De la intel·ligència de negoci a la intel·ligència artificial

Aquesta tesi doctoral és un clar exemple d'un procés de transformació digital d'una pime a través de l'ús de noves tecnologies, en concret durant el projecte s'ha implementat la migració de la gestió basada en processos d'intel·ligència de negoci cap a l'enregnació guiada per processos d'intel·ligència artificial. Una tasca realment complexa, atès que qualsevol canvi en els processos habituals d'una empresa normalment produeix un rebuig intern entre els treballadors, difícil de superar sense un suport ferm de la direcció al projecte. Totes les empreses avui en dia, estan subjectes a una constant lluita contra el canvi, al llarg dels seus processos, clients i fins i tot les seves línies de negoci. Les empreses que no siguin capaços d'adaptar-se als canvis, estan condemnades a patir, incloent la seva possible desaparició. Una bona capacitat d'adaptar-se al canvi és una garantia de supervivència en el nostre món actual.

Aquest projecte va néixer en una empresa espanyola concreta, COMPANY-002 coneguda comercialment com COMPANY-002. Una petita agència de viatges de nínxol, que sens dubte s'enfrontava al seu futur amb valentia mitjançant la innovació tecnològica. En el moment en què va néixer el projecte, l'empresa vivia un moment dolç, en el qual tan sols calia implementar processos analítics mitjançant l'ús de tècniques d'intel·ligència de negoci, bàsicament la generació d'informes analítics per sustentar la presa de decisions. La pandèmia viscuda, va suposar un gran repte i un clar accelerador del projecte, resultava necessari adaptar el negoci a una nova situació d'una gran intendent, en tots els sentits. Actualment l'empresa, és guiada per processos automàtics d'intel·ligència artificial, que en concret permeten optimitzar el procés de venda, millorant la detecció i el tractament adequat d'aquells clients que són més propensos a la compra. Podem dir que COMPANY-002 Ha entès que una bona adaptació al canvi és la clau de la supervivència avui dia.

Aquests nous processos analítics d'intel·ligència artificial han estat desplegats, en l'entorn de producció, sobre un nou sistema de gestió anomenat SYSTEM-TH-001. Aquest sistema, barreja funcionalitats d'un ERP i CRM tradicionals, que permeten la gestió completa dels clients durant tot el seu cicle de vida en l'empresa, apro-

mirant la intel·ligència generada pels models analítics i la seva posada a disposició dels empleats per optimitzar la presa de decisions. Avui dia, l'empresa és més forta, més eficient i gaudeix d'una gran capacitat de resiliència, aquests són alguns dels valors que ens han guiat en la implementació a mida, de la intel·ligència artificial. Ara els clients i treballadors poden gaudir d'un conjunt de serveis, més amables, en definitiva, més humans i el temps estalviat dels treballadors mitjançant l'autenització, s'ha destinat a altres tasques de major valor afegit.

Segons l'informe: Ús d'intel·ligència artificial i big data a les empreses espanyoles del ORG-TH-002, ORG-TH-003, ORG-TH-004, ORG-TH-005 ) de 2023 intel·ligència artificial ha experimentat un augment significatiu en les empreses fins 11,8 %, 3,5 punts percentuals més que l'any anterior, així mateix les empreses que usen big data han crescut fins a assolir el 13,9 % amb un increment de 2,8 punts respecte a l'exercici anterior. Madrid, Comunitat Valenciana i Aragó són les comunitats on més empreses utilitzen IA, amb percentatges del 16,8 %, 14 % i 12,7 % respectivament. Madrid és la comunitat líder també en la llista d'ús de big data ( 17 % ), juntament amb Catalunya i la Rioja, amb un 16,1 % en tots dos casos.

La intel·ligència artificial (IA) és un dels eixos estratègics de l'agenda PROGRAM-TH-001, degut al seu gran potencial per transformar l'economia i la societat. La IA permet millorar les prediccions, agilitar les operacions i personalitzar els serveis. En els últims anys, s'ha produït un avenç en l'adopció de IA per part de les empreses espanyoles. No obstant això, encara existeix marge per a la implantació i desenvolupament d'aquesta tecnologia. El big data és una altra de les eines l'adopció de les quals per part de les empreses resulta clau per a la digitalització de l'economia espanyola. Per a 2030 la ORGANIZATION-004 ha marcat l'objectiu que el 75 % de les empreses europees hagin adoptat serveis de computació en núvol, macrodades i intel·ligència artificial. Per la seva banda, l'estratègia PROGRAM-TH-001 fixa la meta que per a 2025 el 25 % de les empreses espanyoles usin intel·ligència artificial i big data. L'ús de big data i intel·ligència artificial a les empreses espanyoles segueix augmentant any a any, aproximant-se a les fites fixades en PROGRAM-TH-001. En comparació amb la resta dels Estats membres de la ORGANIZATION-004 i utilitzant dades de 2021 harmonitzats a nivell comunitari, Espanya se situava l'any passat en un nivell mitjà d'adopció de IA per part de les empreses. S'igualava així a la mitjana de la ORGANIZATION-004 però molt per sota dels països líders en aquest indicador. Espanya, amb un 8 % encara estava lluny de Dinamarca ( 24 % ), Portugal ( 17 % ) i Finlàndia ( 16 % ). Pel que fa al Big Data, la comparativa amb dades europees de l'any 2021 mostra que Espanya està cinc punts per sota de la mitjana de la ORGANIZATION-004 amb un 9 % d'empreses que utilitzen l'anàlisi de big data. Més accentuada és la distància respecte als països amb major

l'aplicació d'aquesta tecnologia, cas de Malta 31 % ), Països Baixos ( 27 % ) o Dinamarca ( 27 % ). Dons aquestes dades, és fàcil observar el ja esmentat anteriorment, en aquest projecte la dificultat no era només en la implementació de noves tecnologies, si no en la gestió del canvi. Mencionar, que des de l'acceptació des de la Direcció del projecte, el mateix ha hagut de superar múltiples dificultats inherents a l'ús d'aquesta nova tecnologia, així com procedents del desconeixement tècnic del mateix per part dels usuaris finals, res que un bon programa de formació no pugui solucionar. L'objectiu del projecte era construir models analítics que ajuden a predir el comportament dels clients, basats en les dades històriques emmagatzemades de l'empresa, al llarg d'aquesta tesi veurem alguns d'ells, així com el resultat que ha tingut la implementació en producció dels mateixos. Els resultats obtinguts amb el temps han estat la millor manera de demostrar que la tecnologia resulta de gran utilitat també en una pime, tant per a la direcció com per als treballadors.

Al llarg d'aquest document farem, amb COMPANY-002, un viatge a través d'un procés de transformació digital mitjançant l'ús de les dades. El nostre punt de partida serà una base de dades relacional de la operativa de l'empresa i un conjunt d'informes operatius d'intel·ligència de negoci, que sens dubte permetien vislumbrar l'èxit d'un projecte d'enregnació d'intel·ligència artificial. La nostra primera parada seran les tècniques de masxine learning, mitjançant les quals hem generat el nostre primer model de propensió a la compra i que ens permetrà comprendre millor les relacions entre les diferents variables del nostre conjunt de dades. Posteriorment recalarem en les tècniques de deep learning sobre textos no estructurats, missatges dels clients, que ens permetrà crear un nou model, amb una funcionalitat i capacitat de transformació increïbles. La següent parada serà la creació d'un model de Natural Language Processing, que servirà per afinar encara més la nostra modelització de la propensió a la compra, així com servir de base per a futurs desenvolupaments, com podria ser l'agent de viatges virtual. Per últim demostrarem, com tècniques avançades de matxine learning, com Support Vector Machines, ens poden ajudar en problemes de classificació, en concret crearem un model per detectar el gènere de l'autor d'un text. Es pot observar clarament, que aquest viatge analític amb COMPANY-002 Tot i haver estat dur per la múltitud d'etapes, ha estat sens dubte una gata experiència.

En el projecte només s'han utilitzat tecnologies lliures, això demostra l'alt grau de sobirania digital, de l'empresa i de l'autor d'aquest document en el seu rol passat de CIO de la mateixa. Aquesta sobirania s'ha aconseguit amb independència dels proveïdors de tecnologia privativa. A més, per a una pime, el que és més important, l'ús de programari lliure, ha permès la reducció dràstica dels costos associats al projecte, fent interessant el mateix per a qualsevol tipus de negoci independentment de la seva grandària. Tal és l'èxit del projecte, que l'autor d'aquesta tesi ha

creat un projecte empresarial, per llançar comercialment tant la metodologia com les tecnologies d'intel·ligència artificial emprades per a la resolució d'aquest i altres problemes de negoci.

Finalment, encara que no menys important, aquesta tesi doctoral, ha servit l'autor per empoderar-se tecnològicament en la implementació de les últimes tècniques d'intel·ligència artificial i convertir-se en un expert de les mateixes. Des de l'inici del projecte, la seva carrera professional ha experimentat un altre procés de transformació Moreno-Esquerre. 2024 ), demostrant d'aquesta manera que aquestes tecnologies no només canviaran l'activitat de les organitzacions, sinó també l'activitat de les mateixes persones que les conformen, òbviament, sempre que estiguin llistes per acceptar el canvi.

Adler, B. T., de Alfaro, L., Mola-Velasco, S. M., Rosso, P., y West, A. G. (2011). DATASET-TH-001 Vandalism Detection: Combining Natural Language, Metadata and Reputation Features. En A. F. Gelbukh (Ed.), Computational linguistics and intelligent text processing - 12th international conference, cicling 2011, tokyo, japan, february 20-26, 2011. proceedings, part II (Vol. 6609, pp. 277–288). Berlin, Heidelberg: VENUE-TH-002. [REFERENCE-ID-REDACTED]

Adriana, S. M. (2018). The customer orientation principle - a prerequisite for increased efficiency in tourism. VENUE-TH-003, Economic Sciences Series, 18(1), 405–408.

Afsahhosseini, F., y Al-Mulla, Y. (2020, 09). Machine learning in tourism. Descargado de [LINK-REDACTED] [REFERENCE-ID-REDACTED]

Agarwal, M. (2019, 05). An overview of natural language processing. VENUE-TH-005 (VENUE-TH-006), 7(5), 2811-2813. Descargado de [LINK-REDACTED] [REFERENCE-ID-REDACTED]

Aggarwal, C. C. (2016, 04). Recommender systems: The textbook. Descargado de [LINK-REDACTED]

Aggarwal, C. C. (2018). Machine Learning for Text. Cham, Switzerland: VENUE-TH-002. [REFERENCE-ID-REDACTED]

Ahmed, E., Elgazzar, A. S., y Hegazi, A. S. (2005, 01). An overview of complex adaptive systems. VENUE-TH-007. Descargado de [LINK-REDACTED] 0506059 [REFERENCE-ID-REDACTED]

Aizawa, A. (2003). An information-theoretic perspective of tf–idf measures. VENUE-TH-049, 39(1), 45–65. [REFERENCE-ID-REDACTED]

Al Fararni, K., Nafis, F., Aghoutane, B., Yahyaouy, A., Riffi, J., y Sabri, A. (2021). Hybrid recommender system for tourism based on big data and ai: A conceptual framework. VENUE-TH-051, 4(1), 47–55.

Alrasheed, H., Alzeer, A., Alhowimel, A., Althyabi, A., y cols. (2020). A multi-level tourism destination recommender system. VENUE-TH-050, 170, 333– 340.

Amado, A., Cortez, P., Rita, P., y Moro, S. (2018). Research trends on big data in marketing: A text mining and topic modeling based literature analysis. VENUE-TH-052, 24(1), 1–7.

Anderson, R. (2007). The credit scoring toolkit: theory and practice for retail credit risk management and decision automation. VENUE-TH-008.

Baeza-Yates, R., y Ribeiro-Neto, B. (2011). Modern information retrieval: The concepts and technology behind search (2.a ed.). Harlow, England: VENUE-TH-009

Bakar, N. A., y Rosbi, S. (2020). Effect of coronavirus disease (covid-19) to tourism industry. VENUE-TH-034, 7(4), 189–193.

Bergenti, F., Caire, G., Monica, S., y Poggi, A. (2020). The first twenty years of agentbased software development with SOFTWARE-TH-004. VENUE-TH-053, 34(2), 1–19.

Bing-yu, C., Zhan, D., y Wu, X. (2009, 04). Application of svm in financial research. Descargado de [LINK-REDACTED] [REFERENCE-ID-REDACTED] .313

Borràs, J., Moreno, A., y Valls, A. (2014, 11). Intelligent tourism recommender systems: A survey. VENUE-TH-011 , 41(16), 7370-7389. Descargado de [LINK-REDACTED] 10.1016/j.eswa.2014.06.007 [REFERENCE-ID-REDACTED]

Botvinick, M., Barrett, D. G. T., Battaglia, P., de Freitas, N., Kumaran, D., Leibo, J. Z., ... Hassabis, D. (2017, 01). Building machines that learn and think for themselves. VENUE-TH-013, 40. Descargado de [LINK-REDACTED] s0140525x17000048 [REFERENCE-ID-REDACTED]

Breiman, L. (2001). Random Forests. Machine learning, 45(1), 5–32. [REFERENCE-ID-REDACTED] 1010933404324

Burgin, M., y Dodig-Crnkovi ́c, G. (2009, 01). A systematic approach to artificial agents. VENUE-TH-007. Descargado de [LINK-REDACTED] [REFERENCE-ID-REDACTED]

Cabezas, J., Fernandez-Isabel, A., Fernández, R. R., González-Fernández, C., Alonso, A., y de Diego, I. M. (2020). Bio-inspired agent-based architecture for fraud detection. En Proceedings of the 2020 3rd international conference on information management and management science (pp. 67–71).

Camilleri, M. A. (2018). The tourism industry: An overview. Travel marketing, tourism

economics and the airline product, 3–27.

Chapman, W. W., Bridewell, W., Hanbury, P., Cooper, G. F., y Buchanan, B. G. (2001). A simple algorithm for identifying negated findings and diseases in discharge summaries. VENUE-TH-035, 34(5), 301-310. Descargado de https:// [LINK-REDACTED] [REFERENCE-ID-REDACTED] [REFERENCE-ID-REDACTED]

Chen, P.-H., Fan, R.-E., y Lin, C.-J. (2006). A Study on SMO-type Decomposition Methods for Support Vector Machines. VENUE-TH-015, 17(4), 893–908.

Cho, H.-C., Okazaki, N., Miwa, M., y Tsujii, J. (2013). Named entity recognition with multiple segment representations. VENUE-TH-049, 49(4), 954 - 965. [REFERENCE-ID-REDACTED]

Corney, M., de Vel, O. Y., Anderson, A., y Mohay, G. M. (2002). Gender-Preferential Text Mining of E-mail Discourse. En 18th annual computer security applications conference (ACSAC 2002), 9-13 december 2002, las vegas, nv, USA (pp. 282–289). Piscataway, NJ, USA: VENUE-TH-014. [REFERENCE-ID-REDACTED]

Das, M., Hecht, B., y Gergle, D. (2019). The Gendered Geography of Contributions to OpenStreetMap: Complexities in Self-Focus Bias. En S. A. Brewster, G. Fitzpatrick, A. L. Cox, y V. Kostakos (Eds.), Proceedings of the 2019 CHI conference on human factors in computing systems, CHI 2019, glasgow, scotland, uk, may 4-9, 2019 (pp. 1–14). New York, NY, USA: VENUE-TH-023. [REFERENCE-ID-REDACTED]

Das, S., y Paik, J. H. (2021). Context-sensitive gender inference of named entities in text. VENUE-TH-049, 58(1), 102423. [REFERENCE-ID-REDACTED] 10.1016/j.ipm.2020.102423

De Silva, L., Meneguzzi, F. R., y Logan, B. (2020). Bdi agent architectures: a survey. En Proceedings of the 29th international joint conference on artificial intelligence (ijcai), 2020, japão. (pp. 4914–4921).

Dinu, A.-M., y cols. (2018). The importance of transportation to tourism development. VENUE-TH-054, 4(4), 183–187.

Eiriemiokhale, K. A., y Idiedo, V. (2020, 09). Knowledge sharing practices among lecturers in nigerian universities: A case study. Descargado de [LINK-REDACTED] 10.7176/ikm/10-6-06 [REFERENCE-ID-REDACTED]

Eisenstein, J. (2019). Introduction to natural language processing. Cambridge, MA, USA: VENUE-TH-024.

Fatima, M., Hasan, K., Anwar, S., y Nawab, R. M. A. (2017). Multilingual author profiling on SERVICE-005. VENUE-TH-049, 53(4), 886 - 904. doi:

[LINK-REDACTED]

Feinerer, I., Hornik, K., y Meyer, D. (2008). Text Mining Infrastructure in R. VENUE-TH-036, Articles, 25(5), 1–54. Descargado de [LINK-REDACTED] .org/v025/i05 [REFERENCE-ID-REDACTED]

Feng, M., y Li, S. (2018). An approximate strong kkt condition for multiobjective optimization. VENUE-TH-058, 26(3), 489–509. [REFERENCE-ID-REDACTED] -6

Fernández-Isabel, A., Fuentes-Fernández, R., y de Diego, I. M. (2020). Modeling multi-agent systems to simulate sensor-based smart roads. ORG-TH-117, 99, 101994.

Foong, E., Vincent, N., Hecht, B., y Gerber, E. M. (2018, noviembre). Women (Still) Ask For Less: Gender Differences in Hourly Rate in an Online Labor Marketplace. Proc. VENUE-TH-021. Interact., 2(CSCW), 53:1–53:21. [REFERENCE-ID-REDACTED]

Forouzandeh, S., Berahmand, K., Nasiri, E., y Rostami, M. (2021). A hotel recommender system for tourists using the artificial bee colony algorithm and fuzzy topsis model: A case study of ORG-TH-100. VENUE-TH-037, 20(01), 399–429.

Fourkioti, O., Symeonidis, S., y Arampatzis, A. (2019). Language models and fusion for authorship attribution. VENUE-TH-049, 56(6), 102061. [REFERENCE-ID-REDACTED]

Francis, J., Kitamura, N., Labelle, F., Lu, X., Navarro, I., y Oh, J. (2023, 01). Core challenges in embodied vision-language planning. VENUE-TH-007. Descargado de [LINK-REDACTED] [REFERENCE-ID-REDACTED]

François-Lavet, V., Henderson, P., Islam, R., Bellemare, M. G., y Pineau, J. (2018, 01). An introduction to deep reinforcement learning. ORG-TH-101, 11(3-4), 219-354. Descargado de [LINK-REDACTED] [REFERENCE-ID-REDACTED]

Friedman, J. H. (2017). The elements of statistical learning: Data mining, inference, and prediction. VENUE-TH-002 open.

Galicia-Haro, S. N., Gelbukh, A., y Bolshakov, I. A. (2004). Recognition of named entities in spanish texts. En Mexican international conference on artificial intelligence (pp. 420–429).

Garcia, I., Sebastia, L., Onaindia, E., y Guzman, C. (2009). A group recommender system for tourist activities. En International conference on electronic commerce and web technologies (pp. 26–37).

Garro, A., Mühlhäuser, M., Tundis, A., Baldoni, M., Baroglio, C., Bergenti, F., ... others (2018). Intelligent agents: Multi-agent systems. Encyclopedia of Bioinformatics and

Computational Biology: ORG-TH-121, 315.

Geiger, R. S., y Ribes, D. (2010). The work of sustaining order in DATASET-TH-001: the banning of a vandal. En K. Inkpen, C. Gutwin, y J. C. Tang (Eds.), Proceedings of the 2010 VENUE-TH-023 conference on computer supported cooperative work, CSCW 2010, savannah, georgia, usa, february 6-10, 2010 (pp. 117–126). New York, NY, USA: VENUE-TH-023. [REFERENCE-ID-REDACTED]

Gomez, J., Alfaro, C., Ortega, F., Moguerza, J. M., Algar, M. J., y Moreno, R. (2021a, 1). Biographies of literature writers written in english language. Descargado de [LINK-REDACTED] _writers/13551467 [REFERENCE-ID-REDACTED]

Gomez, J., Alfaro, C., Ortega, F., Moguerza, J. M., Algar, M. J., y Moreno, R. (2021b, 1). Biographies of literature writers written in spanish language. Descargado de [LINK-REDACTED] [REFERENCE-ID-REDACTED]

González, S., García, S., Del Ser, J., Rokach, L., y Herrera, F. (2020). A practical tutorial on bagging and boosting based ensembles for machine learning: Algorithms, software tools, performance study, practical perspectives and opportunities. ORG-TH-118, 64, 205–237.

González-Fernández, C., Cabezas, J., Fernández-Isabel, A., y Martín de Diego, I. (2020). Combining multi-agent systems and subjective logic to develop decision support systems. En International conference on information processing and management of uncertainty in knowledge-based systems (pp. 143–157). [REFERENCE-ID-REDACTED] 978-3-030-50146-4\_12

Grace, A., y Butler, T. (2005, 01). Learning management systems: a new beginning in the management of learning and knowledge. ORG-TH-102, 1(1/2), 12- 12. Descargado de [LINK-REDACTED] [REFERENCE-ID-REDACTED] ijkl.2005.006248

Hallenborg, K. (2009, 07). Intelligent control of material handling systems. , 63- 116. Descargado de [LINK-REDACTED] [REFERENCE-ID-REDACTED] 9780470432730.ch3

Hamid, R. A., Albahri, A. S., Alwan, J. K., Al-qaysi, Z., Albahri, O. S., Zaidan, A., ... Zaidan, B. (2021). How smart is e-tourism? a systematic review of smart tourism recommendation system applying data management. ORG-TH-119, 39, 100337.

Hamidi, F., Scheuerman, M. K., y Branham, S. M. (2018). Gender Recognition or Gender Reductionism? The Social Implications of Embedded Gender Recognition Systems. En R. L. Mandryk, M. Hancock, M. Perry, y A. L. Cox (Eds.), Proceedings of

the 2018 CHI conference on human factors in computing systems, CHI 2018, montreal, qc, canada, april 21-26, 2018 (pp. 1–13). New York, NY, USA: VENUE-TH-023. [REFERENCE-ID-REDACTED]

Hedlund, T., Pirkola, A., y Järvelin, K. (2001). Aspects of Swedish morphology and semantics from the perspective of mono- and cross-language information retrieval. VENUE-TH-049, 37(1), 147–161. [REFERENCE-ID-REDACTED] 10.1016/S0306-4573(00)00024-8

Herzog, D., Laß, C., y Wörndl, W. (2018). Tourrec: a tourist trip recommender system for individuals and groups. En Proceedings of the 12th VENUE-TH-023 conference on recommender systems (pp. 496–497).

Hinton, G., y Sejnowski, T. J. (1999, 09). Unsupervised learning: Foundations of neural computation. VENUE-TH-011 , 38(5-6), 256-256. Descargado de [LINK-REDACTED] 10.1016/s0898-1221(99)90165-7 [REFERENCE-ID-REDACTED]

Hollander, M., Wolfe, D. A., y Chicken, E. (2013). Nonparametric statistical methods. Boboken, New Jersey: ORG-TH-103.

Howard, J., y Ruder, S. (2018). Universal language model fine-tuning for text classification. arXiv preprint arXiv:1801.06146.

Hsu, P.-F., Lan, K.-Y., y Tsai, C.-W. (2013). Selecting the optimal vendor of customer relationship management system for medical tourism industry using delphi and ahp. VENUE-TH-038 (VENUE-TH-039), 9(1), 62–75.

Huang, F., Li, C., y Lin, L. (2014). Identifying Gender of Microblog Users Based on Message Mining. En F. Li, G. Li, S. Hwang, B. Yao, y Z. Zhang (Eds.), Web-age information management - 15th international conference, WAIM 2014, macau, china, june 16-18, 2014. proceedings (Vol. 8485, pp. 488–493). Cham, Switzerland: VENUE-TH-002. [REFERENCE-ID-REDACTED]

Hung, P. D., y Huynh, D. L. (2019, 02). E-commerce recommendation system using mahout. Descargado de [LINK-REDACTED] [REFERENCE-ID-REDACTED] .1109/ccoms.2019.8821663

Insua, D. R., Holgado, J., y Moreno, R. (2003). Multicriteria e-negotiation systems for e-democracy. PUBLICATION-001, 12(2-3), 213-218. Descargado de [LINK-REDACTED] [REFERENCE-ID-REDACTED]

Itaiwi, A.-M. K., Ahmad, M. S., Hamid, N. H. A., Jaafar, N. H., y Mahmoud, M. A. (2012, 06). A multi-agent framework for dynamic task assignment and delegation in task distribution. Descargado de [LINK-REDACTED] [REFERENCE-ID-REDACTED]

Jansen, B. J., Moore, K., y Carman, S. (2013). Evaluating the performance of demographic targeting using gender in sponsored search. VENUE-TH-049, 49(1), 286 - 302. [REFERENCE-ID-REDACTED]

Jiang, R., Banchs, R. E., y Li, H. (2016). Evaluating and combining name entity recognition systems. En Proceedings of the sixth named entity workshop (pp. 21–27).

Joachims, T. (1999, 8 de 2). Making Large-Scale Support Vector Machine Learning Practical. En B. Schölkopf, C. J. Burges, y A. J. Smola (Eds.), Advances in kernel methods: Support vector learning (pp. 169–184). Cambridge, MA, USA: VENUE-TH-024.

Joachims, T. (2002). Learning to classify text using support vector machines (Vol. 668). New York, NY, USA: VENUE-TH-002. [REFERENCE-ID-REDACTED]

Kanoje, S., Girase, S., y Mukhopadhyay, D. (2015, 01). User profiling trends, techniques and applications. VENUE-TH-007. Descargado de [LINK-REDACTED] abs/1503.07474 [REFERENCE-ID-REDACTED]

Kazak, A., Chetyrbok, P. V., y Oleinikov, N. N. (2020, 01). Artificial intelligence in the tourism sphere. ORG-TH-105, 421(4), 042020-042020. Descargado de [LINK-REDACTED] [REFERENCE-ID-REDACTED] 421/4/042020

Kazil, J., Masad, D., y Crooks, A. (2020). Utilizing python for agent-based modeling: the mesa framework. En International conference on social computing, behavioralcultural modeling and prediction and behavior representation in modeling and simulation (pp. 308–317).

Keyes, O. (2018, noviembre). The Misgendering Machines: Trans/HCI Implications of Automatic Gender Recognition. Proc. VENUE-TH-021. Interact., 2(CSCW), 88:1–88:22. [REFERENCE-ID-REDACTED]

Keyes, O., y Tilbert, B. (2017). DATASET-TH-001: A ORG-TH-115 API Wrapper [Manual de software informático]. Descargado de [LINK-REDACTED] DATASET-TH-001 (R package version 1.5.0)

Khurana, D., Koli, A., Khatter, K., y Singh, S. (2022, 07). Natural language processing: state of the art, current trends and challenges. VENUE-TH-001, 82(3), 3713-3744. Descargado de [LINK-REDACTED] [REFERENCE-ID-REDACTED]

Kler, B. K. (2009). Tourism and restoration. En Philosophical issues in tourism (pp. 117–134). ORG-TH-106.

Kocher, M., y Savoy, J. (2017). Distance measures in author profiling. VENUE-TH-049, 53(5), 1103 - 1119. [REFERENCE-ID-REDACTED] .2017.04.004

Koroteev, M. (2021). SOFTWARE-TH-003: A review of applications in natural language processing and understanding. arXiv preprint arXiv:2103.11943.

Kretschmer, H., y Aguillo, I. F. (2005). New indicators for gender studies in web networks. VENUE-TH-049, 41(6), 1481 - 1494. (Special Issue on Infometrics) [REFERENCE-ID-REDACTED]

Krüger, S., y Hermann, B. (2019). Can an Online Service Predict Gender? On the State-of-the-Art in Gender Identification from Texts. En I. Crnkovic, K. K. Silveira, y S. Sprenkle (Eds.), Proceedings of the 2nd international workshop on gender equality in software engineering, ge@icse 2019, montreal, qc, canada, may 27, 2019 (pp. 13– 16). Piscataway, NJ, USA: VENUE-TH-016. [REFERENCE-ID-REDACTED]

Kucukyilmaz, T., Cambazoglu, B. B., Aykanat, C., y Can, F. (2006). Chat Mining for Gender Prediction. En T. M. Yakhno y E. J. Neuhold (Eds.), Advances in information systems, 4th international conference, ADVIS 2006, izmir, turkey, october 18- 20, 2006, proceedings (Vol. 4243, pp. 274–283). Berlin, Heidelberg: VENUE-TH-002. [REFERENCE-ID-REDACTED]

Lake, B. M., Ullman, T., Tenenbaum, J. B., y Gershman, S. J. (2016, 01). Building machines that learn and think like people. Descargado de [LINK-REDACTED] abs/1604.00289 [REFERENCE-ID-REDACTED]

Lan, Y., Li, X., Du, H., Lu, X., Gao, M., Qian, W., y Zhou, A. (2024, 01). Survey of natural language processing for education: Taxonomy, systematic review, and future trends. VENUE-TH-007. Descargado de [LINK-REDACTED] [REFERENCE-ID-REDACTED]

Langley, P. (2022, 06). The computational gauntlet of human-like learning. ORG-TH-110, 36(11), 12268-12273. Descargado de [LINK-REDACTED] [REFERENCE-ID-REDACTED] .21489

La santa biblia, nuevo testamento. (1960). Nueva York: ORG-TH-111. (Reina-Valera 1960)

Lau, K.-N., Lee, K.-H., y Ho, Y. (2005). Text Mining for the Hotel Industry. ORG-TH-133, 46(3), 344–362. [REFERENCE-ID-REDACTED] 0010880405275966

Lee, C. K., y Hawamdeh, S. (2002, 03). Factors impacting knowledge sharing. ORG-TH-107, 01(01), 49-56. Descargado de [LINK-REDACTED] s0219649202000169 [REFERENCE-ID-REDACTED]

Lee, S.-M., y Pritchett, A. R. (2008, 11). Predicting interactions between agents in agent-based modeling and simulation of sociotechnical systems. VENUE-TH-017, 38(6), 1210-1220. Descargado de https://

[REFERENCE-ID-REDACTED] [REFERENCE-ID-REDACTED]

Li, C., Ding, N., Dong, H., y Zhai, Y. (2021, 01). Application of credit card fraud detection based on cs-svm. , 11(1), 34-39. Descargado de [LINK-REDACTED] ijmlc.2021.11.1.1011 [REFERENCE-ID-REDACTED]

Li, S.-L., Shiue, W., y Huang, M. (2006, 05). The evaluation of consumer loans using support vector machines. VENUE-TH-011 , 30(4), 772-782. Descargado de https:// [REFERENCE-ID-REDACTED] [REFERENCE-ID-REDACTED]

Lin, B., y Serebrenik, A. (2016). Recognizing gender of ORG-TH-108 users. En M. Kim, R. Robbes, y C. Bird (Eds.), Proceedings of the 13th international conference on mining software repositories, MSR 2016, austin, tx, usa, may 14-22, 2016 (p. 425–429). New York, NY, USA: VENUE-TH-023. [REFERENCE-ID-REDACTED]

Lin, H. (2007, 06). Knowledge sharing and firm innovation capability: an empirical study. VENUE-TH-025, 28(3/4), 315-332. Descargado de [LINK-REDACTED] .org/10.1108/01437720710755272 [REFERENCE-ID-REDACTED]

Liu, Q., y Wu, Y. (2012, 01). Supervised learning. Descargado de [LINK-REDACTED] 10.1007/978-1-4419-1428-6_451 [REFERENCE-ID-REDACTED]

Loh, S., Lorenzi, F., Saldaña, R., y Licthnow, D. (2003). A tourism recommender system based on collaboration and text analysis. ORG-TH-125, 6(3), 157–165.

Lynskey, S. J., Ling, F., Greenberg, A. M., Penny-Dimri, J. C., y Sutherland, A. G. (2021). The influence of patient resilience and health status on satisfaction after total hip and knee arthroplasty. ORG-TH-126, 19(1), 8–14.

López-Santillán, R., Montes-Y-Gómez, M., González-Gurrola, L. C., Ramírez-Alonso, G., y Prieto-Ordaz, O. (2020). Richer document embeddings for author profiling tasks based on a heuristic search. VENUE-TH-049, 57(4), 102227. [REFERENCE-ID-REDACTED]

Malingkas, D. E. Y., y Ce, W. (2020, 08). Knowledge management using gamification in consulting firms. Descargado de [LINK-REDACTED] .9211118 [REFERENCE-ID-REDACTED]

Markov, I., Gómez-Adorno, H., Sidorov, G., y Gelbukh, A. (2017). The Winning Approach to Cross-Genre Gender Identification in Russian at RUSPprofiling 2017. En P. Majumder, M. Mitra, P. Mehta, y J. Sankhavara (Eds.), Working notes of FI- RE 2017 - forum for information retrieval evaluation, bangalore, india, december 8-10, 2017 (Vol. 2036, pp. 20–24). Aachen, Germany: ORG-TH-109. Descargado de [LINK-REDACTED]

Melo, L. S., Sampaio, R. F., Leão, R. P. S., Barroso, G. C., y Bezerra, J. R. (2019). Python-

based multi-agent platform for application on power grids. ORG-TH-127, 29(6), e12012.

Meltzoff, A. N., Kuhl, P. K., Movellan, J. R., y Sejnowski, T. J. (2009, 07). Foundations for a new science of learning (Vol. 325) (n.o 5938). Descargado de [LINK-REDACTED] 10.1126/science.1175626 [REFERENCE-ID-REDACTED]

Moguerza, J. M., Muñoz, A., y cols. (2006). Support Vector Machines with Applications. ORG-TH-123, 21(3), 322–336. Descargado de [LINK-REDACTED] .org/euclid.ss/1166642435 [REFERENCE-ID-REDACTED]

Moguerza, J. M., y Muñoz, A. (2006, 08). Support vector machines with applications. VENUE-TH-026, 21(3). Descargado de [LINK-REDACTED] 10.1214/088342306000000493 [REFERENCE-ID-REDACTED]

Mohamad, I. B., y Usman, D. (2013). Standardization and its effects on k-means clustering algorithm. VENUE-TH-040, Engineering and Technology, 6(17), 3299–3303.

Moliner, M. A., Sánchez, J., Rodríguez, R. M., y Callarisa, L. (2007). Relationship quality with a travel agency: The influence of the postpurchase perceived value of a tourism package. ORG-TH-124, 7(3-4), 194–211.

Moreno, R., Viajes, M., Fernández-Isabel, A., de Diego, I. M., Moguerza, J. M., Lancho, C., y Cuesta, M. (2022). Automatic detection of potential customers by opinion mining and intelligent agents. En 2022 17th PUBLICATION-003 (PUBLICATION-003) (pp. 93–101).

Moreno-Izquierdo, R. (2024). Raúl, el ingeniero informático. TECH-VENDOR-006. Descargado de [LINK-REDACTED]

Mukherjee, S., y Bala, P. K. (2017). Gender classification of microblog text based on authorial style. VENUE-TH-041, 15(1), 117–138. [REFERENCE-ID-REDACTED]

Naqa, I. E., y Murphy, M. J. (2015, 01). What is machine learning? Descargado de [LINK-REDACTED] [REFERENCE-ID-REDACTED] -3_1

Nazareth, N., y Reddy, Y. (2023, 06). Financial applications of machine learning: A literature review. VENUE-TH-011 , 219, 119640-119640. Descargado de [LINK-REDACTED] .org/10.1016/j.eswa.2023.119640 [REFERENCE-ID-REDACTED]

Njiraine, D. (2019, 03). Enabling knowledge sharing practices for academic and research in higher education institutions. Descargado de [LINK-REDACTED] .7176/ikm/9-3-09 [REFERENCE-ID-REDACTED]

Norbert, V. (2011, 11). Forecasting tourism demand. VENUE-TH-012. Des-

cargado de [LINK-REDACTED] B9780080969961000078

Novikova, N. G., Kortunov, V. V., Krasnova, O. N., Zorina, N. M., Kireenkova, Z. A., y cols. (2015). A client with special needs in tourist services. VENUE-TH-042, 6(2), 338.

Olson, D. L., y Delen, D. (2008). Advanced data mining techniques. Berlin, Heidelberg: VENUE-TH-002.

Paudel, B., Christoffel, F., Newell, C., y Bernstein, A. (2016, 12). Updatable, accurate, diverse, and scalable recommendations for interactive applications. VENUE-TH-022, 7(1), 1-34. Descargado de [LINK-REDACTED] 2955101 [REFERENCE-ID-REDACTED]

Peng, J., y Xu, J. (2022, 03). Personalized product recommendation model of automatic question answering robot based on deep learning. VENUE-TH-027, 2022, 1-9. Descargado de [LINK-REDACTED] [REFERENCE-ID-REDACTED]

Peng, Y. (2022, 01). A survey on modern recommendation system based on big data. VENUE-TH-007. Descargado de [LINK-REDACTED] [REFERENCE-ID-REDACTED] .48550/arXiv.2206.

Peng, Z. (2021, 05). Designing and evaluating intelligent agents’ interaction mechanisms for assisting human in high-level thinking tasks. Descargado de https:// [REFERENCE-ID-REDACTED] [REFERENCE-ID-REDACTED]

Platt, J. (1998, April). Sequential Minimal Optimization: A Fast Algorithm for Training Support Vector Machines (Inf. Téc. n.o MSR-TR-98-14). TECH-VENDOR-005. Descargado de [LINK-REDACTED] sequential-minimal-optimization-a-fast-algorithm-for-training-support -vector-machines/

Pons, J., Granados, A., Espinas, J., Borras, J., Martin, I., y Moreno, V. (1997). Assessing open heart surgery mortality in catalonia (spain) through a predictive risk model. VENUE-TH-044 surgery: official journal of the VENUE-TH-043, 11(3), 415–423.

ORG-TH-112. (2022). R: A language and environment for statistical computing [Manual de software informático]. Vienna, Austria. Descargado de https:// [LINK-REDACTED]

Rangel, F., y Rosso, P. (2016). On the impact of emotions on author profiling. VENUE-TH-049, 52(1), 73–92. [REFERENCE-ID-REDACTED] j.ipm.2015.06.003

Ray, B., Garain, A., y Sarkar, R. (2021). An ensemble-based hotel recommender system using sentiment analysis and aspect categorization of hotel reviews. ORG-TH-128, 98, 106935.

Romero-Mendez, E. A., Santana-Mancilla, P. C., García-Ruiz, M. , Montesinos-López, O. A., y Anido, L. (2023, 07). The use of deep learning to improve player engagement in a video game through a dynamic difficulty adjustment based on skills classification. VENUE-TH-028, 13(14), 8249-8249. Descargado de [LINK-REDACTED] [REFERENCE-ID-REDACTED]

Russell, S., y Norvig, P. (2010). Artificial intelligence: A modern approach. VENUE-TH-010.

Sagi, O., y Rokach, L. (2018). Ensemble learning: A survey. ORG-TH-104 Interdisciplinary Reviews: VENUE-TH-055, 8(4), e1249.

Santamaría, L., y Mihaljevi ́c, H. (2018). Comparison and benchmark of name-togender inference services. VENUE-TH-033, 4, e156. [REFERENCE-ID-REDACTED] 10.7717/peerj-cs.156

Schapire, R. E. (1990). The Strength of Weak Learnability. Machine learning, 5(2), 197–227. [REFERENCE-ID-REDACTED]

Sen, P. C., Hajra, M., y Ghosh, M. (2020). Supervised classification algorithms in machine learning: A survey and review. En Emerging technology in modelling and graphics (pp. 99–111). VENUE-TH-002.

Sensuse, D. I., Qodarsih, N., Lusa, S., y Prima, P. (2018, 10). Critical success factors of knowledge management: A systematic literature review. Descargado de https:// [REFERENCE-ID-REDACTED] [REFERENCE-ID-REDACTED]

Shafiee, S., y Varjani, A. Y. (2016, 04). Big data in tourism industry. Descargado de [LINK-REDACTED] [REFERENCE-ID-REDACTED]

Shelar, H., Kaur, G., Heda, N., y Agrawal, P. (2020). Named entity recognition approaches and their comparison for custom ner model. ORG-TH-129, 39(3), 324–337.

Siswahyudi, P., Kurniawan, T. A., y Sugiarto, V. (2018). Agent-oriented methodologies comparison: A literature review. ORG-TH-130, 24(11), 8710–8716.

Sokolova, M., y Lapalme, G. (2009). A systematic analysis of performance measures for classification tasks. VENUE-TH-049, 45(4), 427–437.

Sproat, R., Black, A. W., Chen, S., Kumar, S., Ostendorf, M., y Richards, C. (2001, July). Normalization of non-standard words. ORG-TH-131, 15(3), 287– 333. [REFERENCE-ID-REDACTED]

Srivastava, A., y Sahami, M. (Eds.). (2009). Text mining: Classification, clustering, and applications (1st ed.). New York, NY, USA: ORG-TH-114. [REFERENCE-ID-REDACTED]

Subramaniyaswamy, V., Logesh, R., Vijayakumar, V., Keerthana, K., Rakini, K., y Swarnamalya, B. (2018). Dynamo: dynamic multimodal route and travel recommendation system. En 2018 international conference on recent trends in advance computing (icrtac) (pp. 47–52).

Terrell, J., Kofink, A., Middleton, J., Rainear, C., Murphy-Hill, E., Parnin, C., y Stallings, J. (2017, 1 de May). Gender differences and bias in open source: pull request acceptance of women versus men. VENUE-TH-033, 3, e111. [REFERENCE-ID-REDACTED]

Thampi, S. M. (2008, 01). An introduction to knowledge management. VENUE-TH-007. Descargado de [LINK-REDACTED] [REFERENCE-ID-REDACTED] arxiv.0812.0438

Tikhonov, A. N., y Arsenin, V. Y. (1977). Solutions of ill-posed problems. New York, NY, USA: VENUE-TH-030, ORG-TH-103.

Tureac, C. E., y Turtureanu, A. (2010). Types and forms of tourism. VENUE-TH-045. Œconomica, 4(1).

Uddin, M., Wang, Q., Wei, H. H., Chi, H. L., y Ni, M. (2021). Building information modeling (bim), system dynamics (sd), and agent-based modeling (abm): Towards an integrated approach. VENUE-TH-046, 12(4), 4261–4274.

Uysal, A. K., y Gunal, S. (2014). The impact of preprocessing on text classification. VENUE-TH-049, 50(1), 104 - 112. [REFERENCE-ID-REDACTED] .1016/j.ipm.2013.08.006

Vasilescu, B., Capiluppi, A., y Serebrenik, A. (2014, September). Gender, Representation and Online Participation: A Quantitative Study. ORG-TH-132, 26(5), 488–511. [REFERENCE-ID-REDACTED]

Vasiliev, Y. (2020). Natural language processing with python and SOFTWARE-TH-002: A practical introduction. VENUE-TH-029.

Vesni ́c-Alujevi ́c, L., Nascimento, S., y Pólvora, A. (2020, 07). Societal and ethical impacts of artificial intelligence: Critical notes on european policy frameworks. VENUE-TH-011 , 44(6), 101961-101961. Descargado de [LINK-REDACTED] j.telpol.2020.101961 [REFERENCE-ID-REDACTED]

Vrandeˇci ́c, D., y Krötzsch, M. (2014). DATASET-TH-001: a free collaborative knowledgebase. VENUE-TH-020, 57(10), 78–85. [REFERENCE-ID-REDACTED]

Wais, K. (2016). Gender Prediction Methods Based on First Names with genderizeR. VENUE-TH-047, 8(1), 17–37. [REFERENCE-ID-REDACTED]

Wang, J., Guo, B., y Chen, L. (2022, 01). Human-in-the-loop machine learning:

A macro-micro perspective. Descargado de [LINK-REDACTED] [REFERENCE-ID-REDACTED]

Wang, J., Hong, Y., Wang, J., Xu, J., Tang, Y., Han, Q.-L., y Kurths, J. (2022). Cooperative and competitive multi-agent systems: From optimization to games. VENUE-TH-018/CAA ORG-TH-122, 9(5), 763–783.

Wang, X., Bettini, C., Brodsky, A., y Jajoida, S. (1997). Logical design for temporal databases with multiple granularities. VENUE-TH-019, 22(2), 115–170.

Weed, D. L. (2005). Weight of evidence: a review of concept and methods. VENUE-TH-056, 25(6), 1545–1557.

Witten, I. H., Frank, E., Hall, M. A., y Pal, C. J. (2017). Data mining: Practical machine learning tools and techniques (4th ed.). Cambridge, MA, USA: ORG-TH-113, VENUE-TH-012. [REFERENCE-ID-REDACTED]

Yan, X., y Yan, L. (2006). Gender Classification of Weblog Authors. En Computational approaches to analyzing weblogs, papers from the 2006 VENUE-TH-032 spring symposium, technical report ss-06-03, palo alto, ca, usa, march 27-29, 2006 (pp. 228– 230). Palo Alto, CA, USA: VENUE-TH-031. Descargado de [LINK-REDACTED] 0046-gender-classification-of-weblog-authors/

Yenduri, G., Ramalingam, M., G, C. S., Supriya, Y., Srivastava, G., Maddikunta, P. K. R., ... Gadekallu, T. R. (2023, 01). Generative pre-trained transformer: A comprehensive review on enabling technologies, potential applications, emerging challenges, and future directions. VENUE-TH-007. Descargado de [LINK-REDACTED] 2305.10435 [REFERENCE-ID-REDACTED]

Young, T., Hazarika, D., Poria, S., y Cambria, E. (2017, 01). Recent trends in deep learning based natural language processing. VENUE-TH-007. Descargado de [LINK-REDACTED] [REFERENCE-ID-REDACTED]

Zapata, G., Murga, J., Raymundo, C., Dominguez, F., Moguerza, J. M., y Alvarez, J. M. (2019). Business information architecture for successful project implementation based on sentiment analysis in the tourist sector. VENUE-TH-048, 53(3), 563–585.

Zdravevski, E., Lameski, P., y Kulakov, A. (2011). Weight of evidence as a tool for attribute transformation in the preprocessing stage of supervised learning algorithms. En The 2011 international joint conference on neural networks (pp. 181–188).

Zheng, X., Luo, Y., Sun, L., Zhang, J., y Chen, F. (2018). A tourism destination recommender system using users’ sentiment and temporal dynamics. VENUE-TH-048, 51(3), 557–578.

Zhuhadar, L., y Nasraoui, O. (2010, 08). Personalized search based on a user-centered recommender engine. Descargado de [LINK-REDACTED] .296 [REFERENCE-ID-REDACTED]