Estado del arte: algoritmos de Inteligencia Artificial para la medición de indicadores de pobreza.

El propósito de este trabajo es presentar una revisión del estado del arte sobre los algoritmos más empleados en la medición de la pobreza a nivel global, con el fin de identificar enfoques analíticos vigentes y ofrecer estrategias que contribuyan a abordar este problema complejo y dinámico. La revisión realizada evidencia que los algoritmos con mayor presencia en la literatura reciente son las Redes Neuronales Convolucionales (CNN), Random Forest (RF), Gradient Boosting (incluido XGBoost) y las Redes Neuronales no Convolucionales. Las Redes Neuronales Convolucionales sobresalen por su alta efectividad en el procesamiento y extracción de características visuales, mientras que Random Forest y Gradient Boosting destacan por su versatilidad, capacidad predictiva y robustez en contextos diversos.