Describe las aplicaciones de Inteligencia Artificial (IA) en la detección de somnolencia para la prevención de accidentes de tránsito, además de las características relacionadas a la somnolencia de los conductores y la identificación de las causas que originan los accidentes de tránsito. Parte de la solución yace en la identificación de la somnolencia en tiempo real con el uso de la IA y la activación de una alerta inmediata que alerte al conductor. Se hizo una revisión de bibliografía tanto en bases de datos científicos y repositorios de tesis de universidades peruanas y del extranjero. Se aplicó la metodología PRISMA. Según la literatura revisada, las causas principales de la somnolencia en conductores incluyen el sueño insuficiente, la fatiga, largas horas de trabajo, las cuales ralentizan la capacidad de respuesta del conductor y disminuyen la capacidad para realizar maniobras evasivas. Estas causas principales se manifiestan en características observables tales como pestañeos frecuentes, bostezos, tocamientos de la cara, movimiento irregular del volante. Las características de los accidentes de tránsito están relacionadas con las conductas infractoras o arriesgadas de los conductores que no perciben los riesgos de su comportamiento frente al volante, la infracción de reglamentos de tránsito puede ser penalizada y sancionada. Respecto de la arquitectura tecnológica utilizada para la implementación de la inteligencia artificial, emplearon Modelos de Aprendizaje Profundo, Redes Neuronales Profundas, Redes Neuronales Convolucionales que clasifican e identifican las expresiones faciales de los conductores con una precisión que supera el 95 %. El hardware utilizado presenta limitaciones con la capacidad de memoria debido a quela detección de la somnolencia se realiza en tiempo real con sistemas de cámaras calibradas para la captura de movimientos e imágenes.This study describes the applications of Artificial Intelligence (AI) in the detection of driver drowsiness for the prevention of traffic accidents, including the indicators of that drowsiness and the identification of underlying causes of traffic accidents. Part of the solution lies in the real-time detection of drowsiness through AI and the immediate activation of an alert to warn the driver. A literature review was conducted using scientific databases and thesis repositories from both Peruvian and international universities. PRISMA methodology was applied. According to the reviewed literature, the main causes of driver drowsiness include sleep deprivation, fatigue, and prolonged working hours, all of which impairre action times and reduce the ability of the driver to perform evasive maneuvers. Observable indicators of drowsiness involve frequent blinking, yawning, facial touching, and erratic steering patterns. These indicators are often linked to risky or non-compliant driving behavior, in which drivers fail to perceive the dangers of their actions. Violations of traffic regulations may result in legal sanctions. Regarding the technological architecture employed for AI implementation, Deep Learning Models, Deep Neural Networks, and Convolutional Neural Networks were utilized and demonstrated over 95% accuracy in classifying and recognizing drivers’ facial expressions. The hardware used presents limitations on memory capacity, as drowsiness detection systems operate in real-time and require calibrated cameras for accurate motion and image capture.