sin embargo, estas soluciones presentan limitaciones, ya que muchas se basan 

en descripciones generales o información incompleta y no consideran factores clave como la 



Proyecto De Grado - MAVA 

 14 

condición de la piel del usuario, la interacción de los ingredientes en las formulaciones o la 

variabilidad en la reacción cutánea a los productos.  

Es por ello por lo que surge la necesidad de una aplicación que permita a los usuarios 

analizar su tipo de piel a través de imágenes reales de sí mismos para reconocer su tipo de piel y 

recibir recomendaciones personalizadas basadas en ese análisis único. Haciendo uso de la 

inteligencia artificial se evaluarán características claves de la piel para determinar su tipología y 

dar sugerencias de componentes ideales según sus necesidades 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 



Proyecto De Grado - MAVA 

 15 

Justificación 

El cuidado de la piel va más allá de una simple rutina de belleza; representa un gesto de 

cariño hacia uno mismo y un modo de conectar tanto internamente como externamente con las 

necesidades específicas de cada tipo de piel. A lo largo del tiempo, se han buscado distintas 

formas de proteger y alimentar la piel, tomando como guía el conocimiento tradicional, 

tradiciones científicas y, en épocas más modernas, influencias provenientes del mundo digital.  

En un mundo donde la información se comparte de forma rápida y desordenada, muchas 

decisiones sobre el cuidado de la piel no se basan en conocimientos reales sino en tendencias 

pasajeras o estrategias de marketing ampliamente difundidas. Esta falta de conexión entre las 

necesidades verdaderas de la piel y la información disponible puede llevar al uso de productos 

inapropiados que no solo resultan ineficaces, sino que también pueden causar daños o empeorar 

problemas ya existentes.    

En este escenario se planteó la necesidad de una solución que facilite comprender la piel 

desde una óptica científica y personalizada para que cada individuo pueda tomar decisiones bien 

fundamentadas en cuanto a su salud y bienestar se refiere. Es en este contexto donde MAVA 

surge como una respuesta a dichas exigencias al fusionar la potencia de la inteligencia artificial 

junto al sincero anhelo de proporcionar una herramientas accesible y confiable. Mediante el 

estudio de fotografías faciales, la app puede determinar el tipo de piel y sugerir ingredientes 

activos respaldados por investigaciones científicas, disminuyendo la duda y evitando depender 

de información sin base sólida.    

La relevancia de este proyecto radica en su capacidad de unir tecnología y bienestar 

personal en un solo espacio, facilitando el acceso a información confiable para quienes desean 



Proyecto De Grado - MAVA 

 16 

comprender mejor su piel y mejorar su cuidado. En una sociedad donde el acceso a dermatólogos 

no siempre es viable para todas las personas, ya sea por razones económicas, geográficas o de 

disponibilidad, contar con una herramienta que ofrezca una orientación personalizada basada en 

evidencia representa un avance significativo.   

Desde un punto de vista tecnológico, el avance de MAVA permite explorar las 

posibilidades de la inteligencia artificial en el campo de la belleza y el cuidado personal. A 

medida que la IA se incorporan cada vez más en diferentes aspectos de la vida diaria, su 

aplicación en el cuidado de la piel ofrece una oportunidad innovadora para mejorar la precisión 

en la detección de necesidades cutáneas y la sugerencia de ingredientes eficientes. Este proyecto 

no solo impulsa el desarrollo tecnológico enfocado en la salud y el bienestar estético, sino que 

también establece un precedente en cuanto al uso ético.  y comprometido/a en el uso de la 

inteligencia artificial para promover el bienestar individual.    

Además, el impacto de MAVA trasciende lo individual, ya que promueve una cultura de 

cuidado basado en información verificada, fomentando una mayor educación sobre los 

ingredientes cosméticos y su función en la piel. Al ofrecer recomendaciones respaldadas por 

estudios científicos, la aplicación web se posiciona como una alternativa confiable frente al 

bombardeo de información errónea que circula en redes sociales y medios digitales. En un 

mundo donde el bienestar es cada vez más personalizado y donde la tecnología tiene el potencial 

de ser una aliada en este proceso, MAVA representa un puente entre la ciencia y la cotidianidad, 

ofreciendo una solución accesible, confiable y significativa.   

 

 

 



Proyecto De Grado - MAVA 

 17 

Marco Teórico 

Aplicaciones De La Inteligencia Artificial En Dermatología  

 En un mundo donde la tecnología avanza a un ritmo vertiginoso, la medicina no ha 

tenido más opción que trabajar a la par para no quedar rezagada. La inteligencia artificial (IA) ha 

cambiado por completo la forma en que se entiende y practica la medicina, especialmente en 

dermatología. Gracias a ella, hoy es posible analizar imágenes médicas con mayor precisión, 

entrenar modelos capaces de identificar enfermedades cutáneas y optimizar la documentación de 

los historiales clínicos.   

Tecnologías como la dermatoscopia con IA y las biopsias no invasivas han permitido 

reducir la necesidad de procedimientos agresivos, haciendo que los diagnósticos sean más 

rápidos y accesibles. La dermatología, una especialidad donde la observación visual es 

fundamental, no podía quedarse atrás. Aplicar modelos de aprendizaje automático ha permitido 

extraer patrones en imágenes cutáneas con una precisión que, en muchos casos, compite con la 

de un especialista humano (Du-Harpur et al., 2020).  

Uno de los principales desafíos de la IA en dermatología es la equidad en el diagnóstico, 

muchos modelos dependen de bases de datos que no siempre incluyen suficientes muestras de 

diferentes tipos de piel, lo que puede hacer que los resultados sean menos precisos para ciertos 

grupos de personas. Además, la falta de transparencia en la manera en que estos sistemas 

generan sus diagnósticos genera desconfianza, tanto en los médicos como en los pacientes 

(Grzybowski et al., 2024). Para solucionar esto, es clave trabajar en la recolección y 

almacenamiento de datos más diversos, asegurando que los modelos se entrenen con información 

representativa y actualizada.  



Proyecto De Grado - MAVA 

 18 

Los sistemas de recomendación en salud (HRS) han cobrado protagonismo porque 

ayudan a las personas a tomar mejores decisiones sobre su bienestar. A diferencia de las 

herramientas diseñadas para médicos, estos sistemas están pensados para usuarios sin 

conocimientos técnicos, lo que significa que la información debe ser clara y fácil de entender. 

Según De Croon et al. (2021), los HRS utilizan distintas estrategias para generar 

recomendaciones. Algunos dependen del filtrado colaborativo, que analiza patrones entre 

distintos usuarios, mientras que otros utilizan el filtrado basado en contenido, extrayendo 

información a partir de las preferencias individuales.  

En dermatología, el uso de bases de datos y la IA no solo ha facilitado el diagnóstico, 

sino que también ha permitido documentar mejor la evolución de las enfermedades cutáneas. Los 

dermatólogos han trabajado en la implementación de la fotografía digital como herramienta para 

el seguimiento de los pacientes, lo que ha hecho posible identificar problemas de la piel con 

mayor precisión. Sin embargo, este avance también ha traído preocupaciones, especialmente en 

torno a la manipulación de imágenes con fines engañosos, lo que podría comprometer la 

veracidad de los registros clínicos.  

El futuro de la dermatología dependerá de cómo se utilicen estas tecnologías. Ratner et al. 

(1999) señalan que la combinación de IA y bases de datos seguirá transformando la práctica 

médica, permitiendo diagnósticos más rápidos y mejorando la comunicación entre especialistas. 

Pero para que estos avances realmente marquen la diferencia, es necesario priorizar la 

transparencia y la accesibilidad, asegurando que nadie quede fuera de los beneficios que la 

tecnología puede ofrecer. En definitiva, la clave no solo está en desarrollar herramientas más 

avanzadas, sino en aplicarlas de manera responsable para que realmente mejoren la atención 

médica y la calidad de vida de las personas.  



Proyecto De Grado - MAVA 

 19 

Inteligencia Artificial En La Clasificación De Imágenes  

La visión artificial es una tecnología que ha sido estudiada desde diversas industriar y 

disciplinas para mejorar y automatizar procesos, esta herramienta permite la extracción de 

patrones o variables que posteriormente se interpretan para procesar la imagen y obtener 

información o descripciones específicas (Wiley, 2017). Desde la medicina hasta la agricultura, 

entregando una herramienta flexible, automatizada, apoyando procesos repetitivos a un bajo 

costo que no compromete la exactitud de los resultados del procesamiento de imagen, entregando 

una inspección de calidad, rápida y efectiva (Patel, 2011).   

Este tipo de inteligencia artificial se centra en la clasificación de imágenes en categorías 

establecidas según la necesidad del campo que este realizando la investigación (Guo, 2018). Uno 

de los modelos más conocidos de IA para la clasificación de imágenes son las redes neuronales 

convolucionales (CNN) que a su vez puede tener varias formas de aplicarse, pero en términos 

generales, es un modelo de capas con funciones específicas, cuyo enfoque es el aprendizaje a 

través de la recolección de características únicas de un grupo de imágenes detectando patrones 

visuales que permitan su clasificación con etiquetas sin importar la condición de la imagen 

(Teoh, 2023).   

Para el entrenamiento de redes neuronales se encuentra la biblioteca de código abierto 

TensorFlow, que funciona a través de grafos y nodos para el cálculo de operaciones matemáticas 

y las aristas para el transporte del flujo de información, es decir, tensores (Singh, 2020). Estos 

cálculos son utilices especialmente en el área de la Redes Neuronales Profundas para el 

reconocimiento de voz, sonido e imagen tales como asistentes de voz, traductores de idiomas y 



Proyecto De Grado - MAVA 

 20 

detección de enfermedades. TensorFlow también cuenta con colecciones, librerías y suites que 

facilitan la construcción, entrenamiento y aprendizajes de modelos (Holdroy, 2019).    

Según Matlab, la tarea de la clasificación de imágenes puede realizarse con la red 

neuronal ResNet50 pre entrenada que hace parte del módulo de TensorFlow que se conecta con 

la API de Keras, esta se puede utilizar de diferentes maneras para aprovechar las 50 capas de 

profundidad que tiene, haciendo uso de pesos pre entrenados en ImageNet o aplicarlas en un 

modelo creado desde cero para la extracción de características. Las redes residuales (ResNet), 

utilizan atajos para el aprendizaje de sus capas a través de funciones que representan pequeños 

cambios que la red aprende y ajusta sin aprender desde cero. Esto significa un aprendizaje más 

estable y sin degradar el rendimiento del modelo (He et al, 2015).  

Bases De Datos Y Sistemas De Recomendación En El Ámbito de Salud  

El avance de la inteligencia artificial (IA) ha transformado la medicina, y en dermatología 

ha permitido analizar grandes volúmenes de datos para mejorar diagnósticos, tratamientos y 

seguimiento de enfermedades cutáneas. Su implementación ha optimizado el almacenamiento de 

información médica, permitiendo diagnósticos más rápidos y precisos mediante el uso de 

sistemas de aprendizaje profundo. Herramientas como la dermatoscopia asistida por IA y las 

biopsias no invasivas han sido clave para minimizar la necesidad de procedimientos invasivos y 

priorizar la detección temprana de patologías.  

Sin embargo, la integración de la IA en dermatología aún enfrenta desafíos. Es 

fundamental garantizar que los modelos utilizados sean transparentes y confiables, evitando 

sesgos que puedan afectar la equidad en los diagnósticos. A su vez, los algoritmos deben 

entrenar con bases de datos diversas y bien estructuradas para reducir el margen de error y 



Proyecto De Grado - MAVA 

 21 

asegurar que los resultados sean representativos de diferentes poblaciones (Grzybowski et al., 

2024). Además, los costos asociados a estas tecnologías pueden determinar su accesibilidad, lo 

que hace necesario considerar estrategias para su implementación equitativa.  

En este contexto, los sistemas de recomendación en salud (HRS) han surgido como 

herramientas esenciales para proporcionar información personalizada y accesible a los usuarios. 

A diferencia de los sistemas diseñados exclusivamente para profesionales de la salud, los HRS 

están orientados a personas sin formación médica, permitiendo la toma de decisiones informadas 

a través de interfaces intuitivas. Según De Croon et al. (2021), estos sistemas pueden incluir dos 

enfoques principales: el filtrado colaborativo, que extrae patrones de múltiples usuarios, y el 

filtrado basado en contenido, que utiliza información previa para proporcionar recomendaciones 

más precisas.  

Por otro lado, la fotografía digital ha sido una de las tecnologías más utilizadas en 

dermatología para documentar casos clínicos y trabajar en la identificación de enfermedades 

cutáneas. Su integración en plataformas digitales ha permitido a los especialistas almacenar 

imágenes de alta resolución para analizar la evolución de distintas patologías. Sin embargo, el 

acceso a herramientas de edición y manipulación digital ha generado preocupaciones sobre la 

veracidad de los registros clínicos, lo que hace necesario implementar mecanismos que 

garanticen la autenticidad de las imágenes.  

Según Ratner et al. (1999), el futuro de la dermatología dependerá de la capacidad de los 

profesionales para aplicar nuevas tecnologías sin comprometer la ética ni la seguridad del 

paciente. La combinación de sistemas de imagen con inteligencia artificial y el acceso inmediato 

a bases de datos bien estructuradas contribuirá a identificar patrones con mayor precisión, 



Proyecto De Grado - MAVA 

 22 

permitiendo un enfoque más personalizado y eficiente en la atención médica. Al priorizar el 

desarrollo de herramientas accesibles y equitativas, la IA en dermatología podrá cumplir su 

verdadero propósito: mejorar la calidad de vida de los pacientes a través de la innovación 

tecnológica.  

Composición Y Efectividad De Los Productos Para El Cuidado De La Piel   

La formulación de productos para el cuidado de la piel depende de una selección precisa 

de ingredientes y del análisis de su estabilidad química. Factores como la compatibilidad entre 

compuestos, la biodisponibilidad y la interacción con la piel determinan la eficacia y seguridad 

de los productos cosméticos (Nanni et al., 2023). La estructura molecular de los ingredientes 

influye en su penetración y absorción cutánea, lo que impacta directamente en la efectividad del 

producto. Además, la evaluación de las propiedades fisicoquímicas de la piel, como su nivel de 

hidratación, producción de sebo y sensibilidad, resulta crucial para garantizar que los productos 

recomendados sean adecuados para cada tipo de piel.  

Los avances en tecnología de escaneo facial han permitido la detección de múltiples 

características cutáneas relevantes para la selección de productos adecuados. A través de 

imágenes de alta resolución y algoritmos de análisis de textura, se pueden identificar signos de 

deshidratación, zonas de alta producción sebácea, enrojecimiento, sensibilidad e incluso daño por 

exposición a la radiación UV. La captura de imágenes multiespectrales permite evaluar la 

distribución del colágeno y la presencia de hiperpigmentación o inflamación subclínica, lo que 

proporciona un diagnóstico más detallado de la condición de la piel del usuario.  

La estabilidad química es un factor clave en el desarrollo de formulaciones para el 

cuidado de la piel. Parámetros como el pH, la solubilidad y la sensibilidad a la oxidación pueden 



Proyecto De Grado - MAVA 

 23 

afectar la funcionalidad de los ingredientes activos (Parisapogu et al., 2023). La interacción entre 

distintos compuestos puede generar sinergias que potencien su eficacia o, en algunos casos, 

provocar reacciones adversas (Thanh & Nguyen, 2020). Para una predicción más precisa, es 

necesario evaluar la compatibilidad de los ingredientes con las características específicas de la 

piel del usuario, como la presencia de afecciones cutáneas o la tendencia a desarrollar reacciones 

alérgicas.  

El uso de herramientas computacionales y modelado molecular ha permitido la 

predicción de la estabilidad y funcionalidad de los productos, favoreciendo el diseño de 

formulaciones más seguras y adaptadas a diversas necesidades cutáneas (Tarasiewicz et al., 

2020). La inteligencia artificial y el análisis de datos han mejorado la capacidad de correlacionar 

características individuales de la piel con la eficacia de distintos ingredientes, evaluando 

parámetros químicos como la acidez, la capacidad de retención de agua y la presencia de lípidos 

en la barrera cutánea.  

Además, la evaluación de procesos bioquímicos como la peroxidación lipídica y la 

regulación de la hidratación cutánea permite definir el estado de la piel y determinar los 

compuestos más adecuados para su tratamiento. Mediante el análisis de imágenes y 

espectroscopía, es posible identificar patrones asociados a la textura, elasticidad y pigmentación, 

facilitando la selección de sustancias óptimas para cada tipo de piel. La modelización molecular 

y el aprendizaje automático han optimizado la predicción de interacciones entre compuestos y 

biomoléculas cutáneas, mejorando la recomendación de ingredientes activos según las 

necesidades individuales del usuario. La validación de estas formulaciones mediante estudios de 

estabilidad química y ensayos clínicos sigue siendo fundamental para garantizar su eficacia y 

seguridad a largo plazo.  



Proyecto De Grado - MAVA 

 24 

Restricciones 

Para que la visión artificial procese y analice imágenes de forma precisa, la calidad y la 

iluminación de la imagen son fundamentales. La extracción de características depende en gran 

medida de estos factores. Por ello, las imágenes deben cumplir con los siguientes requisitos: 

Iluminación equilibrada, evitando tanto la insuficiencia lumínica como la sobreexposición, 

preferiblemente utilizando luz natural y mínima presencia de sombras y reflejos, ya que pueden 

generar errores en el análisis  

El modelo de visión artificial ha sido entrenado exclusivamente para analizar y clasificar 

la piel en cuatro categorías: grasa, seca, normal y mixta, debido a la limitación del conjunto de 

datos a estas tipologías. La inteligencia artificial no está diseñada para identificar afecciones 

dermatológicas específicas, como acné, rosácea o dermatitis, entre otras. Por lo tanto, la 

aplicación no es adecuada para su uso en contextos donde se requiera un diagnóstico más 

detallado sobre la condición de la piel.  

Para garantizar el cumplimiento de normativas de protección de datos, como el 

Reglamento General de Protección de Datos (GDPR) y la Ley de Protección de Datos 

Personales, MAVA debe asegurar la confidencialidad y seguridad de la información 

proporcionada por los usuarios. Todos los datos recolectados, incluyendo imágenes faciales y 

preferencias de productos, serán almacenados conservando criterios de seguridad de la 

información, utilizados exclusivamente para el propósito de análisis y recomendación. Además, 

se deberá obtener el consentimiento informado del usuario antes de recopilar cualquier tipo de 

información, permitiendo también la eliminación de datos a solicitud del usuario para garantizar 

su derecho al olvido.  



Proyecto De Grado - MAVA 

 25 

Dado que MAVA analizará características faciales para determinar el tipo de piel del 

usuario, es fundamental considerar regulaciones relacionadas con el manejo de información de 

salud. Aunque la aplicación no sustituye un diagnóstico médico, la clasificación de la piel podría 

considerarse un dato biomédico sensible. Por esta razón, MAVA deberá cumplir con normativas 

como la HIPAA en caso de expansión a mercados donde aplique, asegurando que la información 

no sea compartida con terceros sin autorización expresa del usuario.  

A pesar de la existencia de más de 10,000 ingredientes cosméticos en el mercado, MAVA 

trabajará con una base de datos reducida de 2,000 ingredientes más utilizados y documentados en 

estudios científicos. Esta restricción busca optimizar el rendimiento del sistema y garantizar 

recomendaciones basadas en evidencia sólida. Como resultado, ciertos ingredientes menos 

comunes o recientemente incorporados en la industria cosmética podrían no estar contemplados 

en las sugerencias de la aplicación.  

MAVA debe garantizar una interfaz intuitiva y accesible, priorizando una navegación 

sencilla en distintos dispositivos. Se debe implementar compatibilidad con lectores de pantalla y 

comandos de voz para incluir a usuarios con discapacidades. El análisis del tipo de piel debe 

depender únicamente de la imagen sin solicitar información previa al usuario. Sin embargo, se 

debe permitir la retroalimentación para mejorar la precisión del modelo. Para minimizar errores y 

optimizar la experiencia, la aplicación debe reducir tiempos de carga, aplicar un diseño 

responsivo y asegurar una interacción fluida.  

MAVA debe proveer la protección de los datos recolectados mediante encriptación y 

almacenamiento seguro. Se debe implementar autenticación robusta para minimizar accesos no 

autorizados y aplicar medidas contra ataques cibernéticos. Para cumplir con normativas como el 



Proyecto De Grado - MAVA 

 26 

GDPR y la HIPAA, la aplicación debe permitir la eliminación permanente de datos a solicitud 

del usuario. No se debe compartir información sin autorización expresa. El sistema debe incluir 

firewalls, monitoreo en tiempo real y actualizaciones constantes para identificar vulnerabilidades 

y reducir riesgos de seguridad.  

MAVA debe trabajar con una base de datos reducida de ingredientes cosméticos bien 

documentados y respaldados por estudios científicos. Se debe priorizar el análisis de aquellos 

aplicados directamente en la piel y minimizar la inclusión de ingredientes sin evidencia 

suficiente. La efectividad de los ingredientes puede depender de su absorción y método de 

aplicación. MAVA no debe sustituir una evaluación profesional ni identificar efectos adversos de 

ingredientes específicos.  

 

 

 

 

 

 

 

 

 

 

 

 

 



Proyecto De Grado - MAVA 

 27 

Análisis De Requerimientos 

Tabla 1  

Historias De Usuario - HU001 

HISTORIA DE USUARIO 

HU001 Subir una foto para análisis 

Puntos de historia estimados  3 

Prioridad Alta  

Responsable Desarrollador 

Descripción 

Como usuario, quiero poder subir una foto para que el sistema pueda analizar mi tipo de piel con 

precisión y ofrecer recomendaciones adecuadas, ayudándome a optimizar mi rutina de cuidado. 

Numero de 

criterio 
Criterio de aceptación Atributo de calidad 

1 
El usuario puede seleccionar y subir una 

imagen desde su dispositivo. 
Usabilidad 

2 

La imagen debe cumplir con los criterios de 

calidad definidos (resolución mínima, sin 

filtros, buena iluminación). 

Fiabilidad 

3 
Si la imagen no cumple los criterios, el 

sistema debe mostrar un mensaje de error 
usabilidad 

4 
Si la imagen cumple los criterios, el sistema 

debe mostrar un mensaje de aceptación 
usabilidad 



Proyecto De Grado - MAVA 

 28 

5 
El sistema debe permitir subir imágenes en 

formatos JPG y PNG 
Funcionalidad 

 Tabla 2  

Historias De Usuario - HU002 

HISTORIA DE USUARIO 

Identificador Nombre 

HU002 Analizar tipo de piel 

Puntos de historia estimados  3 

Prioridad Alta  

Responsable Desarrollador 

Descripción 

Como usuario, quiero que la IA analice mi foto y me indique si mi piel es seca, mixta o grasa, 

para poder elegir los productos y rutinas ideales según los resultados. 

Numero de 

criterio 
Criterio de aceptación Atributo de calidad 

1 
La IA debe procesar la imagen y detectar el tipo 

de piel del usuario 
Fiabilidad 

2 
El tiempo de procesamiento no debe superar los 

10s 
Rendimiento 

3 
El usuario debe recibir a detalle el resultado del 

análisis 
usabilidad 

  



Proyecto De Grado - MAVA 

 29 

Tabla 3  

 Historias De Usuario - HU003 

HISTORIA DE USUARIO 

Identificador Nombre 

HU003 Recomendación de componentes 

Puntos de historia estimados  2 

Prioridad Alta  

Responsable Desarrollador 

Descripción 

Como usuario, quiero recibir recomendaciones de componentes específicos para mi tipo de piel 

para elegir productos que mejoren su apariencia y aborden mis necesidades particulares. 

Numero de 

criterio 
Criterio de aceptación Atributo de calidad 

1 

El sistema debe generar una lista de 

componentes basados en el tipo de piel 

detectado 

Funcionalidad 

2 
El sistema debe incluir al menos 3 opciones 

para cada tipo de piel 
Funcionalidad 

3 
Cada componente debe incluir una breve 

descripción. 
Usabilidad 

Tabla 4  

Historias De Usuario - HU004 



Proyecto De Grado - MAVA 

 30 

 

HISTORIA DE USUARIO 

Identificador Nombre 

HU004 Interfaz responsive 

Puntos de historia estimados  2 

Prioridad Media 

Responsable Frontend 

Descripción 

Como usuario, quiero que la aplicación se adapte automáticamente a mi dispositivo, para que 

pueda usarla sin complicaciones desde mi teléfono, tableta o computadora. 

Numero de 

criterio 
Criterio de aceptación Atributo de calidad 

1 
La aplicación debe adaptarse a los diferentes 

tamaños de pantallas sin perder su navegabilidad. 
Usabilidad 

2 

Utilizar un framework para asegurar estilos 

consistentes y mantener una armonía visual en la 

página. 

Mantenibilidad 

3 
La navegación y botones deben ser de fácil 

acceso e intuitivos sin importar el dispositivo. 
Accesibilidad 

 Tabla 5  

 Historias De Usuario - HU005 

HISTORIA DE USUARIO 



Proyecto De Grado - MAVA 

 31 

Identificador Nombre 

HU005 Seguridad de imágenes 

Puntos de historia estimados  2 

Prioridad Alta  

Responsable Seguridad 

Descripción 

Como usuario, quiero que mis fotos sean protegidas y no se almacenen sin mi consentimiento, 

para sentirme seguro de que mi información personal está resguardada. 

Numero de 

criterio 
Criterio de aceptación Atributo de calidad 

1 

Las imágenes cargadas a la IA no deben 

almacenarse en el servidor sin permiso del 

usuario. 

Seguridad 

2 
Las imágenes almacenadas en los servidores 

deben estar cifradas. 
Seguridad 

3 
Se debe informar al usuario sobre tratamiento 

de datos (Habeas Data). 
usabilidad 

Tabla 6  

Historias De Usuario - HU006 

HISTORIA DE USUARIO 

Identificador Nombre 

HU006 Escalabilidad de sistema 



Proyecto De Grado - MAVA 

 32 

Puntos de historia estimados  3 

Prioridad Alta  

Responsable Backend 

Descripción 

Como administrador, quiero que la plataforma procese múltiples análisis simultáneos sin afectar 

el rendimiento, para asegurar que los usuarios reciban resultados rápidos y el uso de recursos se 

mantenga óptimo. 

Numero de 

criterio 
Criterio de aceptación Atributo de calidad 

1 
El sistema debe soportar al menos 1000 usuarios 

simultáneos sin degradación del rendimiento. 
Escalabilidad 

2 
Las respuestas de la IA no deben tardar más de 

10 segundos en condiciones normales de carga. 
Rendimiento 

3 

El sistema debe permitir la ejecución de análisis 

en paralelo sin afectar la respuesta de otros 

usuarios. 

Funcionalidad 

Tabla 7 

 Historias De Usuario - HU007  

HISTORIA DE USUARIO  

Identificador  Nombre  

HU007  Validación de datos  

Puntos de historia estimados   3  



Proyecto De Grado - MAVA 

 33 

Prioridad  Alta  

Responsable  Desarrollo  

Descripción  

Como administrador, quiero que los datos que envío sean validados en el servidor, para asegurar 

que la información es correcta y evitar errores durante el procesamiento.  

Numero de 

criterio  
Criterio de aceptación  Atributo de calidad  

1  La aplicación debe rechazar imágenes que no 

cumplan con los requisitos.   

Fiabilidad  

2  Si las precondiciones son correctas, se enviará la 

petición a la IA sin que está falle.   

Correctitud  

3  El usuario debe recibir mensajes que le permitan 

saber si hay error y como corregirlo.   

Usabilidad  

  

 

 

 

 

 

 

 

 

 



Proyecto De Grado - MAVA 

 34 

Metodología De Selección Y Desarrollo 

Nuestra metodología se basa en un análisis integral de los compuestos químicos presentes 

en los productos de cuidado de la piel, sin estar sujetos a sesgos de marcas, laboratorios o 

productos comerciales específicos. Esto nos permite evaluar de manera objetiva y científica la 

efectividad de los ingredientes activos, garantizando recomendaciones basadas en evidencia y no 

en intereses comerciales.  

A diferencia de laboratorios y marcas comerciales, que formulan productos dentro de su 

propia línea, nuestra metodología se enfoca en la evaluación individual de los compuestos, 

considerando su estructura molecular, estabilidad química y compatibilidad con la piel. The 

Ordinary, por ejemplo, desarrolla productos accesibles con ingredientes activos clave, pero su 

catálogo está limitado a sus propias formulaciones. La Roche-Posay, especializada en 

dermocosmética, basa sus estudios en sus propias líneas de productos, lo que introduce un sesgo 

en la selección de ingredientes. SkinCeuticals, por su parte, centra su investigación en 

antioxidantes y tratamientos específicos, orientando su enfoque hacia la validación de su propia 

gama de productos.  

Además de los laboratorios, existen aplicaciones de análisis cosmético como 

INCIDecoder, Skincarisma y Yuka, que permiten a los usuarios conocer los ingredientes de 

productos comerciales. Sin embargo, estas herramientas suelen basarse en criterios de riesgo 

generalizados sin considerar factores clave como la concentración de los ingredientes, su sinergia 

dentro de la formulación y su interacción con distintos tipos de piel.  

Nuestra metodología se distingue por su enfoque en los compuestos químicos en lugar de 

marcas o productos específicos. Utilizamos una base de datos abierta que integra información de 



Proyecto De Grado - MAVA 

 35 

múltiples fuentes científicas, normativas y estudios especializados para proporcionar una 

evaluación precisa y fundamentada. Este análisis sin sesgos comerciales nos permite centrarnos 

en la eficacia real de los ingredientes, asegurando formulaciones basadas en la estabilidad 

química y en la interacción óptima con la piel.  

Este enfoque nos permite desarrollar una herramienta más objetiva y confiable para la 

selección de ingredientes en productos de cuidado de la piel. Al eliminar barreras comerciales y 

basarnos en datos científicos, facilitamos una toma de decisiones más informada y transparente, 

promoviendo el uso de ingredientes efectivos y seguros para cada tipo de piel.  

Para abordar este proyecto, hemos seleccionado un conjunto de herramientas y 

tecnologías que pueden garantizar un sistema eficiente, escalable y de alto rendimiento en el 

procesamiento de imágenes y la implementación de modelos de aprendizaje profundo. Cada 

tecnología fue seleccionada en función de lo bien que cumplía con los objetivos del proyecto y la 

cantidad de problemas de integración y desarrollo del sistema que podría causar.  

TensorFlow fue seleccionado como la biblioteca principal para el desarrollo del modelo 

de aprendizaje profundo debido a su flexibilidad y alto rendimiento. Su compatibilidad con GPU 

y TPU permite acelerar el entrenamiento de modelos, lo que resulta esencial para tareas que 

requieren gran capacidad de procesamiento. Además, cuenta con una comunidad activa y una 

amplia documentación, lo que facilita su implementación y solución de problemas.   

El modelo ResNet50 fue elegido debido a su capacidad para mejorar el reconocimiento 

de imágenes mediante el uso de conexiones residuales, las cuales mitigan el problema del 

desvanecimiento del gradiente en redes neuronales profundas. Su arquitectura optimizada 



Proyecto De Grado - MAVA 

 36 

permite entrenar modelos más precisos sin sacrificar eficiencia, lo que lo convierte en una opción 

ideal para aplicaciones de clasificación de imágenes.  

Python es el lenguaje de programación base del proyecto, seleccionado por su sintaxis 

clara, versatilidad y compatibilidad con una gran variedad de bibliotecas enfocadas en machine 

Learning, Deep Learning y procesamiento de datos. Gracias a su popularidad en la comunidad 

científica y su integración con herramientas como TensorFlow, su uso permite desarrollar 

soluciones eficientes y escalables en menor tiempo.  

Para la implementación del backend, se optó por FastAPI debido a su alto rendimiento y 

facilidad de uso. Permite desarrollar APIs rápidas y escalables, con soporte para validación 

automática de datos y documentación integrada, lo que facilita la interacción con otros 

componentes del sistema. Además, su compatibilidad con Python permite una integración fluida 

con TensorFlow, haciendo el modelo como un servicio accesible a través de la web.  

En cuanto al almacenamiento de datos, se eligió MongoDB debido a su naturaleza 

NoSQL, que permite manejar información de manera flexible y eficiente. Su capacidad para 

gestionar grandes volúmenes de datos no estructurados, como metadatos de imágenes y 

resultados de inferencias, lo convierte en una alternativa óptima para este proyecto. Finalmente 

se seleccionó Postman este cumple un rol clave en la validación y prueba de la comunicación 

entre el backend y la base de datos. Si bien suele utilizarse para probar APIs, en este caso se 

emplea para verificar que las operaciones con MongoDB, como la inserción, consulta y 

actualización de datos, se realicen correctamente.  

 

 



Proyecto De Grado - MAVA 

 37 

Sistema De Costos Para Creación De Aplicación Web 

Tabla 8 

 Costos  

Costos De Investigación Y Desarrollo 

Nombre Horas Trabajadas Valor De La Hora Total 

María Paula Domínguez 15 $                              75.000 $                    1.125.000 

Laura Valentina Rivera 15 $                              68.000 $                    1.020.000 

María José Gómez 15 $                              68.000 $                    1.020.000 

 45  $                    3.165.000 

 

Costos De Mano De Obra 

Nombre Horas Trabajadas Valor De La Hora Total 

María Paula Domínguez 35 $                              75.000 $                    2.625.000 

Laura Valentina Rivera 20 $                              68.000 $                    1.360.000 

María José Gómez 20 $                              68.000 $                    1.360.000 

 75  $                    5.345.000 

 

Costos Indirectos De Producción 



Proyecto De Grado - MAVA 

 38 

Gastos Generales Valor Real Total 

Costos De Investigación Y Desarrollo  $                      3.165.000   

Costos De Mano De Obra  $                      5.345.000   

Costos Indirectos De Producción 

(Electricidad) 

 $                           500.000  
 

Total De Costos De Produccion  $                      9.010.000   

Total De Ganancia Esperada  $                      7.208.000   

   

 Total De Costo De Venta $                       16.218.000 

 

 

 

 

 

 

 

 

 

 

 

 



Proyecto De Grado - MAVA 

 39 

Aplicación Del Método De Desarrollo 

Para el desarrollo del proyecto MAVA se aplicó un enfoque metodológico basado en la 

combinación de análisis técnico riguroso y metodologías ágiles, específicamente el marco de 

trabajo Scrum, lo que permitió avanzar de manera iterativa y ordenada hacia un prototipo 

funcional y validado. 

El punto de partida fue la definición de una metodología de evaluación objetiva de 

ingredientes cosméticos, centrada no en marcas ni productos comerciales, sino en 

las propiedades químicas individuales de los compuestos activos. A diferencia de las 

aproximaciones tradicionales de la industria, que están condicionadas por catálogos propios o 

intereses de mercado, nuestro enfoque se fundamentó en el análisis de la estructura molecular, 

estabilidad química y compatibilidad con la piel de cada ingrediente, lo que garantiza una 

selección libre de sesgos y respaldada por literatura científica. 

Esta metodología se operacionalizó mediante la construcción de una base de datos 

personalizada, que fue alimentada con información de fuentes académicas, normativas 

internacionales y catálogos técnicos de ingredientes aprobados dermatológicamente. La base 

contempla campos como tipo de piel recomendado, categoría funcional del ingrediente y 

descripción técnica detallada. Esta información alimenta directamente el sistema de 

recomendación basado en IA. 

En paralelo, y para asegurar un desarrollo estructurado del sistema, se adoptó el enfoque 

ágil Scrum, lo cual facilitó la organización del trabajo en ciclos iterativos y entregables 

frecuentes. La primera fase consistió en la creación del Product Backlog, donde se definieron las 

funcionalidades clave del sistema desde la perspectiva del usuario final. A partir de ello, se 



Proyecto De Grado - MAVA 

 40 

redactaron las Historias de Usuario, que fueron priorizadas y detalladas con sus respectivos 

criterios de aceptación, estimaciones de esfuerzo y responsables asignados (como se documenta 

en la sección de análisis de requerimientos). 

Cada historia fue diseñada con atributos de calidad específicos —como usabilidad, 

fiabilidad o rendimiento— y reflejó funcionalidades concretas como: subir una foto para análisis 

(HU001), analizar tipo de piel (HU002), generar recomendaciones personalizadas (HU003), 

ofrecer una interfaz responsive (HU004), garantizar la seguridad de imágenes (HU005), asegurar 

la escalabilidad del sistema (HU006), y validar datos correctamente (HU007). 

Estas historias fueron la base para el desarrollo de los casos de uso, que permitieron 

establecer el alcance funcional del sistema y definir flujos específicos de interacción entre el 

usuario y la plataforma. Esta transición del análisis al diseño permitió identificar los puntos 

críticos de la arquitectura y definir los módulos principales del sistema: análisis de imagen, 

clasificación de tipo de piel, recomendación de ingredientes, almacenamiento seguro de datos y 

gestión del consentimiento informado. 

Desde el punto de vista tecnológico, el desarrollo se sustentó en herramientas robustas y 

probadas. Se utilizó Pythoncomo lenguaje de programación base por su versatilidad y fuerte 

integración con bibliotecas de inteligencia artificial. Para el entrenamiento de modelos se 

seleccionó TensorFlow, por su capacidad de procesamiento paralelo y compatibilidad con 

GPU/TPU. El modelo ResNet50, una red neuronal convolucional profunda, fue el elegido para la 

clasificación de imágenes por su rendimiento comprobado en tareas de visión artificial. 

El backend fue implementado con FastAPI, lo que permitió exponer los modelos 

entrenados como servicios web accesibles mediante endpoints REST. Se utilizó MongoDB como 



Proyecto De Grado - MAVA 

 41 

base de datos NoSQL para almacenar datos de consentimiento de usuarios, por su capacidad de 

manejar estructuras flexibles y su alta escalabilidad. La herramienta Postman facilitó la 

validación de estos servicios, permitiendo realizar pruebas controladas de inserción, consulta y 

actualización de datos. 

El frontend se diseñó con un enfoque mobile-first, aplicando un estilo visual coherente a 

través de style.css y funcionalidades dinámicas en JavaScript. Las tres páginas principales 

(inicio, análisis, resultados) fueron concebidas para guiar al usuario de forma natural, priorizando 

la claridad y la accesibilidad. Elementos clave como el modal de consentimiento, el cargador de 

imágenes, la vista previa con zoom, el sistema de validación y el carrusel de resultados fueron 

desarrollados de forma iterativa conforme a las funcionalidades definidas en el backlog. 

Gracias a este enfoque metodológico, el proyecto no solo alcanzó sus objetivos 

funcionales, sino que también aseguró trazabilidad, escalabilidad y calidad técnica. Cada etapa, 

desde la construcción del backlog, la validación de historias de usuario, hasta la implementación 

del frontend y backend, respondió a un plan metodológico claro, que permitió construir una 

solución coherente, técnicamente sólida y alineada con las necesidades reales de los usuarios. 

 

 

 

 

 

 

 



Proyecto De Grado - MAVA 

 42 

Pila De Producto 

Tabla 9  

Product Backlog 1  

Código 

HU 
Rol Requerimiento ¿Para Qué? Criterios De Aceptación 

HU001 Usuario 
Subir una foto 

para análisis 

Para que el 

sistema pueda 

analizar mi tipo 

de piel con 

precisión y 

ofrecer 

recomendaciones 

adecuadas. 

1. El usuario puede seleccionar y subir 

una imagen desde su dispositivo.2. La 

imagen cumple con los criterios de 

calidad definidos (resolución mínima, 

buena iluminación).3. Si no cumple, el 

sistema muestra un mensaje de error.4. Si 

cumple, el sistema muestra 

confirmación.5. Se admiten formatos JPG 

y PNG. 

Tabla 10  

Product Backlog 2 

Código 

HU 
Rol Requerimiento ¿Para Qué? Criterios De Aceptación 

HU002 Usuario 
Analizar tipo de 

piel 

Para que la IA 

identifique si mi 

piel es seca, mixta 

o grasa y me 

ayude a elegir 

productos y 

rutinas. 

1. La IA procesa la imagen y detecta el 

tipo de piel.2. El tiempo de procesamiento 

no supera los 10 s.3. El usuario recibe un 

resultado detallado del análisis. 

Tabla 11 



Proyecto De Grado - MAVA 

 43 

Product Backlog 3 

Código 

HU 
Rol Requerimiento ¿Para Qué? Criterios De Aceptación 

HU003 Usuario 

Recomendación 

de 

componentes 

Para recibir 

ingredientes 

específicos según 

mi tipo de piel y 

mejorar mi rutina 

de cuidado. 

1. El sistema genera una lista de 

componentes basados en el tipo de piel 

detectado.2. Incluye al menos 3 opciones 

por tipo de piel.3. Cada componente va 

acompañado de una breve descripción. 

Tabla 12  

 Product Backlog 4 

Código 

HU 
Rol Requerimiento ¿Para Qué? Criterios De Aceptación 

HU004 Usuario 
Interfaz 

responsive 

Para que la 

aplicación se 

adapte 

automáticamente 

a mi teléfono, 

tableta o 

computadora. 

1. Se adapta a diferentes tamaños de 

pantalla sin perder navegabilidad.2. Se 

usa un framework para asegurar estilos 

consistentes.3. Los botones y la 

navegación son accesibles e intuitivos en 

todo dispositivo. 

Tabla 13  

 Product Backlog 5 

 

 



Proyecto De Grado - MAVA 

 44 

Código 

HU 
Rol Requerimiento ¿Para Qué? Criterios De Aceptación 

HU005 Usuario 
Seguridad de 

imágenes 

Para sentirme 

seguro de que mis 

fotos no se 

almacenan sin mi 

permiso. 

1. Las imágenes no se almacenan sin 

consentimiento explícito.2. Las imágenes 

guardadas están cifradas.3. Se informa al 

usuario sobre el tratamiento de datos 

(Habeas Data). 

Tabla 14  

 Product Backlog 6 

Código 

HU 
Rol Requerimiento ¿Para Qué? Criterios De Aceptación 

HU006 Administrador 
Escalabilidad 

de sistema 

Para que 

múltiples usuarios 

puedan analizar 

su piel 

simultáneamente 

sin degradar el 

rendimiento. 

1. Soporta al menos 1 000 usuarios 

concurrentes sin degradación.2. Cada 

análisis responde en menos de 10 s en 

condiciones normales.3. Permite 

procesamiento paralelo de peticiones. 

Tabla 15  

 Product Backlog 7 

 

 



Proyecto De Grado - MAVA 

 45 

Código 

HU 
Rol Requerimiento ¿Para Qué? Criterios De Aceptación 

HU007 Administrador 
Validación de 

datos 

Para asegurar que 

los datos 

enviados sean 

correctos y evitar 

errores en el 

procesamiento. 

1. Rechaza imágenes que no cumplan 

los requisitos de formato o calidad.2. 

Solo envía a la IA peticiones con 

precondiciones correctas.3. Informa 

al usuario cómo corregir cualquier 

error. 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 



Proyecto De Grado - MAVA 

 46 

Análisis De Arquitectura Y Diseño 

Tabla 16 

Analisis De Arquitectura Y Diseño 

Nombre Del 

Caso De Uso 
Funcionalidad 

Historias De 

Usuario 

Vinculadas 

Flujo Principal Flujo Alterno 

Dar 

consentimiento 

Muestra un modal con 

la política de 

tratamiento de datos y 

almacena el 

consentimiento del 

usuario. 

HU005 

1. Usuario abre la 

aplicación.2. Sistema 

despliega modal de 

consentimiento.3. Usuario 

acepta.4. Sistema registra 

el consentimiento y 

habilita la carga de 

imagen. 

3a. Usuario rechaza: 4a. 

Sistema impide avanzar 

y muestra mensaje de 

que debe aceptar para 

continuar. 

Subir imagen 

para análisis 

Permite al usuario 

seleccionar y enviar 

una imagen al sistema. 

HU001 

1. Usuario elige “Subir 

foto”.2. Sistema abre 

selector de archivos.3. 

Usuario selecciona 

imagen.4. Sistema 

muestra vista previa y 

botón de “Analizar”. 

4a. El formato o la 

calidad es inválida: 4b. 

Sistema notifica error y 

sugiere corregir (p. e. 

iluminación, formato). 

Validar datos de 

entrada 

Comprueba que la 

imagen cumple 

criterios de formato y 

calidad antes de 

enviarla al motor de IA. 

HU007 

1. Tras la selección, el 

sistema valida formato 

(JPG/PNG) y calidad 

mínima.2. Si es válido, 

habilita el análisis.3. Si 

hay fallo, informa al 

usuario de cómo corregir. 

2a. Validación fallida: 

sistema bloquea 

“Analizar” y muestra 

recomendaciones para 

una foto válida. 



Proyecto De Grado - MAVA 

 47 

Analizar tipo de 

piel 

Envía la imagen al 

backend, invoca al 

modelo de IA y recibe 

la categoría de piel 

(seca, mixta, grasa o 

normal). 

HU002 

1. Usuario pulsa “Analizar 

mi piel”.2. Sistema envía 

imagen al endpoint 

/prediction.3. Backend 

procesa con el modelo 

IA.4. Devuelve tipo de 

piel y porcentaje de 

confianza.5. Frontend 

almacena el resultado y 

redirige a resultados.html. 

3a. Error en el modelo o 

timeout: 3b. Backend 

devuelve mensaje de 

error; 3c. Frontend lo 

muestra y ofrece 

reintentar o contactar 

soporte. 

Generar 

recomendaciones 

A partir del tipo de piel, 

consulta la base de 

datos de ingredientes y 

el modelo multilabel 

para seleccionar al 

menos 3 componentes 

adecuados. 

HU003 

1. Backend recibe tipo de 

piel.2. Consulta base de 

datos y modelo de 

recomendación.3. 

Selecciona al menos 3 

ingredientes.4. Extrae 

descripciones.5. Devuelve 

lista JSON al frontend. 

2a. No hay suficientes 

ingredientes en la 

categoría:2b. Devuelve 

los disponibles y alerta 

sobre la limitación. 

Mostrar 

resultados al 

usuario 

Presenta al usuario su 

tipo de piel identificado 

y despliega un carrusel 

con las 

recomendaciones de 

ingredientes, 

incluyendo nombre y 

descripción breve. 

HU002, HU003 

1. Usuario llega a 

resultados.html.2. 

Frontend lee resultados de 

localStorage.3. Muestra 

“Gracias” y tipo de piel en 

un banner.4. Despliega 

carrusel con 

ingredientes.5. Usuario 

navega entre tarjetas. 

2a. No hay datos en 

localStorage: 2b. 

Frontend muestra 

mensaje de “No se 

encontraron resultados” 

y sugiere repetir 

análisis. 

 

 

 



Proyecto De Grado - MAVA 

 48 

Arquitectura Del Software 

Figura 1. 

Diagrama De Contexto 

 

Nota. Diagrama realizado en Miro.  

Figura 2. 

Diagrama De Contenedores 



Proyecto De Grado - MAVA 

 49 

 

Nota. Diagrama realizado en Miro.  

Figura 3. 

Diagrama De Componentes 



Proyecto De Grado - MAVA 

 50 

 

Nota. Diagrama realizado en Miro 

 

 

 

 

 



Proyecto De Grado - MAVA 

 51 

Modelo De Datos 

Estructura de Colección y Documentos 

La base de datos del proyecto, MongoDB, tiene una estructura poco compleja, ya que al 

ser una aplicación web que prioriza la experiencia del usuario y su privacidad, no guarda datos 

más allá del nombre del usuario, su correo electrónico y si acepta el consentimiento de 

tratamiento de datos, es decir que este se guarda como un dato booleano en la base de datos.  

La estructura de los datos se creó con el esquema Pyndantic para validación de los datos, 

Esta validación asegura que los campos enviados desde el frontend (como el nombre, correo 

electrónico y consentimiento informado) cumplan con los formatos esperado para luego ser 

enviados de manera correcta a la base de datos donde se almacenan, al ser una base de datos 

NoSQL, en formato JSON de la siguiente manera:  

_id: ObjectId('68379a145244b717c04c1291') 

name: "Usuario de Prueba" 

email: "prueba@correo.com" 

agreement: true 

Figura 4 

Estructura De La Base De Datos No Relacional 



Proyecto De Grado - MAVA 

 52 

  

Nota. La base de datos solo cuenta con una colección de usuarios que dentro tiene los 

documentos conformados por los datos del usuario y su consentimiento. 

Diccionario De Datos 

Tabla 17 

Tabla De Diccionario De Datos. 

Variable Detalles Tipo de Variable Validación 

id 

Identificador único 

del usuario dado 

por MongoDB. 

ID 

Se asigna inmediatamente el 

usuario acepta el 

consentimiento y procede al 

análisis. 

name 
Nombre del 

usuario. 
String 

Obligatorio. No acepta 

valores numéricos y no puede 

estar vacío. 



Proyecto De Grado - MAVA 

 53 

email Correo del usuario. EmailStr 

Obligatorio. No puede estar 

vacío y no puede ser algo 

diferente a un correo 

electrónico. 

agreement Consentimiento. booleano 

Obligatorio. Si el usuario no 

lo acepta, no puede pasar a la 

página del análisis. 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 



Proyecto De Grado - MAVA 

 54 

Prototipo No Funcional 

Consideraciones De UX/UI 

Diseño Centrado En El Usuario 

La interfaz de MAVA está diseñada para ser intuitiva y accesible desde el primer 

contacto. El mensaje principal, "Conoce tu piel", es claro y está visualmente jerarquizado, 

guiando al usuario paso a paso: desde la bienvenida, pasando por el consentimiento, la subida de 

imagen, el análisis con IA, hasta la entrega personalizada de resultados. 

Jerarquía Visual Clara 

Se ha aplicado una jerarquía tipográfica efectiva, destacando títulos con la fuente Josefin 

Sans en tamaños grandes (hasta 8rem), subtítulos en Open Sauce, y descripciones en Garet, 

facilitando la lectura y diferenciación de secciones. 

Paleta De Colores Coherente Y Emocional 

Los tonos café claro y oscuro, combinados con blanco, generan una estética cálida y 

natural, coherente con el enfoque de bienestar y cuidado personal. El contraste asegura 

legibilidad, mientras que los colores transmiten confianza y sofisticación. 

Animaciones Suaves Y Útiles 

La interfaz incorpora animaciones discretas (slideInLeft, aparecerZoom, etc.) que 

mejoran la experiencia sin distraer. Estas transiciones ayudan a captar la atención y guían el flujo 

visual, especialmente en elementos como los bloques informativos o los resultados del análisis. 



Proyecto De Grado - MAVA 

 55 

Interacciones Guiadas Y Progresivas 

El flujo del usuario está cuidadosamente estructurado: 

Botón principal ("Empieza ahora") revela contenido oculto de forma progresiva. 

El consentimiento se solicita antes de subir la imagen, garantizando claridad ética. 

Se guía la toma de foto con consejos visuales y texto descriptivo. 

El análisis es automático, y los resultados se entregan de forma visual y dinámica 

(carrusel con flechas y puntos indicadores). 

Responsive Design 

El sitio es completamente responsive, adaptado a pantallas pequeñas y medianas (media 

queries para ≤600px y ≤992px). Se reestructuran columnas, se ajustan tamaños de fuente, 

contenedores y botones, garantizando una experiencia coherente en móviles, tablets y escritorio. 

Inclusión De Accesibilidad  

Se incluyen etiquetas semánticas correctas (<section>, <main>, <header>, aria-

modal, aria-labelledby), uso de contrastes adecuados y un enfoque centrado en la claridad textual 

y visual para facilitar la navegación a personas con distintos niveles de habilidad digital. 

Retroalimentación Inmediata 

Cada interacción brinda respuesta clara al usuario: 

Confirmación visual al cargar una imagen. 

Cambios de texto en botones (ej. "Seleccionar imagen" → "Cambiar imagen"). 



Proyecto De Grado - MAVA 

 56 

Mensajes de error visibles ante formatos no válidos. 

Resultados del análisis cargados dinámicamente según el tipo de piel. 

Estilo Visual y Consideraciones Éticas 

El diseño de MAVA apuesta por una estética moderna y limpia, con espacios en blanco 

bien distribuidos, bordes suaves e imágenes seleccionadas cuidadosamente para reforzar su 

identidad sin saturar al usuario. Esta simplicidad visual se complementa con un enfoque ético 

claro: el uso de un modal de consentimiento obligatorio refleja el respeto por la privacidad y la 

transparencia en el tratamiento de datos, fortaleciendo la confianza desde el inicio. 

Mockups - Wireframes 

La inspiración del prototipo nació de la necesidad de guiar al usuario con claridad a lo 

largo de todo el flujo definido en la Guía 4, de modo que cada pantalla se construyó sobre una 

rejilla de doce columnas que organiza logotipo y título en la parte superior, contenido en el 

centro y acciones en el pie. Esto facilita la adaptación al modo móvil, tableta o escritorio sin 

perder coherencia ni jerarquía, y asegura que el foco siempre caiga sobre el botón principal o la 

información más relevante. 

La paleta cromática se limitó a tres tonos —café claro, café oscuro y blanco— elegidos 

tras analizar fotografías de envases cosméticos minimalistas y ambientes relajantes. El café claro 

aporta calidez y suavidad a los fondos, el café oscuro refuerza la legibilidad de la tipografía 

principal y el blanco actúa como espacio de respiro para evitar sensación de sobrecarga visual. 

Estos colores, pensados para transmitir cercanía y naturalidad, fueron primero cuantificados en 

escala de grises dentro de los wireframes para validar jerarquías sin distracciones cromáticas. 



Proyecto De Grado - MAVA 

 57 

Para bosquejar los wireframes de baja fidelidad en Figma usamos tipografías sans-serif 

genéricas en tamaños XL para títulos, base para párrafos y SM para anotaciones o mensajes de 

error. Las zonas interactivas se dibujaron como bloques de bordes redondeados y áreas amplias 

para anticipar una experiencia táctil cómoda. Gracias a este prototipo, iteramos rápidamente con 

stakeholders, ajustamos espaciados y flujos alternos (errores de validación, timeouts) y sentamos 

las bases para las futuras maquetas de alta fidelidad y la implementación front-end. 

Figura 5 

Mockups MAVA 

 

Nota. Wireframes hecho para hacer la aplicación web de MAVA. 

 



Proyecto De Grado - MAVA 

 58 

Implementación 

Creación Del Frontend 

Visión General 

El frontend de MAVA es la experiencia visual y funcional que guía al usuario desde el 

primer contacto hasta la entrega de recomendaciones personalizadas. No se trata solo de diseño; 

se trata de crear un entorno amigable, cálido, intuitivo y profesional, que conecte de forma 

empática con las personas interesadas en el cuidado de su piel. 

El proyecto ahora consta de tres páginas principales y un archivo de estilos unificado, 

además de una carpeta de imágenes de soporte: 

indice.html. Presentación del proyecto, interacción inicial y consentimiento del usuario. 

analisis.html. Página para subir una imagen y activar el análisis con IA. 

resultados.html. Página que muestra el tipo de piel detectado y los ingredientes 

recomendados. 

style.css. Estilo visual común a todo el proyecto. 

Estilos Visuales (style.css) 

El archivo CSS define una estética coherente: tonos cálidos, diseño minimalista, 

animaciones suaves y un enfoque mobile-first. Las variables definidas (--cafe-claro, --blanco, --

font-main, etc.) actúan como paleta base reutilizable en todo el proyecto. 

Los efectos visuales destacados incluyen: 



Proyecto De Grado - MAVA 

 59 

Animaciones De Entrada. Efectos tipo slide, zoom o fade para resaltar componentes 

clave. 

Diseño Responsive. Comportamiento adaptable en móviles y tablets sin perder claridad 

visual. 

Glassmorphism Y Botones Animados. Especialmente en secciones tipo banner o 

formularios. 

Carruseles Y Tarjetas Animadas. Tanto para beneficios como para recomendaciones de 

ingredientes. 

Modal de consentimiento con foco en accesibilidad, claridad y diseño centrado en el 

usuario. 

indice.html – Página Principal 

Esta página es el corazón introductorio del proyecto. Presenta la marca “MAVA” con un 

enfoque visual claro y elegante, seguido de una experiencia de scroll animado que guía al usuario 

por varias secciones: 

Hero Inicial. Logo, subtítulo y un botón “Empieza Ahora” que activa las secciones 

internas. 

Características Principales. Presentadas con tarjetas animadas tipo óvalo que se 

desplazan horizontalmente. 

Beneficios. Secciones organizadas por grilla con íconos y textos explicativos. 



Proyecto De Grado - MAVA 

 60 

Sobre MAVA. Narrativa clara sobre la misión y el origen del nombre. 

¿Cómo Funciona MAVA?. Guía visual de tres pasos (subir foto, análisis, 

recomendaciones). 

Sección Final Con Banner + Preguntas Frecuentes. Preguntas rotativas con animación 

y respuestas directas. 

 Consentimiento Ético. El botón de acción final abre un modal claro y funcional que 

recoge nombre, correo y confirmación del usuario para continuar al análisis. Esta decisión 

refuerza el enfoque responsable y ético de MAVA. 

analisis.html – Carga y Análisis de Imagen 

Esta página se centra en la acción: subir una imagen del rostro. 

Sección introductoria con imagen de fondo e instrucciones animadas que aparecen al 

hacer scroll. 

Guía visual “Cómo tomar una buena foto” con tres tarjetas explicativas sobre luz, 

limpieza y formato. 

Formulario de carga claro, con botón dinámico, validación inmediata y vista previa con 

efecto zoom. 

Botón “Analizar Mi Piel” Que: 

Verifica el formato de la imagen. 

Muestra estado de carga. 



Proyecto De Grado - MAVA 

 61 

Envía la imagen al backend (/prediction) y guarda los resultados (tipo de piel e 

ingredientes) en localStorage. 

Redirige automáticamente a resultados.html. 

Las animaciones, validaciones y estilo están diseñados para brindar confianza, claridad y 

control al usuario. 

resultados.html – Recomendaciones Personalizadas 

Esta página es la entrega final y la recompensa de todo el proceso: 

Banner superior (30%) con imagen de fondo e indicación clara del tipo de piel detectado. 

Carrusel De Ingredientes Recomendados (70%): 

Incluye nombre, descripción y navegación con flechas y puntos indicadores. 

Usa datos obtenidos de localStorage en la página anterior. 

Detecta si no hay datos disponibles y muestra mensajes claros. 

Todo el contenido está cuidadosamente centrado, animado y adaptado a cualquier tipo de 

pantalla. 

Puntos Destacados 

Accesibilidad Móvil. Toda la interfaz se adapta a celulares, incluyendo botones, 

tipografías y carruseles. 

Fluidez Visual. Transiciones limpias, coherencia cromática y lenguaje visual consistente. 



Proyecto De Grado - MAVA 

 62 

Enfoque Humano Y Ético. Desde el lenguaje de las preguntas frecuentes hasta la 

implementación del consentimiento explícito, cada decisión refleja responsabilidad y empatía. 

Modularidad: Cada página tiene un propósito definido, y el CSS actúa como un sistema 

centralizado para mantener la estética y funcionalidad alineadas. 

Documentación Base De Datos 

El archivo utilizado en este proyecto lleva por nombre “base de datos proyecto” y fue 

diseñado como una hoja de cálculo estructurada cuyo objetivo principal es organizar de manera 

sistemática una lista de ingredientes cosméticos, permitiendo su análisis, clasificación y posterior 

utilización en un sistema de recomendación.  

Esta base fue construida desde cero por el desarrollador del proyecto, a partir de un 

proceso de recopilación técnica que incluyó la consulta de diversas fuentes especializadas, tales 

como literatura científica en formulación cosmética, bases de datos del sector dermocosmético, 

catálogos técnicos de proveedores reconocidos y referencias comunes en productos 

dermatológicamente aprobados. La información fue seleccionada y curada con un enfoque 

funcional y práctico, centrado en cómo actúa cada ingrediente sobre la piel y en qué tipo de 

pieles se recomienda su uso. 

Cada fila de esta base representa un ingrediente único. Para cada uno, se asignó un 

código numérico identificador con el fin de mantener un orden secuencial y facilitar su 

trazabilidad. Se registró también el nombre del ingrediente, que puede corresponder a su 

denominación común, botánica o a la nomenclatura INCI, cuando fue posible.  



Proyecto De Grado - MAVA 

 63 

A continuación, se clasificó cada ingrediente en un grupo funcional —como calmante, 

hidratante, antiacné, desmanchante, entre otros— que refleja su principal mecanismo de acción 

en una formulación cosmética. Uno de los campos más relevantes es la descripción técnica, en la 

que se resumen de forma clara y profesional las propiedades del ingrediente, sus efectos en la 

piel, su origen y, en algunos casos, su comportamiento sinérgico con otros componentes. 

Adicionalmente, se incorporaron columnas específicas destinadas a indicar el tipo o los 

tipos de piel para los cuales se recomienda cada ingrediente. Estas clasificaciones (normal, grasa, 

mixta, seca) se fundamentan en criterios técnicos y en evidencia proveniente de formulaciones 

existentes, publicaciones científicas y recomendaciones de uso. El criterio de asignación se 

elaboró considerando la compatibilidad del ingrediente con las características fisiológicas de 

cada tipo de piel, teniendo en cuenta factores como la capacidad de retención de agua, la 

regulación del sebo, la sensibilidad cutánea o la presencia de desequilibrios como el acné o la 

sequedad extrema. 

Esta base de datos, tal como ha sido construida, constituye un insumo central dentro del 

desarrollo técnico del proyecto, ya que alimenta directamente el módulo de inteligencia artificial 

encargado de generar recomendaciones personalizadas en la aplicación. A mediano plazo, se 

proyecta transformar este archivo en una base de datos estructurada, posiblemente en SQL o 

MongoDB, con el propósito de facilitar su integración con el backend del sistema y permitir 

operaciones más eficientes de filtrado, actualización o expansión. La claridad, trazabilidad y 

coherencia de esta base refuerzan la funcionalidad del proyecto y respaldan su enfoque orientado 

a la personalización cosmética basada en el tipo de piel. 

 



Proyecto De Grado - MAVA 

 64 

Entrenamiento De Los Modelos De Predicción 

Para la implementación de las dos IA centrales encargada del análisis, detección y 

clasificación de los tipos de piel, además de la recomendación de ingredientes, se optó por 

emplear un entorno de desarrollo local en Jupyter Notebook, dado que el entrenamiento de 

modelos de visión artificial exige tiempo y recursos que resultan más eficientes cuando se 

gestionan directamente con la capacidad del equipo de cómputo. A continuación, se seleccionó el 

framework TensorFlow para la construcción y entrenamiento del modelo, teniendo en cuenta la 

experiencia previa con sus herramientas y de la familiaridad con su funcionamiento. 

Modelo Para La Detección Tipos De Piel 

Antes de iniciar con el entrenamiento, era necesario disponer de un conjunto de datos 

amplio y variado. Dado el tiempo que tomaría recolectar imágenes de forma manual, se recurrió 

a dos datasets públicos disponibles en Internet: “Oily, Dry and Normal Skin Type” de Kaggle, 

con 3.153 imágenes, y “Skin Types2 Computer Vision Project”, con 3.024 imágenes. Como el 

primer dataset carecía de ejemplos de piel mixta y, además, funcionaba mejor para el aprendizaje 

del modelo, se extrajeron del segundo dataset las imágenes correspondientes a piel mixta para 

incorporarlas al primero, obteniendo así un total de 4.093 imágenes para el entrenamiento. 

En el Jupyter Notebook se importaron las librerías necesarias, como os, numpy y 

tensorflow.kera,  junto con sus submódulos: ImageDataGenerator, Sequential, 

GlobalAveragePooling2D, Dense, Dropout y Adam. También se incorporó el modelo base de 

redes neuronales convolucionales ResNet50, seleccionado por su eficiencia en el análisis y 

categorización de imágenes y por contar con una arquitectura de profundidad adecuada. 



Proyecto De Grado - MAVA 

 65 

A continuación, se cargó el conjunto de datos y se definieron las rutas de las carpetas de 

entrenamiento, prueba y validación. Las imágenes se redimensionaron según los requisitos de 

ResNet50 y, para enriquecer el proceso de aprendizaje, se aplicó aumento de datos al conjunto de 

entrenamiento mediante ImageDataGenerator, empleando parámetros como rescale, 

rotation_range y vertical_flip. Posteriormente, se configuraron los generadores para entrenar, 

validar y probar el modelo, y se construyó un diccionario que asocia cada categoría con su valor 

numérico (‘Mixta’: 0, ‘Seca’: 1, ‘Normal’: 2, ‘Grasa’: 3). Con Matplotlib se visualizaron 

ejemplos de imágenes aumentadas junto a sus etiquetas numéricas. 

Para detectar posibles desequilibrios de clases, que podrían sesgar el aprendizaje hacia la 

categoría más abundante, se contó el número de imágenes por clase. Dado que la clase ‘Mixta’ 

presentaba una cantidad significativamente menor, se empleó class_weight para asignarle un 

peso mayor y garantizar que el modelo le preste la atención necesaria. Con estos preparativos, se 

cargó ResNet50 con pesos preentrenados en ImageNet, se ajustaron sus entradas a las 

dimensiones y canales de color adecuados, y se congelaron sus últimas 50 capas originales, de 

modo que solo las nuevas capas de clasificación se entrenen, optimizando así la velocidad y 

estabilidad del ajuste. 

A continuación, se añadieron las capas personalizadas: primero, una capa de “flatten” 

para convertir las características extraídas en un vector; después, una capa densa de 1,024 

neuronas con regularización para evitar el sobreajuste; y, finalmente, la capa de salida con cuatro 

neuronas y activación softmax para obtener las probabilidades de cada clase. 

En la fase de compilación y entrenamiento, se utilizó el optimizador Adam y la función 

de pérdida categorical_crossentropy, mientras que la métrica accuracy sirvió para evaluar el 



Proyecto De Grado - MAVA 

 66 

porcentaje de predicciones correctas. Para preservar el mejor estado del modelo durante un 

entrenamiento extenso, se configuraron callbacks: ModelCheckpoint, que guarda el modelo cada 

vez que mejora la pérdida de validación (val_loss); EarlyStopping, que detiene el entrenamiento 

si val_loss no mejora tras 5 épocas, recuperando el mejor estado anterior; ReduceLROnPlateau, 

que reduce la tasa de aprendizaje cuando no se observa mejoría en val_loss durante 3 épocas. 

Finalmente, se entrenó el modelo durante 40 épocas, validándolo en cada iteración con el 

conjunto de validación, y al concluir el proceso se guardó el modelo resultante en un archivo .h5 

Modelo Para La Recomendación De Ingredientes 

Este proyecto implementa un modelo de clasificación multilabel: su entrada es un registro 

único (un tipo de piel) y su salida puede asociar múltiples ingredientes químicos beneficiosos 

para esa categoría. La base de datos de ingredientes, desarrollada específicamente para este 

propósito, se describirá con más detalle en secciones posteriores. Para el entrenamiento de la IA, 

además de las librerías empleadas en el modelo anterior, se incorporaron pandas (para manipular 

el CSV), MultiLabelBinarizer (para convertir etiquetas en vectores binarios), f1_score, para 

evaluar el desempeño, y el módulo random, para introducir aleatoriedad en el muestreo de 

componentes. 

El flujo comienza leyendo el archivo CSV con pandas.read_csv(), renombrando 

columnas para hacerlas más legibles y eliminando aquellas que estén vacías o irrelevantes. A 

continuación, se reordena el DataFrame de manera que las columnas correspondientes a cada 

tipo de piel queden agrupadas, y se descartan campos auxiliares que no aportan información al 

modelo. 



Proyecto De Grado - MAVA 

 67 

Se define una función de recomendación que, para cada ingrediente, extrae las dos 

primeras columnas del DataFrame, las que representan los dos tipos de piel a los que más 

beneficia dicho ingrediente, y devuelve una lista priorizada de pares (tipo de piel, ingrediente). 

Esta función será la base para construir el set de entrenamiento. Con ello, se simula un conjunto 

de entrenamiento en el que cada tipo de piel se asocia a cinco ingredientes óptimos. Se recorre 

cada fila del DataFrame, se agrupan los cinco ingredientes en una sublista junto con la etiqueta 

de piel correspondiente y se almacenan todos estos pares en una lista maestra. Sobre esta 

estructura se crea un nuevo DataFrame que servirá de entrada al modelo. 

Para preparar las variables predictoras X, se ordena la lista de todos los componentes 

únicos y se aplica MultiLabelBinarizer sobre el campo de tipos de piel, generando así un array 

binario. De la misma forma, las cinco columnas de ingredientes se transforman en una matriz 

binaria Y. Una vez codificados X e Y, se dividen en conjuntos de entrenamiento, prueba y 

validación utilizando train_test_split, garantizando mezclas aleatorias con semilla fija. 

El modelo secuencial de Keras se construye con una primera capa Dense(64) seguida de 

BatchNormalization y Dropout(0.5), lo que estabiliza las activaciones y reduce el sobreajuste. La 

segunda capa, Dense(32), refina aún más las representaciones, y la capa de salida tiene tantas 

neuronas como columnas en Y (cinco), empleando activación sigmoid para predecir 

independientemente cada etiqueta.  

Al compilar, se utiliza el optimizador Adam y la función de pérdida binary_crossentropy, 

idónea para tareas multilabel, junto con la métrica binary_accuracy para valorar la precisión de 

cada etiqueta. Para optimizar el entrenamiento, se configuran callbacks: ReduceLROnPlateau y 

EarlyStopping. Tras entrenar durante 30 épocas, el modelo se evalúa con el set de validación, 



Proyecto De Grado - MAVA 

 68 

mostrando una matriz binaria de predicciones y las métricas de precisión para cada ingrediente. 

Finalmente, el modelo se guarda en un archivo .h5, listo para ser cargado en el backend. 

Backend 

Dado que la aplicación web carece de registro o login y se enfoca exclusivamente en el 

análisis del tipo de piel y en la recomendación de componentes, el backend se diseñó de manera 

simple, incluyendo únicamente lo imprescindible para su funcionamiento. Para ello, se emplea 

un archivo de variables de entorno (.env) que es leído por mongo.py, donde también se obtiene la 

URL de la instancia de MongoDB y se establece la conexión mediante AsyncIOMotorClient. 

MongoDB guarda los datos de consentimiento del usuario —nombre, correo electrónico 

y un valor booleano que indica la aceptación de la política de tratamiento de datos— a través del 

endpoint /api/submit. Este endpoint espera recibir un objeto DataUser, definido en 

schemas/users.py mediante BaseModel de Pydantic, lo que asegura la validación automática de 

los campos enviados desde el frontend. Al invocar la ruta, la función comprueba que el 

consentimiento esté marcado; si el usuario ya existe, omite la duplicación en la base de datos, y 

si es un nuevo consentimiento, guarda el registro correspondiente. 

En la carpeta de modelos se integran tanto el predictor de tipo de piel como la 

recomendación de ingredientes. En el módulo responsable de las recomendaciones, se carga 

primero la ruta del modelo entrenado y, acto seguido, se lee el archivo CSV con los ingredientes 

y sus descripciones, descartando columnas innecesarias. A continuación, se agrupan los 

ingredientes por tipo de piel: se recorre la base de datos de ingredientes para extraer aquellos 

marcados según cada categoría y se almacenan en listas de cinco elementos. 



Proyecto De Grado - MAVA 

 69 

De esta agrupación surge una lista ordenada de ingredientes sin duplicados, que servirá 

de vocabulario para el modelo. La función recommend() recibe uno de los cuatro tipos de piel 

(tal como lo retorna el predictor), convierte esta entrada en un vector binario y, usando el modelo 

entrenado, calcula las probabilidades de cada ingrediente. Finalmente, selecciona aleatoriamente 

cinco de los que obtuvieron mayor probabilidad, de acuerdo con el tipo de piel. Posteriormente, 

la función get_descriptions() separa los nombres de los ingredientes de sus descripciones: 

localiza cada nombre en el DataFrame original y extrae su descripción para devolverla junto al 

listado final. 

El módulo de predicción de tipo de piel consta de una única función que recibe una 

imagen, la convierte a formato RGB si es necesario, la redimensiona al tamaño requerido por el 

modelo, la transforma en un arreglo y la normaliza para la red neuronal. Tras cargar el modelo, le 

pasa este arreglo y, en caso de recibir más de una imagen, utiliza argmax para determinar la clase 

predominante. La función devuelve tanto el tipo de piel detectado como el porcentaje de 

confianza. 

La integración de ambos modelos tiene lugar en routes/ia.py, donde se define el endpoint 

/prediction. La función upload_photo valida que el archivo recibido sea una imagen, la envía 

primero al modelo de predicción de tipo de piel y, con el resultado obtenido, invoca a 

recommend() para generar la lista de ingredientes y sus descripciones. El conjunto de datos 

resultante se devuelve en formato JSON al frontend. 

Por último, en el archivo main.py se configura la aplicación principal de FastAPI: se crea 

una instancia de la app, se habilita el middleware CORS para permitir solicitudes desde cualquier 

origen (ya que frontend y backend están desacoplados) y se define una ruta raíz que devuelve un 



Proyecto De Grado - MAVA 

 70 

mensaje de prueba. Además, se incluyen dos routers: uno para gestionar las rutas de formularios 

de usuario (form_data) y otro para las rutas de inteligencia artificial (ia_route), y se cargan las 

configuraciones desde un archivo centralizado de variables de entorno. 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 



Proyecto De Grado - MAVA 

 71 

Pruebas Y Calidad Del Software 

Pruebas Unitarias Funcionales 

Las siguientes pruebas unitarias del backend se realizaron con Postman. 

Tabla 18.  

Pruebas De Formulario De Consentimiento 

Prueba Entrada Resultado Esperado Salida 
Resultado 

Final 

Almacenamiento 

correcto de los datos 

y consentimiento de 

usuario. 

 

Nombre, Correo y 

consentimiento 

aceptado. 

{ 

"message": 

"Consentimiento 

recibido" 

} 

{ 

"message": 

"Consentimiento 

recibido" 

} 

Exitoso 

Consentimiento no 

aceptado por el 

usuario. 

Nombre, Correo y 

consentimiento no 

aceptado. 

400 Bad Request { 

"detail": "Debe 

aceptar el 

consentimiento para 

continuar" 

} 

400 Bad Request { 

"detail": "Debe 

aceptar el 

consentimiento para 

continuar" 

} 

Exitoso 

El usuario ya ha 

dado su 

consentimiento con 

anterioridad. 

Nombre, Correo y 

consentimiento no 

aceptado. 

{ 

"message": "Usuario 

ya registrado" 

} 

{ 

"message": "Usuario 

ya registrado" 

} 

Exitoso 

El usuario no ingresa 

un correo electrónico 

valido. 

Nombre, correo no 

valido y 

consentimiento 

aceptado. 

422 Unprocessable 

Entity 

422 Unprocessable 

Entity 
Exitoso 



Proyecto De Grado - MAVA 

 72 

El usuario no ingresa 

ningún nombre. 

Sin nombre, correo y 

consentimiento 

aceptado. 

422 Unprocessable 

Entity  "msg": "Value 

error, El nombre no 

puede estar vacío" 

422 Unprocessable 

Entity  "msg": 

"Value error, El 

nombre no puede 

estar vacío" 

Exitoso 

El usuario ingresa 

número en vez de 

letras en el nombre. 

Nombre con 

números, correo y 

consentimiento 

aceptado. 

422 Unprocessable 

Entity  "msg": "Value 

error, El nombre no 

puede contener 

números" 

422 Unprocessable 

Entity  "msg": 

"Value error, El 

nombre no puede 

contener números" 

Exitoso 

Figura 6 

Pruebas 1 Postman 

 

Figura 7 

Pruebas 2 Postman 



Proyecto De Grado - MAVA 

 73 

 

Figura 8 

Pruebas 3 Postman 

 

Figura 9 



Proyecto De Grado - MAVA 

 74 

Pruebas 4 Postman 

 

Figura 10 

Pruebas 5 Postman 

 



Proyecto De Grado - MAVA 

 75 

Tabla 19.  

Pruebas De La Predicción Y Recomendación De Ingredientes. 

Prueba Entrada Resultado Esperado Salida 
Resultado 

Final 

Predicción de piel y 

recomendaciones 

con imagen clara. 

Imagen en un 

formato aceptado 

y con las 

indicaciones. 

Muestra el tipo de piel y las 

recomendaciones según 

esta. 

Arroja el tipo de piel y las 

recomendaciones. 
Exitoso 

Predicción con 

imagen no valida. 

Imagen de un 

objeto. 

{ 

"detail": "No se detectó un 

rostro en la imagen" 

} 

{ 

"detail": "No se detectó 

un rostro en la imagen" 

} 

Exitoso 

Predicción con 

imagen en formato 

no permitido. 

Imagen en 

formato .gif 

400 Bad Request { 

"detail": "Formato de 

imagen no permitido" 

} 

400 Bad Request { 

"detail": "Formato de 

imagen no permitido" 

} 

Exitoso 

 

Figura 11 

Pruebas 6 Postman 



Proyecto De Grado - MAVA 

 76 

 

Figura 12 

Pruebas 7 Postman 

 



Proyecto De Grado - MAVA 

 77 

Figura 13 

Pruebas 8 Postman 

 

 

Tabla 20.  

Prueba De Base De Datos. 

Prueba Entrada 
Resultado 

Esperado 
Salida 

Resultado 

Final 

Inserción de los 

datos y 

consentimiento 

del usuario en la 

base de datos. 

Nombre, correo y 

consentimiento. 

Usuario agregado 

con éxito en la base 

de datos con su 

respectivo ID. 

Usuario 

efectivamente 

agregado en la 

base de datos. 

Exitoso 

Comentarios adicionales: El usuario no se duplica si vuelve a ingresar sus datos, la lógica busca si el 

correo existe y si es así, le permite seguir al análisis sin agregarlo nuevamente a la base de datos. 



Proyecto De Grado - MAVA 

 78 

Figura 14 

Prueba Base De Datos 

 

Pruebas De Integración 

Envió del Consentimiento 

Se verificó que el formulario del modal de consentimiento envía correctamente los datos 

(nombre, correo, consentimiento) al backend. Se confirmó la recepción en MongoDB y la 

redirección adecuada a la siguiente etapa. 

Figura 15 

Prueba Consentimiento Para Análisis 

 



Proyecto De Grado - MAVA 

 79 

 

Subida Y Análisis De Imagen 

Se realizaron pruebas con imágenes válidas (PNG y JPEG) desde el frontend. El backend 

respondió con el tipo de piel y una lista de ingredientes recomendados en la parte interna se da 

como resultado ok, si está bien hecho, los datos se almacenaron en localStorage y no en base de 

datos, cumpliendo con los criterios de privacidad establecidos. Si la imagen no contienen ningún 

rostro o no se ve de forma clara responderá con un 400 bad request.  

Figura 16 

Prueba Subida De Imágenes 

 

 



Proyecto De Grado - MAVA 

 80 

 

Figura 17 

Prueba Subida De Imágenes Incorrecto 

 

 

 

 

Visualización De Resultados 

La página resultados.html recuperó con éxito los datos almacenados localmente, 

mostrando correctamente el tipo de piel y el carrusel de ingredientes. Se validó la visualización 

en diferentes navegadores y dispositivos. 

Figura 18 

Prueba Visualización De Resultados 



Proyecto De Grado - MAVA 

 81 

 

 

 

 

 

 

 

 

 

 



Proyecto De Grado - MAVA 

 82 

Conclusión 

El cuidado de la piel es más que una rutina estética; es una expresión de autocuidado, 

salud y bienestar emocional. A pesar de su relevancia, la sociedad actual enfrenta una paradoja: 

nunca antes habíamos tenido tanta información a nuestro alcance, pero esa abundancia no 

siempre se traduce en conocimiento verdadero. La sobrecarga de información errónea en redes 

sociales, sumada a la influencia de personas no expertas, ha generado un escenario confuso 

donde muchas decisiones se basan en tendencias virales más que en evidencia científica. Esta 

problemática no solo afecta la eficacia de los productos que las personas eligen, sino que también 

puede derivar en daños a la piel y frustración en los procesos de cuidado personal. 

Frente a esta realidad, MAVA surge como una respuesta innovadora, ética y necesaria. A 

través del uso de inteligencia artificial, el proyecto demuestra que es posible acercar la 

tecnología al cuidado personal de manera responsable y empática. La herramienta no solo 

identifica el tipo de piel mediante el análisis de imágenes faciales, sino que también proporciona 

recomendaciones personalizadas de ingredientes cosméticos respaldadas por evidencia científica. 

Esto transforma el acceso a la información, permitiendo a los usuarios tomar decisiones 

informadas, seguras y alineadas con sus necesidades reales. 

El desarrollo del prototipo final, estructurado en una interfaz intuitiva y funcional, valida 

la viabilidad del modelo tanto desde el punto de vista técnico como práctico. La aplicación 

cumple con estándares de usabilidad, accesibilidad y protección de datos, demostrando que una 

solución tecnológica puede ser al mismo tiempo eficaz y respetuosa con la privacidad del 

usuario. El sistema de recomendación, alimentado por una base de datos curada y un motor de 



Proyecto De Grado - MAVA 

 83 

predicción preciso, refleja un trabajo riguroso y disciplinado, resultado de la integración entre la 

ingeniería de sistemas y la ingeniería química. 

Además, este proyecto establece un precedente importante para el uso de inteligencia 

artificial con enfoque humano. MAVA no busca sustituir al dermatólogo, sino actuar como una 

guía complementaria, una aliada accesible en contextos donde el acceso a atención profesional es 

limitado. Desde el entrenamiento de modelos con datasets representativos hasta la 

implementación de mecanismos de consentimiento informado, cada decisión de diseño fue 

tomada considerando no solo el rendimiento del sistema, sino también su impacto ético y social.  

A nivel académico, este trabajo permitió consolidar competencias en análisis de datos, 

desarrollo de modelos de aprendizaje automático, diseño de interfaces responsivas y gestión de 

bases de datos, todo aplicado a un problema real y con una solución funcional. A nivel humano, 

se reafirmó el valor de desarrollar tecnologías que empoderen, eduquen y respeten a sus usuarios. 

MAVA no solo cumple con sus objetivos tecnológicos y funcionales; marca un camino hacia una 

cosmética más informada, accesible y basada en datos, alejándose del ruido digital que tantas 

veces confunde más de lo que ayuda.  

Con una mirada puesta en el futuro, este proyecto abre la puerta a nuevas líneas de 

desarrollo: integración con dermatología profesional, expansión de la base de ingredientes, 

incorporación de escaneo multiespectral. Porque si algo ha demostrado MAVA, es que la 

inteligencia artificial puede y debe estar al servicio del bienestar, y que cuidar la piel también 

puede ser una forma de cuidar la ciencia, la ética y la verdad. 

 

 



Proyecto De Grado - MAVA 

 84 

Pasos A Futuros 

A partir de los desarrollos alcanzados, MAVA proyecta dos escenarios principales de 

evolución tecnológica y comercialización: 

Personalización De Recomendaciones Hacia Productos Comerciales 

En una primera fase de expansión, MAVA podría establecer acuerdos de integración con 

empresas de productos cosméticos. Bajo este esquema, la aplicación adaptaría sus algoritmos de 

recomendación para, en lugar de sugerir únicamente ingredientes genéricos, asociar dichos 

ingredientes a productos específicos de las marcas participantes que contengan las sustancias 

activas recomendadas. Esta integración permitiría ofrecer al usuario final una ruta de compra 

directa, altamente personalizada según su tipo de piel, incrementando la efectividad de los 

tratamientos cosméticos y optimizando la experiencia de compra. 

Técnicamente, esta expansión requeriría incorporar a la base de datos de MAVA los 

catálogos de productos comerciales de las marcas aliadas, así como el desarrollo de un módulo 

de correspondencia automática entre los ingredientes activos detectados por la IA y las 

formulaciones completas de los productos ofrecidos. 

Generación De Reportes Demográficos De Tipología De Piel 

Una segunda línea de explotación comercial contempla la recolección y procesamiento 

estadístico de los tipos de piel identificados por la aplicación. A partir de los análisis realizados 

(previo consentimiento informado), MAVA estaría en capacidad de consolidar informes 

agregados que reflejen la proporción de usuarios clasificados en cada categoría de piel (seca, 

mixta, grasa o normal). 



Proyecto De Grado - MAVA 

 85 

Referencias 

Begum, F. (2024). I4nfluence of social media over Prevailing Skin Practices. J Skin Stem 

Cell, 11(1), e144713. https://doi.org/10.5812/jssc-144713.  

De Croon, R., Van Houdt, L., Htun, N. N., Štiglic, G., Vanden Abeele, V., & Verbert, K. 

(2021). Health Recommender Systems: Systematic review. Journal Of Medical Internet 

Research, 23(6), e18035. https://doi.org/10.2196/18035  

Du‐Harpur, X., Watt, F., Luscombe, N., & Lynch, M. (2020). What is AI? Applications 

of artificial intelligence to dermatology. British Journal of Dermatology, 183(3), 423-430. 

https://doi.org/10.1111/bjd.18880  

Fernandes, S. M. B., Ravi, S. S., Shah, S. M., Iqbal, M. M., Vaniyawala, V. D., & 

Muskaan, S. (2022). The role of social media in cosmetic dermatology. Mathews Journal of 

Dermatology, 5(2), 17. https://doi.org/10.30654/MJDE.10017  

Grzybowski, A., Jin, K., & Wu, H. (2024). Challenges of artificial intelligence in 

medicine and dermatology. Clinics In Dermatology, 42(3), 210-215. 

https://doi.org/10.1016/j.clindermatol.2023.12.013  

Guo, Y., Liu, Y., Bakker, E. M., Guo, Y., & Lew, M. S. (2018). CNN-RNN: a large-scale 

hierarchical image classification framework. Multimedia Tools and Applications, 77(8), 10251-

10271. https://doi-org.bdbiblioteca.universidadean.edu.co/10.1007/s11042-017-5443-x  

Haddadin, S., Ebers, M., & Navas, S. (2020). Robotics and Artificial Intelligence: The 

Present and Future Visions. In Algorithms and Law (pp. 1–36). Cambridge University Press. 

https://doi.org/10.1017/9781108347846.002  

Jasil, S. P. G., & Arroyo, V. (2023