Explicabilidad
y Transparencia

Pilares que sostienen el puente entre la tecnología y la ética

Sistema de Reconocimiento de Placas Patentes (LPR)

Nombre del Modelo: yolo-patentes-v3

Versiones:
• yolo-patentes-v3
• yolo-patentes-nano-beta
• yolo-patentes-nano-int8-320-beta

Fecha de Creación Primera Versión: 6/12/2024

Tipo de Modelo: Reconocimiento de Placas Patentes (LPR)

Desarrolladores: Daniel Arredondo Carro
Licencia: Open Source

Se declara IA:

Descripción: Consiste en un modelo YOLO v11 reentrenado para la detección de placas patentes.

Propósito: Capturar las placas de vehículos en videos en tiempo real o imágenes.

Objetivo: Mejorar la velocidad y precisión en la vigilancia y seguridad pública

Casos de Uso Recomendados: Predicción on cloud – on premise – on edge (modelo nano).

Usuarios / Ejecutores:
Subsecretaría de Prevención del Delito
Carabineros
• Municipios
• Autopistas concesionadas
• Centros comerciales
•Estacionamientos

Región de Aplicación: Todo Chile

Limitaciones de Uso:
Versión nano específico para correr ON EDGE.
• Versión large requiere mayor computo.

Producto estratégico – soporte: Soporte

Fecha de testeo: 2024

Estado conocido: En uso

Financiamiento: Público-Privado

Conjunto de Datos de Entrenamiento: Dataset obtenido de internet

Datos Capturados: Frame de video, Patente, ubicación, hora y día.

Tipo de Analítica: Analítica ON EDGE y On Cloud.

Distribución de Datos: Solo 1 clase (License Plate):
• 25.000 imágenes entrenamiento
• 1.000 imágenes validación
• 400 imágenes de prueba

Evaluación de Sesgos:
Dataset con imágenes de todo el mundo (posible sesgo en vehículos que no circulan en Chile).
• Proporción de Validación muy pequeña en relación a lo recomendado.

Métricas
• Precisión: 0.87655
Recall: 0.8235
• mAP50-95: 0.51538

Umbrales:
• Umbral de confianza: 0.25-0.35 (recomendado 0.30)
• Umbral IoU (Intersection over Union): 0.45-0.55 (recomendado 0.50)
• NMS (Non-Maximum Suppression): 0.45
• Ajustar umbral de confianza a 0.20 en condiciones de baja iluminación 
• Ajustar umbral de confianza a 0.40 para minimizar falsos positivos en entornos controlados

Hardware:
• Procesador: 8 núcleos o superior (Intel Core i9/Xeon o AMD Ryzen 9/Threadripper)
• RAM: 32GB mínimo (64GB recomendado)
• Almacenamiento: 50GB SSD (100GB+ recomendado para dataset completo)
• GPU: NVIDIA RTX 3090/4080/A5000 o superior con 16GB+ VRAM
Complementario: Múltiples GPUs para entrenamiento distribuido

Software:
• Python 3.10+
• PyTorch 1.13.0+
• Ultralytics YOLOv11 framework
• OpenCV 4.8.0+
• CUDA Toolkit 12.0+
• cuDNN 8.9.0+
• Albumentations 1.3.1+ (para data augmentation específica de patentes)
• Sistema operativo: Ubuntu 22.04+ (recomendado)
• MLflow

Hardware
• Procesador: 6 núcleos o superior (Intel Core i7 o AMD Ryzen 7) 
• RAM: 16GB mínimo (32GB recomendado para procesamiento de múltiples streams)
• Almacenamiento: 10GB SSD (para modelo y caché de imágenes)
• GPU: CUDA compatible con 8GB VRAM para procesamiento en tiempo real
• Cámaras: Alta resolución (mínimo 2MP) con baja distorsión óptica
• Red: 1Gbps para transmisión de múltiples cámaras

Software
• Python 3.9+
• PyTorch 1.12.0+ o TensorRT 8.6+
• Ultralytics YOLOv11 framework
• OpenCV 4.7.0+
• NumPy 1.23.0+
• EasyOCR/PaddleOCR (para la lectura de caracteres tras la detección)
• FastAPI 0.95+ (para API)
• Redis 7.0+ (para caché de resultados)
• Sistema operativo: Ubuntu 22.04+, Windows 10/11, macOS 13.0+
• Docker 23.0+ con soporte GPU

Tiempo de procesamiento:
• Detección por imagen: 10-25ms (40-100 FPS) 
• Detección + OCR por patente: 20-40ms 
• Procesamiento multi-cámara (4 streams): 15-35ms por frame por cámara 
• Latencia de captura a extracción completa: 30-70ms total

Tamaño del Modelo:
• 5,2 Mb (versión nano)
• 109 Mb (versión large)

Responsables: Daniel Arredondo Carro (Científico de Datos – SITIA).

Ciclo de Actualización: A definir.

Feedback: correo darredondo@spd.gov.cl o en página web

SITIA Armas

Sistema de Reconocimiento de Armas en tiempo real.

Nombre del Modelo: yolo-guns_detector

Versiones:
• yolo-guns_detector-large-beta

Fecha de Creación Primera Versión: 24/02/2025

Tipo de Modelo: Reconocimiento de Armas

Desarrolladores: Daniel Arredondo Carro

Licencia: Open Source

Se declara IA:

Descripción: Consiste en un modelo YOLO v11 reentrenado para la detección de armas de fuego.

En uso: No

Propósito: Detectar el uso de armas de fuego en imágenes o videos en tiempo real.

Objetivo: Detectar en forma temprana el uso de armas de fuego para cooperar en la prevención e investigación de delitos.

Casos de Uso Recomendados: Predicción on cloud – on premise – (modelo nano para analítica on Edge en desarrollo).

Usuarios / Ejecutores:
Subsecretaría de Prevención del Delito
Carabineros
• Municipios
• Autopistas concesionadas
• Centros comerciales
•Estacionamientos

Región de Aplicación: Todo Chile

Limitaciones de Uso:
Versión large requiere mayor computo (versión nano en desarrollo).

Producto estratégico – soporte: Soporte

Fecha de testeo: 2025

Estado conocido: En pruebas.

Financiamiento: Público-Privado

Conjunto de Datos de Entrenamiento: Dataset obtenido de interne (roboflow)

Datos Capturados: Frame de video, arma, ubicación, hora y día.

Tipo de Analítica: Analítica ON EDGE y On Cloud.

Distribución de Datos: Solo 1 clase (Gun):
• 54.777 imágenes entrenamiento
• 15.002 imágenes validación
• 498 imágenes de prueba
Evaluación de Sesgos:
Dataset con imágenes de todo el mundo (posible sesgo en armas que no circulan en Chile).
• Proporción de Validación muy pequeña en relación a lo recomendado.

Métricas
• Precisión: 0.98004
Recall: 0.95156
• mAP50-95: 0.70959

Umbrales:
• Umbral de confianza: 0.25-0.35 (recomendado 0.30)
• Umbral IoU (Intersection over Union): 0.45-0.55 (recomendado 0.50)
• NMS (Non-Maximum Suppression): 0.45
• Ajustar umbral de confianza a 0.20 en condiciones de baja iluminación 
• Ajustar umbral de confianza a 0.40 para minimizar falsos positivos en entornos controlados

Hardware:
• Procesador: dual-core o superior (Intel Core i5/i7 o AMD Ryzen 5/7 recomendado)
• RAM: 8GB mínimo (16GB recomendado)
• Almacenamiento: 500MB mínimo (2GB recomendado para modelo y datos)

• GPU: Compatible con CUDA, 4GB VRAM mínimo (8GB recomendado

Software:
Python 3.9+
• PyTorch 1.12.0+
• OpenCV 4.7.0+

• NumPy 1.22.0+
• Ultralytics YOLOv8 8.0.5+
CUDA Toolkit 11.7+ (para aceleración GPU)
• cuDNN 8.5.0+ (para redes neuronales optimizadas)
• Sistema operativo: Windows 10/11, Ubuntu 20.04+, macOS 12.0+

Tiempo de Inferencia: 30-100 ms por imagen (10-33 FPS) en CPU moderna

Con GPU recomendada: 8-20 ms (50-125 FPS)

Latencia en borde de red (edge): <200ms en dispositivos compatibles

Tamaño del Modelo:
5,2 Mb (versión nano).
• 109 Mb (versión médium).

Responsables: Daniel Arredondo Carro (Científico de Datos – SITIA).

Ciclo de Actualización: A definir.

Feedback: correo darredondo@spd.gov.cl o en página web

SITIA Tracking

Sistema de Tracking de vehículos con encargo de búsqueda.

Nombre del Modelo: Metodo de Louvain para deteccion de comunidades

Versiones:
• 1 (versión beta).

Fecha de Creación Primera Versión: 28/03/2025

Tipo de Modelo: Traqueo de automóviles.

Desarrolladores: EY (Proof of Concept).

Licencia: Open Source

Se declara IA: No

Descripción: Algoritmo de análisis de redes basado en teoría de grafos.

Propósito: Predecir patrones de flujo vehicular en carreteras mediante análisis de redes de tránsito.

Objetivo: Estimar la probabilidad de que un vehículo detectado en un pórtico específico pase posteriormente por otros pórticos del sistema vial.

Casos de Uso Recomendados: Predicción on cloud – on premise – análisis batch para planificación vial.

Usuarios / Ejecutores:
• Ministerio de Obras Públicas
Carabineros
• Ministerio de Transportes y Telecomunicaciones
• Autopistas concesionadas
• Municipios
• Empresas de logística y transporte

Región de Aplicación: Todo Chile

Limitaciones de Uso:
• Requiere datos históricos de al menos 3 meses para calibración inicial
• Precisión dependiente de la densidad de pórticos en la red vial
• No considera factores externos como clima o eventos especiales sin calibración adicional

Producto estratégico – soporte: Soporte

Fecha de testeo: 2025

Estado conocido: En pruebas.

Financiamiento: Público-Privado

Conjunto de Datos de Entrenamiento: Obtenido de trafico real capturado por porticos LPR (dataset privado).

Datos Capturados: Frame de video, patente, ubicación, hora y día.

Tipo de Analítica: Analítica On Cloud.

Distribución de Datos:
• Excel con flujo vehicular de 242 millones aprox. de detecciones de automóviles (lecturas de placa patente).
• Vehículos con y sin encargo de búsqueda (datos anonimizados).

Evaluación de Sesgos:
• Solo el 2,4% de los datos corresponden a autos con encargo de búsqueda (problema desbalanceado).

Hardware:
• Procesador: 8 núcleos o superior (Intel Core i9/Xeon o AMD Ryzen 9/Threadripper recomendado)
• RAM: 64GB mínimo (128GB recomendado para redes extensas)
• Almacenamiento: Almacenamiento: 20GB SSD (50GB recomendado para datasets completos e históricos)

• GPU: CUDA compatible con 12GB VRAM mínimo (NVIDIA RTX 3080/A4000 o superior)
• Red: 10Gbps para entrenamiento distribuido o acceso a datos masivos 

Software:
• Python 3.9+
• Scikit-learn 1.1.0+ (para PCA y K-means)
• NetworkX 2.8+
• Pandas 1.5.0+
• NumPy 1.23.0+
• python-louvain (community) 0.16+
• SciPy 1.9.0+
• RAPIDS cuML 22.10+ (para aceleración GPU)
• Dask 2023.3.0+ (para procesamiento paralelo)
• PostgreSQL 14+ con TimescaleDB
• Sistema operativo: Ubuntu 22.04+ (recomendado), Windows 11, macOS 12.0+
• Docker 20.10+ con soporte GPU
• MLflow 2.0+ (para tracking de experimentos)

Hardware:
• Procesador: 4 núcleos o superior (Intel Core i7 o AMD Ryzen 7)
• RAM: 16GB mínimo (32GB recomendado)
• Almacenamiento: 5GB SSD (para modelo y datos operacionales)
• GPU: Opcional – CUDA compatible con 4GB VRAM para cargas altas
• Red: 1Gbps para procesamiento de datos en tiempo real
Software
• Python 3.8+
• NetworkX 2.6+
• Pandas 1.4.0+
• NumPy 1.20.0+
python-louvain (community) 0.15+
• SciPy 1.8.0+
• FastAPI 0.85+ (para despliegue como API)
• PostgreSQL 13+ (para almacenamiento de datos)
• Sistema operativo: Windows 10/11, Ubuntu 20.04+, macOS 12.0+
• Docker 20.10+ (para despliegue containerizado)
• Redis 6.0+ (opcional, para caché de predicciones frecuentes

Tiempo de procesamiento:
• Red pequeña (<1000 pórticos): 2-5 minutos
• Red mediana (1000-5000 pórticos): 15-45 minutos
• Red grande (>5000 pórticos): 1-6 horas
• Procesamiento con paralelización y GPU: reducción de 40-60% en tiempo

Tamaño del Modelo y Datos:
• Modelo base (componentes PCA + centroides K-means + grafo Louvain): 50-100MB
• Datos de entrenamiento completo: 2-5GB
• Checkpoints y modelos intermedios: 500MB-1GB adicionales

Tiempo de procesamiento:
• Red pequeña (<1000 pórticos): <1 segundo
• Red mediana (1000-5000 pórticos): 2-10 segundos
• Red grande (>5000 pórticos): 10-30 segundos
• Predicción por lotes (10,000 vehículos): 15-60 segundos

Tamaño del Modelo:
• Modelo optimizado para inferencia: 30-50MB
• Caché de predicciones frecuentes: 100-250MB (opcional)
• Modelo con datos históricos comprimidos: 200-400MB

Responsables: Daniel Arredondo Carro (Científico de Datos – SITIA).

Ciclo de Actualización: A definir

Feedback: correo darredondo@spd.gov.cl o en página web

SITIA Velocidades

Sistema de medición de velocidad de vehículos.

Nombre del Modelo: YOLO- Speed Estimation

Versiones:
• 1
 
Fecha de Creación Primera Versión: 28/03/2025

Tipo de Modelo: Estimación de velocidad

Desarrolladores: Daniel Arredondo – SITIA

Licencia: Open Source

Se declara IA:

Descripción: El modelo consiste en un cálculo estimado de velocidad de vehículos en movimiento basado en el seguimiento de objetos junto con datos de distancia y tiempo con YOLO11.

En uso: No

Propósito: Detectar posibles riesgos asociados a la conducción a exceso de velocidad

Objetivo: Estimar la velocidad de vehiculos en movimiento.

Casos de Uso Recomendados: Predicción on cloud – on premise – on edge.

Usuarios / Ejecutores:
• Ministerio de Obras Públicas
Carabineros
• Ministerio de Transportes y Telecomunicaciones
• Autopistas concesionadas
• Municipios
• Empresas de logística y transporte

Región de Aplicación: Todo Chile

Limitaciones de Uso:
• El cálculo de la distancia es aproximado y se basa en la Distancia Euclídea. No se tiene en cuenta la calibración de la cámara, por lo que la estimación de la velocidad puede no ser del todo precisa. Además, la velocidad estimada puede variar en función de la velocidad de la GPU.

Producto estratégico – soporte: Soporte

Fecha de testeo: 2025

Estado conocido: En pruebas.

Financiamiento: Público-Privado

Conjunto de Datos de Entrenamiento: No aplica

Datos Capturados: Frame de video, patente, velocidad, ubicación, hora y día.

Tipo de Analítica: Analítica basada en estimación de velocidad.

Hardware:
• Procesador: 6 núcleos o superior (Intel Core i7/i9 o AMD Ryzen 7/9)
• RAM: 16GB mínimo (32GB recomendado para procesamiento de múltiples streams)
• Almacenamiento: 10GB SSD (para modelo, caché de frames y telemetría)
• GPU: CUDA compatible con 6GB VRAM mínimo para inferencia en tiempo real
• Cámaras: Compatible con streams de 30+ FPS a 1080p
• Red: 1Gbps para procesamiento de múltiples cámaras

Software
• Python 3.9+
PyTorch 1.12.0+ o TensorRT 8.4+
• Ultralytics YOLOv8/YOLOv9 framework
• OpenCV 4.7.0+
• NumPy 1.22.0+
• ByteTrack/StrongSORT para tracking
• FastAPI 0.95+ (para API
• Redis 6.2+ (para caché de trayectorias) 
• Sistema operativo: Ubuntu 22.04+, Windows 10/11, macOS 
Docker 20.10+ con soporte GPU Inferencia (YOLO Speed Estimation)

Tiempo de procesamiento:
• 1 stream de video (1080p): 20-40ms por frame (25-50 FPS)
• 4 streams simultáneos: 30-60ms por frame (16-33 FPS
• 8+ streams: requiere múltiples GPUs o sistema distribuido
Latencia de detección a estimación: 50-150ms total

Tamaño del modelo:
• Modelo base YOLOv8/v9 large: 90-120MB
• Modelo de tracking: 15-30MB adicionales 
• Modelo optimizado (INT8/FP16): 30-60MB
• Package completo con dependencias: 300-500MB

Hardware:
• Procesador: 8 núcleos o superior (Intel Core i9/Xeon o AMD Ryzen 9/Threadripper recomendado)
• RAM: 64GB mínimo (128GB recomendado para redes extensas)
• Almacenamiento: Almacenamiento: 20GB SSD (50GB recomendado para datasets completos e históricos)

• GPU: CUDA compatible con 12GB VRAM mínimo (NVIDIA RTX 3080/A4000 o superior)
• Red: 10Gbps para entrenamiento distribuido o acceso a datos masivos 

Software:
• Python 3.9+
• Scikit-learn 1.1.0+ (para PCA y K-means)
• NetworkX 2.8+
• Pandas 1.5.0+
• NumPy 1.23.0+
• python-louvain (community) 0.16+
• SciPy 1.9.0+
• RAPIDS cuML 22.10+ (para aceleración GPU)
• Dask 2023.3.0+ (para procesamiento paralelo)
• PostgreSQL 14+ con TimescaleDB
• Sistema operativo: Ubuntu 22.04+ (recomendado), Windows 11, macOS 12.0+
• Docker 20.10+ con soporte GPU
• MLflow 2.0+ (para tracking de experimentos)

Responsables: Daniel Arredondo Carro (Científico de Datos – SITIA).

Ciclo de Actualización: A definir

Feedback: correo darredondo@spd.gov.cl o en página web

SITIA Velocidades

Sistema contador de objetos con YOLO.

Nombre del Modelo: Ultralytics Recuento de objetos
Versiones:
• 1 
Fecha de Creación Primera Versión: 28/03/2025
Tipo de Modelo: Recuento de Objetos
Desarrolladores: Daniel Arredondo – SITIA
Licencia: Open Source
Se declara IA:
Descripción: El modelo implica la identificación y el recuento precisos de objetos específicos en vídeos y secuencias .de cámaras.
En uso: No

Propósito: Identificar y anticiparse a escenarios de gran flujo vehicular o de multitudes.
Objetivo: Contar objetos que traspasan un umbral en un periodo de tiempo determinado.
Casos de Uso Recomendados: Predicción on cloud – on premise – on edge.
Usuarios / Ejecutores:
• Ministerio de Obras Públicas
Carabineros
• Ministerio de Transportes y Telecomunicaciones
• Autopistas concesionadas
• Municipios
• Empresas de logística y transporte
Región de Aplicación: Todo Chile
Limitaciones de Uso:
• Precisión reducida en condiciones de alta densidad (cuando hay oclusión significativa entre objetos).
• Rendimiento degradado en condiciones de baja iluminación o clima adverso (lluvia, niebla, nieve
• Dificultad para distinguir objetos muy pequeños (menos del 1% del tamaño total del frame).
• Falsos positivos/negativos en situaciones de sombras pronunciadas o reflejos.

Producto estratégico – soporte: Soporte
Fecha de testeo: 2025
Estado conocido: En pruebas.
Financiamiento: Público-Privado

Conjunto de Datos de Entrenamiento: No aplica
Datos Capturados: Frame de video, número de objeto, ubicación, hora y día.
Tipo de Analítica: Analítica basada en detección de objetos + tracking.

Hardware:
• Procesador: 4 núcleos o superior (Intel Core i5/i7 o AMD Ryzen 5/7) 
• RAM: 8GB mínimo (16GB recomendado para múltiples streams)
• Almacenamiento: 5GB SSD (para modelo y almacenamiento temporal)
• GPU: CUDA compatible con 4GB VRAM para procesamiento en tiempo real 
• Cámaras: Compatible con streams de 20+ FPS a 1080p
• Red: 1Gbps para procesamiento de datos distribuido
Software
• Python 3.8+
• PyTorch 1.10.0+ o ONNX Runtime 1.11.0+
• Ultralytics YOLOv8/YOLOv9 framework
• OpenCV 4.5.0+
• NumPy 1.20.0+
• Tracking ligero (opcional, para evitar recuentos duplicados)
• FastAPI 0.85+ (para API)
• Sistema operativo: Ubuntu 20.04+, Windows 10/11, macOS 12.0+
• Docker 20.10+ (para despliegue containerizado) Inferencia (YOLO Object Counting)
Tiempo de procesamiento:
• 1 stream de video (1080p): 15-30ms por frame (33-66 FPS)
• 4 streams simultáneos: 20-40ms por frame (25-50 FPS)
• Procesamiento por lotes: 200-500 frames por segundo
• Latencia de detección a conteo: 30-80ms total
Tamaño del modelo:
• Modelo base YOLOv8/v9 medium o large: 80-100MB
• Modelo optimizado (INT8): 20-40MB
• Package completo con dependencias: 200-350MB
Responsables: Daniel Arredondo Carro (Científico de Datos – SITIA).
Ciclo de Actualización: A definir
Feedback: correo darredondo@spd.gov.cl o en página web

Evaluación de Impacto Algorítmico

La herramienta de Evaluación de Impacto Algorítmico (EIA) es un recurso diseñado para analizar y gestionar los riesgos asociados al uso de sistemas algorítmicos y de inteligencia artificial en el sector público. Su objetivo principal es garantizar que dichos sistemas sean implementados de manera ética, segura y transparente.


En SITIA estamos continuamente evaluando necesidades y entrenando modelos de Inteligencia Artificial para la concreción de nuestros objetivos. Tenemos 5 modelos IA entrenados para nuestros casos de uso específicos, donde cada uno de ellos se enmarca en un Algoritmo en Desarrollo.

Algoritmos en Desarrollo Evaluados

SITIA Patentes

Proyecto en uso de reconocimiento y lectura de placas patentes. Utiliza un modelo YOLO para la deteccion de la placa patente, y luego un OCR creado específicamente para leer placas patentes.

40.01% IMPACTO MODERADO

SITIA Armas

Algoritmo en desarrollo de detección de armas en imágenes, videos o transmisiones en tiempo real. Utiliza un modelo YOLO reentrenado.

39.00% IMPACTO MODERADO

SITIA Tracking

Algoritmo en desarrollo de predicción de rutas de vehículos con encargo de búsqueda. Utiliza un modelo de Machine Learning basado en grafos.

35.68% IMPACTO MODERADO

SITIA Velocidades

Algoritmo en desarrollo de medición de velocidad de vehículos circulantes. Consiste en un modelo YOLO capaz de estimar la velocidad de objetos en movimiento basado en un umbral o punto de interés tomado como referencia.

36.98% IMPACTO MODERADO

SITIA Contador de Vehículos

Algoritmo en desarrollo de contador de flujo de vehículos. Basado en YOLO que identifica vehículos y realiza tracking para identificar vehículos nuevos. También necesita un umbral o punto de referencia.

36.98% IMPACTO MODERADO

Hallazgos Comunes

  • Todos presentan un impacto algorítmico moderado
  • Todos basan sus modelos de IA en sistemas existente

Aspectos Positivos

  • Todos los proyectos tienen:
    • Contrapartes internas identificadas e involucradas
    • Unidades internas encargadas de supervisar la gobernanza
    • Procesos documentados para la toma de decisiones
    • Planificación para el resguardo de documentación técnica
    • Evaluaciones de impacto en protección de datos personales

SITIA Armas

  • Reforzar medidas para prevenir la generación de perfiles discriminatorios
  • Evaluar periódicamente la precisión del modelo en distintos contextos y condiciones
  • Implementar mecanismos de alerta temprana ante sesgos en la detección

SITIA Tracking

  • Establecer salvaguardas para protección de datos de geolocalización
  • Implementar un sistema de caducidad para los datos históricos
  • Definir claramente el alcance del uso de datos predictivos

SITIA Patentes

  • Mejorar la precisión de reconocimiento en condiciones ambientales diversas
  • Establecer límites claros de retención de datos
  • Implementar procedimientos de verificación humana para casos críticos

SITIA Velocidades

  • Implementar calibración periódica para garantizar precisión
  • Documentar claramente los márgenes de error del sistema
  • Establecer procedimientos de validación antes de aplicar sanciones

SITIA Contador de Vehículos

  • Garantizar anonimización efectiva de los datos recolectados
  • Establecer mecanismos para detectar y corregir errores de conteo
  • Implementar procedimientos de validación de datos estadísticos

Portal de Transparencia

Para hacer una Solicitud de Acceso a la Información Pública por Ley de Transparencia, usted tiene dos canales o formas de hacerlo: electrónicamente o presencialmente.

Plataforma Ley del Lobby

Esta plataforma permite gestionar audiencias, viajes y donativos de acuerdo a lo establecido en la Ley Nº 20.730 y su reglamento.

Únete a SITIA

y recibe las noticias
y notificaciones
más recientes.