Análisis del uso de técnicas supervisadas de aprendizaje automático y profundo en la detección de fraude financiero

En el mundo moderno se hace necesario el uso de técnicas, metodologías y acciones en busca de la integración de los diversos avances, herramientas y elementos vigentes para el trabajo conjunto en la solución a las problemáticas que afectan las finanzas de las organizaciones, puesto que ellas hacen q...

Full description

Autores:
Hernández Aros, Ludivia
Gutierrez Portela, Fernando
Rodriguez Tovar, Katherin Lizeth
Tipo de recurso:
Article of investigation
Fecha de publicación:
2023
Institución:
Universidad Cooperativa de Colombia
Repositorio:
Repositorio UCC
Idioma:
OAI Identifier:
oai:repository.ucc.edu.co:20.500.12494/53345
Acceso en línea:
https://doi.org/10.18845/tm.v36i8.6927
https://hdl.handle.net/20.500.12494/53345
Palabra clave:
Fraude financiero
Inteligencia Artificial (IA)
Factores incidentes
Exactitud
Detección.
Financial fraud
Artificial Intelligence (AI)
Incident factors
Accuracy
Detection
Rights
closedAccess
License
http://purl.org/coar/access_right/c_14cb
id COOPER2_5daad436a0d73fb525bffcfbdbfc8a64
oai_identifier_str oai:repository.ucc.edu.co:20.500.12494/53345
network_acronym_str COOPER2
network_name_str Repositorio UCC
repository_id_str
dc.title.none.fl_str_mv Análisis del uso de técnicas supervisadas de aprendizaje automático y profundo en la detección de fraude financiero
title Análisis del uso de técnicas supervisadas de aprendizaje automático y profundo en la detección de fraude financiero
spellingShingle Análisis del uso de técnicas supervisadas de aprendizaje automático y profundo en la detección de fraude financiero
Fraude financiero
Inteligencia Artificial (IA)
Factores incidentes
Exactitud
Detección.
Financial fraud
Artificial Intelligence (AI)
Incident factors
Accuracy
Detection
title_short Análisis del uso de técnicas supervisadas de aprendizaje automático y profundo en la detección de fraude financiero
title_full Análisis del uso de técnicas supervisadas de aprendizaje automático y profundo en la detección de fraude financiero
title_fullStr Análisis del uso de técnicas supervisadas de aprendizaje automático y profundo en la detección de fraude financiero
title_full_unstemmed Análisis del uso de técnicas supervisadas de aprendizaje automático y profundo en la detección de fraude financiero
title_sort Análisis del uso de técnicas supervisadas de aprendizaje automático y profundo en la detección de fraude financiero
dc.creator.fl_str_mv Hernández Aros, Ludivia
Gutierrez Portela, Fernando
Rodriguez Tovar, Katherin Lizeth
dc.contributor.author.none.fl_str_mv Hernández Aros, Ludivia
Gutierrez Portela, Fernando
Rodriguez Tovar, Katherin Lizeth
dc.subject.none.fl_str_mv Fraude financiero
Inteligencia Artificial (IA)
Factores incidentes
Exactitud
Detección.
topic Fraude financiero
Inteligencia Artificial (IA)
Factores incidentes
Exactitud
Detección.
Financial fraud
Artificial Intelligence (AI)
Incident factors
Accuracy
Detection
dc.subject.other.none.fl_str_mv Financial fraud
Artificial Intelligence (AI)
Incident factors
Accuracy
Detection
description En el mundo moderno se hace necesario el uso de técnicas, metodologías y acciones en busca de la integración de los diversos avances, herramientas y elementos vigentes para el trabajo conjunto en la solución a las problemáticas que afectan las finanzas de las organizaciones, puesto que ellas hacen que exista una dinámica empresarial, creando valor económico. Teniendo en cuenta lo anterior, en este estudio se analiza la prevención de fraudes empresariales, mediante el uso de técnicas de aprendizaje automático y profundo para generar prevención, tratamiento y resolución a los fraudes llevados a cabo en sistemas del orden financiero. A nivel metodológico, se obtuvo información en bases de datos a nivel documental, con fuentes fidedignas y estudios de caso, donde se prueba la efectividad en el uso de las técnicas anteriormente nombradas en la detección temprana del fraude empresarial. Los resultados obtenidos en los documentos consultados expresan que los algoritmos que presentan mayor efectividad en la prevención de estos fraudes son árbol de decisión, C5.0-SVM, Naïve Bayes y Random Forest, con porcentajes de: 92%, 83.15%, 80,4% y 76, 7% respectivamente. Frente al aprendizaje profundo, la literatura mostró que al hacer uso de unidades lógicas aritméticas neuronales y realizando la correcta clasificación de las neuronas iNALU y ReLU el porcentaje de efectividad incrementa en gran proporción.En la parte final de este documento se presentan y consolidan resultados y conclusiones, todo en el marco de la temática abordada, además la información recopilada en este documento está debidamente respaldada por los derechos de autor a quien corresponde.
publishDate 2023
dc.date.accessioned.none.fl_str_mv 2023-11-15T22:46:26Z
dc.date.available.none.fl_str_mv 2023-11-15T22:46:26Z
dc.date.issued.none.fl_str_mv 2023-10-31
dc.type.none.fl_str_mv Artículos Científicos
dc.type.coar.none.fl_str_mv http://purl.org/coar/resource_type/c_2df8fbb1
dc.type.coarversion.none.fl_str_mv http://purl.org/coar/version/c_970fb48d4fbd8a85
dc.type.driver.none.fl_str_mv info:eu-repo/semantics/article
dc.type.version.none.fl_str_mv info:eu-repo/semantics/publishedVersion
format http://purl.org/coar/resource_type/c_2df8fbb1
status_str publishedVersion
dc.identifier.issn.none.fl_str_mv 2215-3241
dc.identifier.uri.none.fl_str_mv https://doi.org/10.18845/tm.v36i8.6927
https://hdl.handle.net/20.500.12494/53345
dc.identifier.bibliographicCitation.none.fl_str_mv Rodriguez-Tovar, K. L., Gutiérrez-Portela, F., & Hernández-Aros, L. (2023). Análisis del uso de técnicas supervisadas de aprendizaje automático y profundo en la detección de fraude financiero. Revista Tecnología En Marcha, 36(8), Pág. 50–56.
identifier_str_mv 2215-3241
Rodriguez-Tovar, K. L., Gutiérrez-Portela, F., & Hernández-Aros, L. (2023). Análisis del uso de técnicas supervisadas de aprendizaje automático y profundo en la detección de fraude financiero. Revista Tecnología En Marcha, 36(8), Pág. 50–56.
url https://doi.org/10.18845/tm.v36i8.6927
https://hdl.handle.net/20.500.12494/53345
dc.relation.isversionof.none.fl_str_mv https://revistas.tec.ac.cr/index.php/tec_marcha/article/view/6927
dc.relation.ispartofjournal.none.fl_str_mv Revista Tecnologia en Marcha
dc.relation.references.none.fl_str_mv R. Castellnou, «Captio,» 11 Noviembre 2021. [En línea]. Available: https://www.captio.net/blog/tipos-fraudes-financieros-comunes
Solé, Mireia, «Captio,» 12 Mayo 2021. [En línea]. Available: https://www.captio.net/blog/casos-fraudes-empre-sas-importantes
IBM, «IBM COMPANY,» [En línea]. Available: https://www.ibm.com/cloud/learn/machine-learning
IBM Institute Studio, «Deep Learning,» 2022
KPMG, «Aumento Fraude financiero en el mundo - 2022,» 2022
Minghuan Shou, Xueqi Bao & Jie Yu, «An optimal weighted machine learning model for detecting financial fraud,» 2021
Yara Alghofaili, Albatul Albattah & Murad A. Rassam, «A Financial Fraud Detection Model Based on LSTM Deep Learning Technique,» 2020
Amit Gupta, M. C. Lohani & Mahesh Manchanda, «Financial fraud detection using naive bayes algorithm in highly imbalance data set,» 2021
Schlör, D., Ring, M., Krause, A., Hotho, A., «Detección de fraude financiero con unidades de lógica aritmética neuronal mejoradas,» 2021.
dc.rights.accessrights.none.fl_str_mv info:eu-repo/semantics/closedAccess
dc.rights.coar.none.fl_str_mv http://purl.org/coar/access_right/c_14cb
eu_rights_str_mv closedAccess
rights_invalid_str_mv http://purl.org/coar/access_right/c_14cb
dc.format.extent.none.fl_str_mv 50-56
dc.coverage.temporal.none.fl_str_mv 36 / 8
dc.publisher.none.fl_str_mv Universidad Cooperativa de Colombia, Facultad de Ciencias Económicas, Administrativas y Contables, Contaduría Pública, Ibagué
dc.publisher.program.none.fl_str_mv Contaduría Pública
Ingeniería de Sistemas
dc.publisher.place.none.fl_str_mv Ibagué
publisher.none.fl_str_mv Universidad Cooperativa de Colombia, Facultad de Ciencias Económicas, Administrativas y Contables, Contaduría Pública, Ibagué
institution Universidad Cooperativa de Colombia
bitstream.url.fl_str_mv https://repository.ucc.edu.co/bitstreams/c467ac38-141b-4166-a1f6-2d93ceae34fa/download
https://repository.ucc.edu.co/bitstreams/efd46766-d970-4c34-b053-9c8f2c8251f3/download
https://repository.ucc.edu.co/bitstreams/d79ff06b-341f-4df9-902c-c5d60e02f038/download
https://repository.ucc.edu.co/bitstreams/40527003-bf17-4c11-8dcb-d7b7bfa4f206/download
bitstream.checksum.fl_str_mv 6e82dd1b875ac79c151e29e432a868db
3bce4f7ab09dfc588f126e1e36e98a45
0ec06cb570f33526183a410dc49a2af2
7af81d81fc0c5231762e0d91e9528ce6
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
MD5
MD5
repository.name.fl_str_mv Repositorio Institucional Universidad Cooperativa de Colombia
repository.mail.fl_str_mv bdigital@metabiblioteca.com
_version_ 1811565380459560960
spelling Hernández Aros, Ludivia Gutierrez Portela, FernandoRodriguez Tovar, Katherin Lizeth36 / 82023-11-15T22:46:26Z2023-11-15T22:46:26Z2023-10-312215-3241https://doi.org/10.18845/tm.v36i8.6927https://hdl.handle.net/20.500.12494/53345Rodriguez-Tovar, K. L., Gutiérrez-Portela, F., & Hernández-Aros, L. (2023). Análisis del uso de técnicas supervisadas de aprendizaje automático y profundo en la detección de fraude financiero. Revista Tecnología En Marcha, 36(8), Pág. 50–56.En el mundo moderno se hace necesario el uso de técnicas, metodologías y acciones en busca de la integración de los diversos avances, herramientas y elementos vigentes para el trabajo conjunto en la solución a las problemáticas que afectan las finanzas de las organizaciones, puesto que ellas hacen que exista una dinámica empresarial, creando valor económico. Teniendo en cuenta lo anterior, en este estudio se analiza la prevención de fraudes empresariales, mediante el uso de técnicas de aprendizaje automático y profundo para generar prevención, tratamiento y resolución a los fraudes llevados a cabo en sistemas del orden financiero. A nivel metodológico, se obtuvo información en bases de datos a nivel documental, con fuentes fidedignas y estudios de caso, donde se prueba la efectividad en el uso de las técnicas anteriormente nombradas en la detección temprana del fraude empresarial. Los resultados obtenidos en los documentos consultados expresan que los algoritmos que presentan mayor efectividad en la prevención de estos fraudes son árbol de decisión, C5.0-SVM, Naïve Bayes y Random Forest, con porcentajes de: 92%, 83.15%, 80,4% y 76, 7% respectivamente. Frente al aprendizaje profundo, la literatura mostró que al hacer uso de unidades lógicas aritméticas neuronales y realizando la correcta clasificación de las neuronas iNALU y ReLU el porcentaje de efectividad incrementa en gran proporción.En la parte final de este documento se presentan y consolidan resultados y conclusiones, todo en el marco de la temática abordada, además la información recopilada en este documento está debidamente respaldada por los derechos de autor a quien corresponde.In the modern world, it is necessary to use techniques, methodologies, and actions in search of the integration of the various advances, tools, and current elements for joint work in solving the problems that affect the finances of organizations, since they make a business dynamic exist, creating economic value. Taking into account the above, this study analyzes the prevention of business fraud, through the use of automatic and deep learning techniques to generate prevention, treatment, and resolution of fraud carried out in financial systems. At the methodological level, information was obtained in databases at the documentary level, with reliable sources and case studies where the effectiveness of the use of the aforementioned techniques in the early detection of business fraud is tested.The results obtained in the documents consulted express that the algorithms that are most effective in preventing these frauds are decision tree, C5.0-SVM, Naïve Bayes, and Random Forest, with percentages of 92%, and 83.15%, 80, 4%, and 76.7% respectively. In contrast to deep learning, the literature showed that by making use of neural arithmetic logic units and performing the correct classification of the iNALU and ReLU neurons, the percentage of effectiveness increases greatly.In the final part of this document, results and conclusions are presented and consolidated, all within the framework of the topic addressed, in addition, the information compiled in this document is duly supported by the copyright to whom it corresponds.https://scienti.minciencias.gov.co/cvlac/visualizador/generarCurriculoCv.do?cod_rh=0001438723https://scienti.minciencias.gov.co/cvlac/visualizador/generarCurriculoCv.do?cod_rh=0000476030https://orcid.org/0000-0002-1571-3439https://orcid.org/0000-0003-3722-3809PLANAUDIAQUAludivia.hernandez@campusucc.edu.cofernando.gutierrez@campusucc.edu.cokatherinl.rodriguez@campusucc.edu.cohttps://scholar.google.com/citations?hl=es&user=i48G4IMAAAAJhttps://scholar.google.com/citations?hl=es&user=9gw2ob4AAAAJ50-56Universidad Cooperativa de Colombia, Facultad de Ciencias Económicas, Administrativas y Contables, Contaduría Pública, IbaguéContaduría PúblicaIngeniería de SistemasIbaguéhttps://revistas.tec.ac.cr/index.php/tec_marcha/article/view/6927Revista Tecnologia en MarchaR. Castellnou, «Captio,» 11 Noviembre 2021. [En línea]. Available: https://www.captio.net/blog/tipos-fraudes-financieros-comunesSolé, Mireia, «Captio,» 12 Mayo 2021. [En línea]. Available: https://www.captio.net/blog/casos-fraudes-empre-sas-importantesIBM, «IBM COMPANY,» [En línea]. Available: https://www.ibm.com/cloud/learn/machine-learningIBM Institute Studio, «Deep Learning,» 2022KPMG, «Aumento Fraude financiero en el mundo - 2022,» 2022Minghuan Shou, Xueqi Bao & Jie Yu, «An optimal weighted machine learning model for detecting financial fraud,» 2021Yara Alghofaili, Albatul Albattah & Murad A. Rassam, «A Financial Fraud Detection Model Based on LSTM Deep Learning Technique,» 2020Amit Gupta, M. C. Lohani & Mahesh Manchanda, «Financial fraud detection using naive bayes algorithm in highly imbalance data set,» 2021Schlör, D., Ring, M., Krause, A., Hotho, A., «Detección de fraude financiero con unidades de lógica aritmética neuronal mejoradas,» 2021.Fraude financieroInteligencia Artificial (IA)Factores incidentesExactitudDetección.Financial fraudArtificial Intelligence (AI)Incident factorsAccuracyDetectionAnálisis del uso de técnicas supervisadas de aprendizaje automático y profundo en la detección de fraude financieroArtículos Científicoshttp://purl.org/coar/resource_type/c_2df8fbb1http://purl.org/coar/version/c_970fb48d4fbd8a85info:eu-repo/semantics/articleinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/closedAccesshttp://purl.org/coar/access_right/c_14cbPublicationORIGINALAnálisis del uso de técnicas.pdfAnálisis del uso de técnicas.pdfapplication/pdf1355791https://repository.ucc.edu.co/bitstreams/c467ac38-141b-4166-a1f6-2d93ceae34fa/download6e82dd1b875ac79c151e29e432a868dbMD51LICENSElicense.txtlicense.txttext/plain; charset=utf-84334https://repository.ucc.edu.co/bitstreams/efd46766-d970-4c34-b053-9c8f2c8251f3/download3bce4f7ab09dfc588f126e1e36e98a45MD52TEXTAnálisis del uso de técnicas.pdf.txtAnálisis del uso de técnicas.pdf.txtExtracted texttext/plain20979https://repository.ucc.edu.co/bitstreams/d79ff06b-341f-4df9-902c-c5d60e02f038/download0ec06cb570f33526183a410dc49a2af2MD53THUMBNAILAnálisis del uso de técnicas.pdf.jpgAnálisis del uso de técnicas.pdf.jpgGenerated Thumbnailimage/jpeg11872https://repository.ucc.edu.co/bitstreams/40527003-bf17-4c11-8dcb-d7b7bfa4f206/download7af81d81fc0c5231762e0d91e9528ce6MD5420.500.12494/53345oai:repository.ucc.edu.co:20.500.12494/533452024-08-10 17:58:42.14restrictedhttps://repository.ucc.edu.coRepositorio Institucional Universidad Cooperativa de Colombiabdigital@metabiblioteca.comVU5JVkVSU0lEQUQgQ09PUEVSQVRJVkEgREUgQ09MT01CSUEKUkVQT1NJVE9SSU9TIElOU1RJVFVDSU9OQUxFUwpMSUNFTkNJQSBERSBVU08KClBvciBtZWRpbyBkZWwgcHJlc2VudGUgZG9jdW1lbnRvLCBlbCBBdXRvcihlcyksIG1heW9yIChlcykgZGUgZWRhZCwgcXVpZW4gZW4gYWRlbGFudGUgc2UgZGVub21pbmFyw6EgZWwgQVVUT1IsIGNvbmZpZXJlIGEgbGEgVU5JVkVSU0lEQUQgQ09PUEVSQVRJVkEgREUgQ09MT01CSUEsIGNvbiBOSVQuIDg2MC0wMjk5MjQtNywgdW5hIExJQ0VOQ0lBIERFIFVTTyBkZSBvYnJhLCBiYWpvIGxhcyBzaWd1aWVudGVzIGNvbmRpY2lvbmVzLgoKQ0zDgVVTVUxBUwoKUFJJTUVSQS4gT2JqZXRvLiBFTCBBVVRPUiBwb3IgZXN0ZSBhY3RvIGF1dG9yaXphIGxhIHV0aWxpemFjacOzbiBkZSBsYSBvYnJhLCBkZSBjb25mb3JtaWRhZCBjb24gbG8gZXN0aXB1bGFkbyBhIGNvbnRpbnVhY2nDs246IAoKKGEpIFBhcmEgZWZlY3RvcyBkZSBsYSBwcmVzZW50ZSBsaWNlbmNpYSBzZSBhdXRvcml6YSBsYSByZXByb2R1Y2Npw7NuIGRlIGxhIG9icmEgYW50ZXJpb3JtZW50ZSBjaXRhZGEsIGxhIGN1YWwgc2UgYWxvamFyw6EgZW4gZm9ybWF0byBkaWdpdGFsIGVuIGxhcyBwbGF0YWZvcm1hcyBvIHJlcG9zaXRvcmlvcyBhZG1pbmlzdHJhZG9zIHBvciBsYSBVTklWRVJTSURBRCBvIGVuIG90cm8gdGlwbyBkZSByZXBvc2l0b3Jpb3MgZXh0ZXJub3MgbyBww6FnaW5hcyB3ZWIgZXNjb2dpZG9zIHBvciBsYSBVTklWRVJTSURBRCwgcGFyYSBmaW5lcyBkZSBkaWZ1c2nDs24geSBkaXZ1bGdhY2nDs24uIEFkaWNpb25hbG1lbnRlLCBzZSBhdXRvcml6YSBhIHF1ZSBsb3MgdXN1YXJpb3MgaW50ZXJub3MgeSBleHRlcm5vcyBkZSBkaWNoYXMgcGxhdGFmb3JtYXMgbyByZXBvc2l0b3Jpb3MgcmVwcm9kdXpjYW4gbyBkZXNjYXJndWVuIGxhIG9icmEsIHNpbiDDoW5pbW8gZGUgbHVjcm8sIHBhcmEgZmluZXMgcHJpdmFkb3MsIGVkdWNhdGl2b3MgbyBhY2Fkw6ltaWNvczsgc2llbXByZSB5IGN1YW5kbyBubyBzZSB2aW9sZW4gYWN1ZXJkb3MgY29uIGVkaXRvcmVzLCBwZXJpb2RvcyBkZSBlbWJhcmdvIG8gYWN1ZXJkb3MgZGUgY29uZmlkZW5jaWFsaWRhZCBxdWUgYXBsaXF1ZW4uCgooYikgU2UgYXV0b3JpemEgbGEgY29tdW5pY2FjacOzbiBww7pibGljYSB5IGxhIHB1ZXN0YSBhIGRpc3Bvc2ljacOzbiBkZSBsYSBvYnJhIG1lbmNpb25hZGEsIGVuIGFjY2VzbyBhYmllcnRvLCBwYXJhIHN1IHV0aWxpemFjacOzbiBlbiBsYXMgcGxhdGFmb3JtYXMgbyByZXBvc2l0b3Jpb3MgYWRtaW5pc3RyYWRvcyBwb3IgbGEgVU5JVkVSU0lEQUQuCgooYykgTG8gYW50ZXJpb3IgZXN0YXLDoSBzdWpldG8gYSBsYXMgZGVmaW5pY2lvbmVzIGNvbnRlbmlkYXMgZW4gbGEgRGVjaXNpw7NuIEFuZGluYSAzNTEgZGUgMTk5MyB5IGxhIExleSAyMyBkZSAxOTgyLgoKClNFR1VOREEuIE9yaWdpbmFsaWRhZCB5IHJlY2xhbWFjaW9uZXMuIEVsIEFVVE9SIGRlY2xhcmEgcXVlIGxhIE9CUkEgZXMgb3JpZ2luYWwgeSBxdWUgZXMgZGUgc3UgY3JlYWNpw7NuIGV4Y2x1c2l2YSwgbm8gZXhpc3RpZW5kbyBpbXBlZGltZW50byBkZSBjdWFscXVpZXIgbmF0dXJhbGV6YSAoZW1iYXJnb3MsIHVzbyBkZSBtYXRlcmlhbCBwcm90ZWdpZG8gcG9yIGRlcmVjaG9zIGRlIGF1dG9yKSBwYXJhIGxhIGNvbmNlc2nDs24gZGUgbG9zIGRlcmVjaG9zIHByZXZpc3RvcyBlbiBlc3RlIGFjdWVyZG8uIEVsIEFVVE9SIHJlc3BvbmRlcsOhIHBvciBjdWFscXVpZXIgYWNjacOzbiBkZSByZWl2aW5kaWNhY2nDs24sIHBsYWdpbyB1IG90cmEgY2xhc2UgZGUgcmVjbGFtYWNpw7NuIHF1ZSBhbCByZXNwZWN0byBwdWRpZXJhIHNvYnJldmVuaXIuCgpURVJDRVJBLiBDb250cmFwcmVzdGFjacOzbi4gRWwgQVVUT1IgYXV0b3JpemEgYSBxdWUgc3Ugb2JyYSBzZWEgdXRpbGl6YWRhIGRlIGNvbmZvcm1pZGFkIGNvbiBsYSBjbMOhdXN1bGEgUFJJTUVSQSBkZSBmb3JtYSBncmF0dWl0YSwgZXMgZGVjaXIsIHF1ZSBsYSB1dGlsaXphY2nDs24gZGUgbGEgbWlzbWEgbm8gZ2VuZXJhIG5pbmfDum4gcGFnbyBvIHJlZ2Fsw61hcyBlbiBmYXZvciBkZSBlc3RlLgoKQ1VBUlRBLiBUaXR1bGFyaWRhZCBkZSBkZXJlY2hvcy4gRWwgcHJlc2VudGUgY29udHJhdG8gbm8gdHJhbnNmaWVyZSBsYSB0aXR1bGFyaWRhZCBkZSBsb3MgZGVyZWNob3MgcGF0cmltb25pYWxlcyBzb2JyZSBsYXMgb2JyYXMgYW50ZXJpb3JtZW50ZSBtZW5jaW9uYWRhcyBhIGxhIFVOSVZFUlNJREFELiDDmm5pY2FtZW50ZSBoYWNlIHJlbGFjacOzbiBhIHVuYSBsaWNlbmNpYSBubyBleGNsdXNpdmEgZW4gbG9zIHTDqXJtaW5vcyB5IGNvbmRpY2lvbmVzIGFudGVyaW9ybWVudGUgcGFjdGFkb3MuCgpRVUlOVEEuIENyw6lkaXRvcy4gTGEgVU5JVkVSU0lEQUQgc2UgY29tcHJvbWV0ZSBhIGRhciBhbCBBVVRPUiwgZWwgcmVjb25vY2ltaWVudG8gZGVudHJvIGNhZGEgZm9ybWEgZGUgdXRpbGl6YWNpw7NuIGVuIGxhIG9icmEuIExvcyBjcsOpZGl0b3MgZGViZW4gZmlndXJhciBlbiBjYWRhIHVubyBkZSBsb3MgZm9ybWF0b3MgbyByZWdpc3Ryb3MgZGUgcHVibGljYWNpw7NuLiBObyBjb25zdGl0dWlyw6EgdW5hIHZpb2xhY2nDs24gYSBsb3MgZGVyZWNob3MgbW9yYWxlcyBkZWwgYXV0b3IgbGEgbm8gcmVwcm9kdWNjacOzbiwgY29tdW5pY2FjacOzbiBvIGRlbcOhcyB1dGlsaXphY2lvbmVzIGRlIGxhIG9icmEuIExhIHV0aWxpemFjacOzbiBvIG5vIGRlIGxhIG9icmEsIGFzw60gY29tbyBzdSBmb3JtYSBkZSB1dGlsaXphY2nDs24gc2Vyw6EgZmFjdWx0YWQgZXhjbHVzaXZhIGRlIGxhIFVOSVZFUlNJREFELgogClNFWFRBLiBEdXJhY2nDs24geSB0ZXJyaXRvcmlvLiBMYSBwcmVzZW50ZSBsaWNlbmNpYSBkZSB1c28gcXVlIHNlIG90b3JnYSBhIGZhdm9yIGRlIGxhIFVOSVZFUlNJREFEIHRlbmRyw6EgdW5hIGR1cmFjacOzbiBlcXVpdmFsZW50ZSBhbCB0w6lybWlubyBkZSBwcm90ZWNjacOzbiBsZWdhbCBkZSBsYSBvYnJhIHkgcGFyYSB0b2RvcyBsb3MgcGHDrXNlcyBkZWwgbXVuZG8uCgpTw4lQVElNQS4gVXNvIGRlIENyZWF0aXZlIENvbW1vbnMuIEVsIEFVVE9SIGF1dG9yaXphcsOhIGxhIGRpZnVzacOzbiBkZSBzdSBjb250ZW5pZG8gYmFqbyB1bmEgbGljZW5jaWEgQ3JlYXRpdmUgQ29tbW9ucyBhdHJpYnVjacOzbiA0LjAgaW50ZXJuYWNpb25hbCwgcXVlIGRlYmVyw6EgaW5jbHVpcnNlIGVuIGVsIGNvbnRlbmlkby4gCgpPQ1RBVkEuIERlcmVjaG8gZGUgZXhjbHVzacOzbi4gQ2FkYSBhdXRvciBwdWVkZSBpbmRpY2FyIGVuIGVsIG1vbWVudG8gZGUgZGVww7NzaXRvIGRlbCBjb250ZW5pZG8gcXVlIGVsIHRleHRvIGNvbXBsZXRvIGRlIGxhIHByb2R1Y2Npw7NuIGFjYWTDqW1pY2EgbyBjaWVudMOtZmljYSBubyBlc3RlIGNvbiBhY2Nlc28gYWJpZXJ0byBlbiBlbCBSZXBvc2l0b3JpbyBJbnN0aXR1Y2lvbmFsIHBvciBtb3Rpdm9zIGRlIGNvbmZpZGVuY2lhbGlkYWQsIHBvcnF1ZSBzZSBlbmN1ZW50cmUgZW4gdsOtYXMgZGUgb2J0ZW5lciB1biBkZXJlY2hvIGRlIHByb3BpZWRhZCBpbmR1c3RyaWFsIG8gZXhpc3RpciBhY3VlcmRvcyBwcmV2aW9zIGNvbiB0ZXJjZXJvcyAoZWRpdG9yaWFsZXMsIHJldmlzdGFzIGNpZW50w61maWNhcywgb3RyYXMgaW5zdGl0dWNpb25lcykuIEVsIGF1dG9yIHNlIGNvbXByb21ldGUgYSBkZXBvc2l0YXIgbG9zIG1ldGFkYXRvcyBlIGluZm9ybWFyIGVsIHRpZW1wbyBkZSBlbWJhcmdvIGR1cmFudGUgZWwgY3VhbCBlbCB0ZXh0byBjb21wbGV0byB0ZW5kcsOhIGFjY2VzbyByZXN0cmluZ2lkby4gCgpOT1ZFTkEuIEVsIEFVVE9SIGFsIGFjZXB0YXIgZXN0YSBsaWNlbmNpYSBhZHVjZSBxdWUgZXN0YSBwcm9kdWNjacOzbiBzZSBkZXNhcnJvbGzDsyBlbiBlbCBwZXJpb2RvIGVuIHF1ZSBzZSBlbmN1ZW50cmEgY29uIHbDrW5jdWxvcyBjb24gTGEgVW5pdmVyc2lkYWQuCgpEw4lDSU1BLiBOb3JtYXMgYXBsaWNhYmxlcy4gUGFyYSBsYSBpbnRlcnByZXRhY2nDs24geSBjdW1wbGltaWVudG8gZGVsIHByZXNlbnRlIGFjdWVyZG8gbGFzIHBhcnRlcyBzZSBzb21ldGVuIGEgbGEgRGVjaXNpw7NuIEFuZGluYSAzNTEgZGUgMTk5MywgbGEgTGV5IDIzIGRlIDE5ODIgeSBkZW3DoXMgbm9ybWFzIGFwbGljYWJsZXMgZGUgQ29sb21iaWEuIEFkZW3DoXMsIGEgbGFzIG5vcm1hcyBJbnN0aXR1Y2lvbmFsZXMgcXVlIGFwbGlxdWVuLgoKTGEgcHJlc2VudGUgbGljZW5jaWEgc2UgYXV0b3JpemEgZW4gbGEgZmVjaGEgZGUgcHVibGljYWNpw7NuIGVuIGxvcyByZXBvc2l0b3Jpb3MgaW5zdGl0dWNpb25hbGVzLgo=

Publicaciones similares