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 dual-core (Intel Core i3 o AMD Ryzen 3)
4GB RAM
Almacenamiento mínimo: 100mb
GPU: Compatible con CUDA mínimo 2GB VRAM
Software:
Python 3.8+
PyTorch 1.7.0+
OpenCV 4.5.0+
• NumPy 1.18.5+
• Ultralytics YOLOv8 8.0.0+
Sistema operativo: Windows 10/11, Ubuntu 18.04+, macOS 10.15+
Tiempo de Inferencia: 50-200 ms por imagen (5-20 FPS) en CPU estándar, 15-40 ms (25-65 FPS) con GPU básica.
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 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.

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 internet
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

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.