docs

docs/03_objetivos_metodologia.md

@@ -150,22 +150,7 @@ El espacio de búsqueda se definió utilizando `tune.choice()` para parámetros
 
 #### Arquitectura de Ejecución
 
-Se implementó una arquitectura basada en contenedores Docker para aislar los servicios OCR y facilitar la reproducibilidad:
-
-```mermaid
----
-title: "Arquitectura de ejecución con Docker Compose"
----
-flowchart LR
-    subgraph Docker["Docker Compose"]
-        A["RayTune Container"]
-        B["OCR Service Container"]
-    end
-
-    A -->|"HTTP POST /evaluate"| B
-    B -->|"JSON {CER, WER, TIME}"| A
-    A -.->|"Health check /health"| B
-```
+Se implementó una arquitectura basada en contenedores Docker para aislar los servicios OCR y facilitar la reproducibilidad (ver sección 4.2.3 para detalles de la arquitectura).
 
 #### Ejecución con Docker Compose
 
@@ -186,11 +171,11 @@ El servicio OCR expone una API REST que retorna métricas en formato JSON:
 
 ```json
 {
-    "CER": 0.0125,
-    "WER": 0.1040,
-    "TIME": 331.09,
+    "CER": 0.0149,
+    "WER": 0.0762,
+    "TIME": 15.8,
     "PAGES": 5,
-    "TIME_PER_PAGE": 66.12
+    "TIME_PER_PAGE": 3.16
 }
 ```
 
@@ -233,6 +218,42 @@ El servicio OCR expone una API REST que retorna métricas en formato JSON:
 
 *Fuente: Elaboración propia.*
 
+#### Justificación de Ejecución Local vs Cloud
+
+La decisión de ejecutar los experimentos en hardware local en lugar de utilizar servicios cloud se fundamenta en un análisis de costos y beneficios operativos.
+
+**Tabla 9.** *Costos de GPU en plataformas cloud.*
+
+| Plataforma | GPU | Costo/Hora | Costo Mensual |
+|------------|-----|------------|---------------|
+| AWS EC2 g4dn.xlarge | NVIDIA T4 (16 GB) | $0.526 | ~$384 |
+| Google Colab Pro | T4/P100 | ~$1.30 | $10 + CU extras |
+| Google Colab Pro+ | T4/V100/A100 | ~$1.30 | $50 + CU extras |
+
+*Fuente: Elaboración propia a partir de precios públicos de AWS y Google Cloud (enero 2026).*
+
+Para las tareas específicas de este proyecto, los costos estimados en cloud serían:
+
+**Tabla 10.** *Análisis de costos del proyecto en plataformas cloud.*
+
+| Tarea | Tiempo GPU | Costo AWS | Costo Colab Pro |
+|-------|------------|-----------|-----------------|
+| Ajuste hiperparámetros (64×3 trials) | ~3 horas | ~$1.58 | ~$3.90 |
+| Evaluación completa (45 páginas) | ~5 min | ~$0.04 | ~$0.11 |
+| Desarrollo y depuración (20 horas/mes) | 20 horas | ~$10.52 | ~$26.00 |
+
+*Fuente: Elaboración propia.*
+
+Las ventajas de la ejecución local incluyen:
+
+1. **Costo cero de GPU**: La RTX 3060 ya está disponible en el equipo de desarrollo
+2. **Sin límites de tiempo**: AWS y Colab imponen timeouts de sesión que interrumpen experimentos largos
+3. **Acceso instantáneo**: Sin tiempo de aprovisionamiento de instancias cloud
+4. **Almacenamiento local**: Dataset y resultados en disco sin costos de transferencia
+5. **Iteración rápida**: Reinicio inmediato de contenedores Docker para depuración
+
+Para un proyecto de investigación con múltiples iteraciones de ajuste de hiperparámetros, la ejecución local ahorra aproximadamente $50-100 mensuales comparado con servicios cloud, además de ofrecer mayor flexibilidad en la velocidad de iteración durante el desarrollo.
+
 ### Limitaciones Metodológicas
 
 1. **Tamaño del dataset**: El dataset contiene 24 páginas de un único tipo de documento. Resultados pueden no generalizar a otros formatos.

docs/04_desarrollo_especifico.md

@@ -305,11 +305,11 @@ docker compose -f docker-compose.tuning.doctr.yml down
 Respuesta del servicio OCR:
 ```json
 {
-    "CER": 0.0125,
-    "WER": 0.1040,
-    "TIME": 331.09,
+    "CER": 0.0149,
+    "WER": 0.0762,
+    "TIME": 15.8,
     "PAGES": 5,
-    "TIME_PER_PAGE": 66.12
+    "TIME_PER_PAGE": 3.16
 }
 ```
 
@@ -592,15 +592,16 @@ La configuración óptima identificada se evaluó sobre el dataset completo de 2
 
 ```mermaid
 ---
-title: "Comparación Baseline vs Optimizado (24 páginas)"
+title: "Reducción de errores: Baseline vs Optimizado"
 ---
 xychart-beta
-    x-axis ["CER", "WER"]
+    x-axis ["CER Baseline", "CER Optimizado", "WER Baseline", "WER Optimizado"]
     y-axis "Tasa de error (%)" 0 --> 16
-    bar "Baseline" [7.78, 14.94]
-    bar "Optimizado" [1.49, 7.62]
+    bar [7.78, 1.49, 14.94, 7.62]
 ```
 
+*Leyenda: CER = Character Error Rate, WER = Word Error Rate. Baseline = configuración por defecto de PaddleOCR. Optimizado = configuración encontrada por Ray Tune.*
+
 #### Impacto Práctico
 
 **En un documento típico de 10,000 caracteres:**

docs/metrics/metrics.md

@@ -43,7 +43,7 @@
 
 ### Conclusión
 
-Para un proyecto de investigación con múltiples iteraciones de ajuste de hiperparámetros y desarrollo, **la ejecución local ahorra ~$10-50/mes** comparado con cloud, además de ofrecer mayor flexibilidad y velocidad de iteración
+Para un proyecto de investigación con múltiples iteraciones de ajuste de hiperparámetros y desarrollo, **la ejecución local ahorra ~$50-100/mes** comparado con cloud, además de ofrecer mayor flexibilidad y velocidad de iteración
 
 ## Resumen Ejecutivo