L'avanç de la intel·ligència artificial (IA) ha revolucionat múltiples sectors, i el turisme no és l'excepció. La creixent digitalització del sector ha permès l'aplicació de tècniques avançades d'IA per millorar l'experiència de l'usuari, optimitzar la gestió de serveis i facilitar la presa de decisions estratègiques. En aquest context el sistema SYSTEM-TH-001 Es presenta com una solució innovadora que integra aprenentatge automàtic, sistemes de gestió del coneixement i agents intel·ligents per millorar la personalització i eficiència en la indústria turística.
L'aprenentatge automàtic (Machine Learning, ML) és una de les tecnologies clau en aquest camp. Inspirat en l'aprenentatge humà, ML permet la detecció de patrons en grans volums de dades, facilitant prediccions i recomanacions precises. Models de classificació com Màquines de Suport Vectorial (SVM) i xarxes neuronals han demostrat la seva eficàcia en la personalització d'oferències i la segmentació de clients en el sector turístic.
A més, els sistemes de gestió del coneixement (Knowledge Management Systems, KMS) juguen un paper fonamental en l'organització i recuperació eficient de la informació rellevant. Aquests sistemes permeten estructurar grans volums de dades i facilitar l'accés a coneixements útils per la presa de decisions.
Per altra banda, els agents intel·ligents, dissenyats sota la metodologia SOFTWARE-TH-001 permeten una interacció dinàmica amb l'entorn i entre ells mateixos, oferint solucions automatitzades i adaptatives en SYSTEM-TH-001. Aquest enfocament bioinspirat facilita l'optimització de tasques i la distribució eficient de càrregues de treball.
En conjunt, aquestes tecnologies converteixen a SYSTEM-TH-001 en un sistema robust i escalable que redefineix la manera en què el turisme pot beneficiar-se de la intel·ligència artificial, millorant l'experiència de l'usuari i optimitzant la gestió dels recursos disponibles.
2.1 Introducció
En aquest capítol, s'exploren les tècniques d'intel·ligència artificial utilitzades en el sistema SYSTEM-TH-001, destacant l'estat de l'art en turisme quan és possible. S'aborda l'aprenentatge automàtic, comparant la seva similitud amb l'aprenentatge humà i la seva aplicació per identificar patrons en grans volums de dades, la qual cosa millora la presa de decisions. Els models de classificació, com SVM i xarxes neuronals, s'examinen en detall. A més, es discuteixin els sistemes de gestió del coneixement i recomanació, aplicats per optimitzar l'experiència en turisme. També s'aborden els agents intel·ligents, la seva capacitat per interactuar amb l'entorn i la seva implementació en SYSTEM-TH-001 mitjançant la metodologia SOFTWARE-TH-001.
S'analitzarà l'estat de l'art a cada àrea, proporcionant un marc teòric i pràctic que permetrà comprendre la importància i l'impacte de la intel·ligència artificial en l'evolució del turisme digital.
2.2 Aprenentatge automàtic
L'aprenentatge humà i l'aprenentatge automàtic, encara que semblen diferents, comparteixen un conjunt de principis i processos similars. Bàsicament requereixen de l'adquisició i l'interiorització de la informació, que desemboca en el desenvolupament d'habilitats, coneixement i la capacitat d'adaptar-se a noves situacions Langley. 2022 ) Botvinick et al. ( 2017 ).
Des d'una perspectiva filosòfica, l'aprenentatge humà va més enllà de la mera adquisició d'habilitats i comporta la formació del caràcter, el desenvolupament ètic i la capacitat de pensament crític. Arístotells, en el seu treball: "Ètica de Nicomaco", examina la importància de l'hàbit i la pràctica en el desenvolupament de virtuts, concloent que l'aprenentatge és un procés contínu que millora i desenvolupament personal J. Wang, Guo, i Chen 2022 )
L'aprenentatge automàtic, ML, podria entendre com una extensió, actualment connector, de l'aprenentatge humà. En ML les màquines aprenen, adquirint coneixement i certes habilitats mitjançant programes informàtics, anomenem-los algorismes per a simplifcar-lo, que permeten a la màquina aprendre de forma incremental al llarg del temps, mitjançant la pràctica. ML és l'àrea que en base a dades i models matemàtics, permet identificar patrons que millorar la presa de decisions basades en dades Meltzoff et al. ( 2009 ).
Aquest paral·lel no és un decobert recent, de fet un dels pioners en el camp de la intel·ligència articicial, Alan Turing, ja va reconèixer el potencial de les
màquines programables per aprendre de l'experiència i millorar el rendiment en tasques expecífiques Naqa i Murphy ( 2015 ). Si aprofundeixes més en el coneixement de la intel·ligència artificial, podem observar els grans esforços per desenvolupar sistemes d'aprenentatge que emulin o fins i tot superin les habilitats cognitives de l'aprenentatge humà Lake et al. ( 2016 ) Romero-Mendesa et al. ( 2023 ).
Una de les característiques de ML més apreciades avui dia, és la capacitat per analitzar grans quantitats de dades a la recerca de patrons, habilitat molt allunyada de la qual gaudim els humans 2010 ).
Això fa que ML sigui un avenç molt significatiu en l'àrea de la intel·ligència artificial, atès que permet a les màquines aprendre, de la manera com es defineixi, per millorar l'adaptació als canvis en l'entorn. Aquesta capacitat ofereix el potencial de construir solucions innovadors i eficients al llarg d'un gran conjunt d'àreas, incloent el turisme. Mitjançant l'ús de ML, el sector del turisme es pot beneficiar de processos d'anàlisi de dades millorats, reconeixement de patrons, recomanacions personalitzades i processament automàtic de tasques, el que pot redundar en una millor experiència del client i una optimització dels processos, amb el conseqüent increment del rendiment del negoci Afsahhosseini i Al-Mulla ( 2020 )
L'àrea ML comprèn tres tipus d'enfocaments d'aprenentatge: supervisat, no supervisat i aprenentatge reforçat. En l'aprenentatge supervisat, el model és entrenat amb un conjunt de dades on les entrades estan lligades als seus corresponents valors de sortida esperats, permetent al model aprendre els patrons i relacions existents en les dades i conseqüentment aplicar dit coneixement per realitzar prediccions sobre noves dades Liu i Wu ( 2012 ). En el no supervisat, es focalitza sobre el descobriment de patrons i relacions en un conjunt de dades no etiquetat, això és, sense el guiat dels valors de sortida predefinits Hinton i Sejnowski ( 1999 ). L'aprenentatge reforçat, permet als models interactuar amb l'entorn, rebent retroalimentació en la forma de recompenses o penalitzacions, per ajustar les seves accions per maximitzar el retorn esperat François-Lavet et al. ( 2018 )
L'èxit d'un model ML es mesura per la seva habilitat per resoldre efectivament una tasca concreta, com poden ser la classificació, predicció i generació. Tasques que gaudeixen d'un alt valor afegit en totes les indústries, com pot ser el turisme, mitjançant la utilització de tècniques d'anàlisi de dades, classificació, reconeixement de patrons, la predicció i finalment l'automatització de tasques, així com els sistemes de recomanació Kazak et al. ( 2020 ) Afsahhosseini i Al-Mulla ( 2020 ).
La realització d'anàlisis de dades mitjançant ML, permet descobrir patrons i relacions ocultes complexes en les dades, el que facilita la presa de decisions infor-
mada. Per exemple, mitjançant el reconeixement de patrons i tècniques de classificació, permeten identificar moltes variables de l'experiència d'un viatge, com poden ser aquelles que prové de les preferències del client, la forma de comprar, així com les característiques dels serveis contractats Shafiee i Varjani. 2016 ). Les tècniques de predicció utilitzen les dades històriques de l'empreses per predir futurs comportaments, el que permet a l'empresa millorar la seva adaptació al canvi, responent als canvis en la demanda de serveis i preus, entre d'altres molts factors Norbert ( 2011 ). A més mitjançant ML es poden automatitzar tasques i processos de l'empresa d'una forma intel·ligent. Així mateix, els sistemes de recomanació que utilitzen algorismes de ML, proporcionar recomanacions òptimes, el que produeix una millora en l'experiència i satisfacció del comprador Borràs et al. ( 2014 ).
Tot i que el potencial de ML en el sector del turisme és significatiu, és essencial en usar-lo, considerar certes implicacions ètiques i de desenvolupament sostenible d'aquesta tecnologia. Cal parar atenció a la privacitat de les dades, els biaixos algorítmics i l'impacte social d'aquests sistemes per tal que el benefici d'aquesta tecnologia estigui disponible d'una manera sostenible i beneficiosa per a tots els decisors Vesni'c-Alujevi'c et al. ( 2020 ).
2.2.1 Models de classificació
Els models de classificació són una categoria fonamental d'algoritmes en l'àmbit de l'aprenentatge automàtic i l'estratègia. El seu objectiu principal és assignar una etiqueta o categoria a una observació, basada en un conjunt de característiques o variables predictores. Aquests models són àmpliament utilitzats en diverses àrees, com ara medicina, finances, màrqueting i seguretat, degut a la seva capacitat per predir i categoritzar amb precisió.
Principals Models de Classificació
Hi ha múltiples models de classificació, cadascun amb els seus avantatges i desavantatges, depenent de la naturalesa del problema i les dades disponibles. Alguns dels més comuns inclouen:
Regressió Logística
La regressió logística és un dels models més simples i efectius per a problemes de classificació binària. Calcula la probabilitat que una observació pertanyi a una classe determinada usant una funció sigmoide. És particularment útil quan les relacions entre les variables predictores i la variable objectiu són lineals.
Màquines de Suport Vectorial (SVM)
Les SVM són models poderosos que busquen un hiperpla òptim que separi les classes en l'espai de característiques. Usen "kernels" per manejar dades no lineals, el que les fa versàtils i precises en molts contextos.
Support Vector Machines, SVM, ha resurgit com un algorisme de masxine learning poderós i vèrsatil per a un conjunt variat d'aplicacions, des del reconeixement d'imatges i el processament natural del llenguatge a predicció financera i bioinformàtica. Es van introduir allà durant els anys 90, sent el resultat de la seva aplicació tot un èxit, degut ala gran varietat de problemes que pot analitzar, fins i tot amb major rendiment que altres tècniques. El principal avantatge dels SVM és la seva capacitat per trobar un òptim hiperplan separadors que maximitza el marge entre classes, el que genera una solució que involucra només uns pocs vectors de suport, una propietat que simplifica la seva aplicació en problemes de llarga escala Moguerza i Muñoz ( 2006 ).
En el domini financer, SVM ha demostrat la seva efectivitat en la detecció de frau amb targetes de crèdit. Comparat amb altres classificadors, SVM pot resoldre tant problemes binaris de classificació lineals i no lineals, identificant l'hiperplan que millor separa les dades d'entrada C. Li et al. ( 2021 ). Per exemple, l'ús de SVM en les tècniques de risc creditici, ha mostrat una gran capacitat d'adaptació, generant una solució global eficient per a la presa de decicions en aquest problema S.-L. Li et al. ( 2006 ). Altres problemes en els quals ha tingut èxit la seva aplicació ha estat els problemes de solvència o fins i tot els estudis sobre criptomonedes Nazareth i Reddy ( 2023 ). La capacitat dels SVM per gestionar dades amb una alta dimensionalitat i soroll, posiciona a aquesta tècnica com una eina d'alt valor en l'entorn financer, encara que així mateix el seu èxit també ha arribat a altres àrees com el reconeixement d'imatges o problemes en seguretat ciutadana, entre d'altres molts, el que de mostres la seva gran versatilitat Moguerza i Muñoz ( 2006 ).
SVM ha demostrat ser una tècnica altament efectiva, tot i així, la selecció correcta de la seva funció kernel i la apropiada selecció dels hiperparàmetres són crucials per optimitzar el seu rendiment, com indica la literatura Bing- yu et al. ( 2009 ). En concret dins el projecte SYSTEM-TH-001, s'ha investigat aquest mètode com a eina per a la detecció del gènere d'un text, funcionalitat encara no implementada però que pot ser clau en el futur del mateix, donat què es pot explicar bé el seu comportament. L'àrea de recerca dels SVM segueix en ple desenvolupament, de manera que podem esperar nous avenços i aplicacions que portin més lluny els seus límits.
Arbres de Decisió
Els arbres de decisió són models intuïtius que classifiquen les observacions a través d'una estructura jeràrquica de decisions. Són fàcils d'interpretar i ajudar per a problemes amb dades categòrices o numèriques. Quan es combinen en boscos aleatoris (Random Forest), milloren significativament la seva precisió i robusteix.
Xarxes Neuronals
Les xarxes neuronals són models inspirats en el cervell humà, ideals per a problemes complexos i no lineals. Usen múltiples capes de neurones per aprendre representacions jeràrquiques de les dades, el que les fa altament efectives en classificació d'imatges, processament de llenguatge natural i més.
Avaluació dels Models
L'eficàcia dels models de classificació s'avalua mitjançant mètriques com la precisió, el recall, la F1-score i l'àrea sota la corba ROC (AUC-ROC). A més, és crucial evitar problemes com el sobreajust, utilitzant tècniques com la validació creuada i la regularització.
2.2.2 Models d'optimització
Els models de classificació i optimització són una categoria fonamental d'algoritmes en l'àmbit de l'aprenentatge automàtic i l'estratègia. El seu objectiu principal és assignar una etiqueta o categoria a una observació, basada en un conjunt de característiques o variables predictores, alhora que busquen optimitzar els paràmetres del model per aconseguir un rendiment òptim. Aquests models són àmpliament utilitzats en diverses àrees, com ara medicina, finances, màrqueting i seguretat, degut a la seva capacitat per predir i categoritzar amb precisió. Hi ha múltiples models que empren tècniques d'opció per millorar el seu rendiment. Alguns dels més comuns inclouen les Màquines de Suport Vectorial (SVM), que són models poderosos que cerquen un hiperplà òptim que separi les classes en l'espai de característiques. L'optimització a SVM es basa en maximitzar el marge entre les classes, el que garanteix una millor generalització. Per a manejar dades no lineals, les SVM usen "kernels", com el kernel gaussià o el polinòmic, que transformen les dades en espais de major dimensió on les classes siguin separables. D'altra banda, la regressió logística és un dels models més simples i efectius per a problemes de classificació binària. L'optimització es fa minimitzant una funció de cost basada en l'entropia creuada, usant mètodes com el descens de gradient estocàstic (SGD). Aquest enfocament assegura que els paràmetres del model convergeixin cap a un òptim global.
Els arbres de decisió són models jeràrquics que classifiquen les observacions a través d'una sèrie de decisions basades en característiques específiques. L'optimització en aquests models implica seleccionar divisions que minimitzin mètriques com l'entropia o l'índex Gini. En els boscos aleatoris, s'eliminarà l'empció combinant múltiples arbres mitjançant tècniques de "bagging", reduint el risc de sobreajust. Per la seva banda, les xarxes neuronals són models inspirats en el cervell humà, ideals per a problemes complexos i no lineals. Usen tècniques d'optimització com el descens de gradient, el descens de gradient amb moment i algorismes avançats com Adam. Aquestes tècniques ajusten els pesos de les connexions entre les neurones per minimitzar la funció de pèrdua i millorar el rendiment. A més, models com ara Gradient Boosting, AdaBoost i XGBoost utilitzen tècniques d'optimització iterativa per ajustar models simples, com arbres de decisió, en seqüència. Cada iteració corregeix els errors del model anterior, minimitzant una funció de pèrdua acumulativa.
Optimització de Support Vector Machines
SVM són algorismes el rendiment dels quals es basa en l'ús del kernels. Un kernel K( x, y) és una funció de valor real K: X × X \\ R que actua com un producte escalar en un espai vectorial real Z. Per això, hi ha una funció:
Φ: X →Z, ( 2.1 )
de tal manera que K( x, y) = (x) T- T. X i Z són, respectivament, coneguts com a espais d'entrada i de característiques.
SVM pertany al tipus d'algorismes basats en la teoria de regularització Moguerza et al. ( 2006 ). Aquests mètodes permeten la construcció de funcions de classificació per resoldre un problema d'optimització en la forma Tikhonov i Arsenin ( 1977 ):
n X
m ́ın f∈HK 1 n
i= 1 L(yi, f(xi)) + μ ∥f∥ 2 K, ( 2.2 )
on nus > 0; HK denota l'espai d'Hilbert del kernel de reproducció (RKHS) associat amb el kernel K; Namef- K és la norma de f en el RKHS; xi són els n punts de dades mostrejats; yi { 1, + 1 } indica les dues classes possibles de xi; i, finalment, L( yi, f( x) és una funció d'error. En aquest context, f( x) = 0 és una superfície de decisió a HK. L'enfocament típic de l'SVM usa la funció d'error específica L, anomenada pèrdua de bisagra (hinge elss), definida com:
L(yi, f(xi)) = ( 1 −yi f(xi))+, ( 2.3 )
with (x) + = m ±ax( x, 0 ).
En el problema ( 2.2 ), ajuda a establir un compromís entre l'ajust de la solució f a les dades, quantificat per L, i la complexitat de la funció f, quantificada per últim f-K.
És immediat demostrar que no. 2 K = ∥w∥ 2, donde w = Pn i αiΦ(xi) y Φ es el mapeo definido en ( 2.1 ). A més, el problema ( 2.2 ) pot ser reformulat com:
n X
m ́ın w,b 1 n
i= 1 ( 1 −yi(wTΦ(xi) + b))+ + μ ∥w∥ 2. ( 2.4 )
El problema ( 2.4 ) és equivalent a resoldre el següent problema d'optimització dual Moguerza et al. ( 2006 ):
m ́ın β 1 2 βTQβ −eTβ
( 2.5 )
s.t. yTβ = 0,
0 ≤β ≤Ce,
donde β = (β1,..., βn)T, y = (y1,..., yn)T, 0 és un vector de zeros, i és un vector de
uns, Q és definit com n × n una matrix simètrica positiva amb Qi j = yiy jK( x j), i C = 1 2 - És una constant. Aquest problema és convex i quadràtic i a més cada mínim local també és un mínim global.
En nom de la simplicitat, s'ha definit g( \\) com el degradat de la funció objectiu del problema ( 2.5 ), esto es, g(β) = Qβ −e.
Un vector - és un punt estacionari de ( 2.5 ) si i només si hi ha un nombre d i dos vectors no negatius i, de manera que:
g(β) + dy = λ −μ,
λiβi = 0, i = 1... n,
( 2.6 )
μi(C −βi) = 0, i = 1... n,
λi, μi ≥ 0, i = 1... n.
Es pot mostrar, Chen et al. ( 2006 ), que un vector IFM com el 0 ≤βi ≤C satisface las condiciones ( 2.6 ) si i només si
−yig(β)i ≤d, ∀i ∈Iup(β),
−yig(β)i ≥d, ∀i ∈Ilow(β), ( 2.7 )
donde Iup(β) ≡{t | βt < C, yt = 1 or βt > 0, yt = − 1 }, and
Ilow(β) ≡{t | βt < C, yt = − 1 or βt > 0, yt = 1 }. ( 2.8 )
De ( 2.7 ), se sostiene que m(β) ≤M(β), donde:
m(β) ≡m ́ax i∈Iup(β) −yig(β)i,
M(β) ≡m ́ın i∈Ilow(β) −yig(β)i, ( 2.9 )
A la literatura de SVM, el problema (en anglès) 2.5 ) és resolt utilitzant els anomenats algorismes de tipus Optimització Mínima Seqüencial ( SMO ) ( Joachims, 1999; Platt, 1998 ). Aquests algorismes són essencialment mètodes quadràtics de tipus Newton que, per tal de fer que el problema sigui computacionalment tractable, consideren només un subconjunt de variables en cada iteració, l'anomenat conjunt de treball, en lloc de treballar amb tota la matriu Q.
Teorema 1. Deixar {k} ser una seqüència infinita generada per be the infinite sequence generated per un mètode de tipus SMO per al problema ( 2.5 ). Després, si Q és una matriu definida positiva, el punt límit d'{k} és el mínim únic i global del problema ( 2.5 ).
Demostració. Veure Chen et al. ( 2006 ). □
En conseqüència, es manté el següent corol·lari.
Corolari 1.1. Si {k} és una seqüència infinita, llavors els dos límits següents existeixen i són iguals: l'(l'\\ nm k) = l'\\ m k 2.10 )
Tenint en compte la definició dels conjunts Iup i Ilow de l'equació ( 2.8 ), i en particular de kòbils involucrats dins de cada conjunt (dins dels límits), per a k prou gran i una tolerància petita IFM > 0, se cumple la siguiente condición: m(βk) −M(βk) ≤ε, ( 2.11 )
Això és:
l ́ım k→∞
m(βk) −M(βk) = 0.
Sobre la base d'aquests resultats, els algorismes de tipus SMO implementen el si-
Mostra el criteri de detenció:
m(βk) −M(βk) ≤ε. ( 2.12 )
2.3 Processament de Llenguatge Natural
Processament de Llenguatge Natural, PLN, és un subàrea de la intel·ligència artificial que s'enfoca en la interacció entre ordinadors i humans, a través del llenguatge. Permet que les màquines entendre, interpretar i produir llenguatge natural. El desenvolupament d'aquest camp està sent dinàmic i evoluciona molt ràpid, generant avenços molt significatius en els últims anys, amb aplicacions en dominis diversos, com la traducció de llenguatges, l'anàlisi de sentiments i els interface orientats a la conversa Agarwal ( 2019 ).
PLNs, desenvolupa un ampli conjunt de tècniques i enfocaments, incloent la comprensió i generació del llenguatge natural, així com el processament de la parla. Aquestes tècniques solen utilitzar la capacitat de MLs i deep learning, així com altres tècniques de computació, per a l'anàlisi, la comprensió i la generació del llenguatge humà. Actualment PLNs mostra avenços molt significatius, un d'ells és la capacitat per entendre les estructures i significats de conjunts de dades en llenguatge natural, tècniques com l'anàlisi o parsing, l'etiquetat, l'anàlisi semàntica, són els mètode que permeten a un ordinador comportar-se gairebé com un humà des del punt de vista del llenguatge Young et al. ( 2017 ).
Deep Learnings (DLs) ha revolucionat el camp de PLNs, permetent la creació de models que aprenen les complexes representacions del llenguatge, de dades a gran escala. Moltes vegades les xarxes neuronals mostren un rendiment superior als altres mètodes, tasques com la traducció o la generació de text s'han tornat molt eficients amb aquest tipus de models Lan et al. ( 2024 ).
Entre els recents avenços en PLN es troba la introducció dels LLM, large language models, com SOFTWARE-TH-003 i GPT, que han demostrat una capacitat impressionant en una múltitud de tasques Yenduri et al. ( 2023 ). Aquests models pre-entrenats poden ser ajustats, mitjançant un procés de fie-tunnning, per a tasques específiques, elevant efectivament el ric coneixement del llenguatge adquirit durant el pre-entranament.
PLNs, continua en evolucionació, investigadors i usuaris estan enfrontant-se a diversos reptes, com la millora, robustesa i interpretabilitat dels models, tancant el forat entre la compressió i lageneració del llenguatge natural i explorant la in-
tegració amb altres camps, com l'aprenentatge multimodal i la representació del coneixement Khurana et al. ( 2022 ).
2.3.1 Identificació del gènere en textos
La classificació de gènere d'un text ha potenciat investigacions a l'àrea. Una de les aplicacions més freqüents és detectar el gènere de la persona que ha escrit un text Mukherjee i Bala ( 2017 ); Huang et al. ( 2014 ), autors de missatge de correu electrònic Corney et al. ( 2002 ), missatges de xat Kucukyilmaz et al. ( 2006 ) posts en webs Yan i Yan ( 2006 ), contribuents en projectes online col·laboratius Vasilescu et al. ( 2014 ); B. Lin i Serebrenik ( 2016 ); Terrell et al. ( 2017 ); M. Das et al. ( 2019 ) o la detecció del gènere de la retroalimentació d'usuaris en plataformes de CRM Lau et al. ( 2005 ); Amado et al. ( 2018 ). El perfilat dels textos d'autors s'ha realitzat sota múltiples idiomes Kocher i Savoy ( 2017 ); Fatima et al. ( 2017 ); López-Santillán et al. ( 2020 ), el que confirma els avantatges dels mètodes que es basen en el contingut. Altres enfocaments per a aquest resoldre aquest problema, podrien ser l'ús d'anàlisis de grafs Kretschmer i Aguillo ( 2005 ); Rangel i Rosso ( 2016 ) així com l'etiquetatge de Part Of Speech ( POS ) Fourkioti et al. ( 2019 ).
A Krüger i Hermann ( 2019 ), els autors examinen 215 treballs previs publicats entre 2017 y 2019 sobre la identificació del gènere dels autors. Segons aquesta revisió, el millor experiment en la literatura d'investigació prèvies revela una precisió del 93.4 % dels casos extrets en posts de SERVICE-005 Markov et al. ( 2017 ). Mereix la pena esmentar, que totes les publicacions de les investigacions considerades per aquesta enquesta, realitzen procediments estàndard de masxine learning per preparar l'entrada dels textos, incloent tokenalització i normalització del text Eisenstein (Eisenstein). 2019 ) ( com la lematització o el stemming ). Tal com vam explicar a secció 5.3, mitjançant aquest enfocament, introduïm canvis en els procediments estàndard per millorar el rendiment en la identificació del gènere com es suggereix en altres investigacions prèvies Uysal i Gunal ( 2014 ). En addició a l'anterior, una de les limitacions comunes d'altres estudis és que només considerar la indentifació binari (es profondrà en aquestes idees en la secció 5.4.4 ).
Segons Krüger i Hermann ( 2019 ), hi ha una gran variabilitat en la precisió de la identificació de gènere mitjançant diferents idiomes. Una mirada més profunda dels treballs previs en aquesta revisió revela que els experiments amb idiomes que proporcionen una rica informació sobre el gènere, com el Espanyol i el Portuguès, presenten un millor rendiment que l'anglès. En el nou mètode que es presenta, d'utilitat per SYSTEM-TH-001 Estem buscant confirmar si és possible utilitzar característiques específiques d'alguns idiomes amb el propòsit de realitzar identificació de gènere.
La identificació del gènere d'un text, això és, decidir el gènere d'una persona
Ha rebut comparativament un amenor atenció en estudis previs. No obstant això, hi ha aplicacions per a la publicitat adreçada Jansen et al. ( 2013 ), avaluant les diferències de gènere en mercats de treball online Foong et al. ( 2018 ) i el reconeixement d'entitats nomenades (NER ) Cho et al. ( 2013 ). En contrast amb enfocaments previs, predominantmnete basats en serveis de bases de dades Wais ( 2016 ); Santamaría i Mihaljevi ± c ( 2018 ), més recent per S. Das i Paik ( 2021 ), mostren la utilitat d'aplicar algorismes de masxine learning que analitzin informació contextual. La proposta per SYSTEM-TH-001 és combinar els algorismes de masxine learning amb la retenció d'elements morfològics que continguin informació sobre el gènere en alguns idiomes, per a una millora en el rendiment de l'etiquetatge d'una persona descrita en un text.
2.4 Sistemes de gestió del coneixement
Knowledge Management Systems, Knowledge Management Systems (KMSs), és una àrea amb un enfocament especialitzat, sovint integrat dins d'altres sistemes basats en el coneixement més amplis per a la gestió dels recursos de coneixement de l'organització Grace i Butler ( 2005 ). Aquests sistemes estan dissenyats per emmagatzemar, processar i utilitzar el coneixement necessari per a encanyar els objectius de l'organització Thampi ( 2008 ). Més específicament, els KMS, típicament són el refugi del coneixement de l'organització, mitjançant l'ús de repositoris com a bases de dades, data lakes i altres estructures, però a més permeten analitzar aquest coneixement emmagatzemat a la recerca de tendències, suportant el procés de presa de decisions de l'organització des d'un punt de vista estratègic Sensuse et al. ( 2018 ).
Una de les funcions clau dels KMS és incrementar l'efectivitat i eficiència de l'organització, en la superació dels reptes que sorgeixen del problema de proporcionar accés a coneixement rellevant, procés aconseguit a partiri de l'habilitat del sistema per generar múltiples nivles d'efectivid, que són millorats incrementalment tan aviat com s'integra nou coneixement adquirit Thampi ( 2008 ). KMSs té múltiples aplicacions a través de diversos dominis, incloent sistemes de gestió de documents i continguts, plataformes d'e-learning, xarxes de comunicació i sistemes de treball col·laboratiu Grace i Butler (en espanyol) 2005 ).
Per exemple, els gestors de documents i continguts s'enfocen a proporcionar a l'usuari accés en temps real als continguts emmagatzemats de l'organització, típicament organitzat per temàtiques. Aquests sistemes són implementats mitjançant estructures de metadades que faciliten la recuperació i navegació entre els continguts Sensuse et al. ( 2018 ). Els sistemes d'E-learning systems, s'enfocen en educar i formar als usuaris lliurant coneixement organitzat i estructurat
d'una manera amigable. Aquests sistemes estan dissenyats per millorar el procés d'aprenentatge, mitjançant l'estimulació del compromís de l'usuari, permetent l'adquisió de noves habilitats i capacitats i per útlim contribuint al desenvolupament en general del desenvolupament professional del capital humà de l'organització Grace i Butler ( 2005 ) Malingkas i Ce ( 2020 ). KMSs també han resurgit com un enfocament molt popular per a les organitzacions que busquen promoure la col·laboració, socialització i integració del seu equip humà C. K. Lee i Hawamdeh ( 2002 ). Aquests sistemes es poden trobar en múltiples dominis d'aplicació, entre ells, trobem sistemes de recomanació per a l'educació Thampi ( 2008 ), jocs educacionals Grace i Butler ( 2005 ) i aplicacions de realitat augmentada C. K. Lee i Hawamdeh ( 2002 ). També són integrats com a xarxes de comunicació, que serveixen com a plataforma per a la compartir i gestionar el coneixement Eiriemiokhale i Idiedo (Dan. 2020 )
Tanmateix, una implementació reeixida dels KMS i la seva integració amb processos d'aprenentatge intern i fins i tot compartir-los, pot ser complexa, atès que requereix considerar múltiples factors crítics per a l'èxit, com l'alineament del sistema amb els objectius estratègics, la interacció activa amb els empleats i l'establiment d'una cultura organitzacional de suport C. K. Lee i Hawamdeh ( 2002 ).
Un exemple de KMSs és el framework ” SYSTEM-TH-001 ”, que també és un gestor documental i de continguts que organitza la informació relacionades amb diverses activitats en el domini del turisme per facilitar la detecció de coneixement i la seva recuperació.
La implementació exítosa d'un KMS requereix un profund coneixement i comprensió dels factors socials i econòmics que poden influir en compartir coneixement en una organització, així com l'alineament estratègic amb els objectius d'aprenentatge i gestió del coneixement de la mateixa C. K. Lee i Hawamdeh ( 2002 ). A més, s'està posant el focus en la importància de la comprensió a nivell individual de les motivacions darrere de l'acció de compartir coneixement, els estudis actuals han identificat diversos factors que poden impactar l'èxit d'aquesta tecnologia, incloent les característiques dels usuaris, com la seva orientació a compartir coneixement, la seva confiança en el sistema, així com les dinàmiques de poder, però també sobre la naturalesa del coneixement compartit i el context de l'organització 2019 ). Per garantir una implementació efectiva dels KMS, les organitzacions han de considerar acuradament aquests factors crítics i desenvolupar estratègies que incrementin la cultura de suport, alinein el sistema amb els objectius estratègics i interaccionin amb els usuaris mitjançant activitats amb sentit de negoci H. Lin ( 2007 ).
2.4.1 Sistemes de Recomanació
Els sistemes de recomanació estan dissenyats per proporcionar suggeriments personalitzats als usuaris mitjançant la creació d'un perfil únic per a cada individu, en base a conjunt variat de paràmetres que reflecteixen els seus interessos, preferències i creences. Aquests perfils d'usuari amb fonamentals per permetre que els sistemes de recomanació s'adaptin i satisfacin la naturalesa dinàmica de les necessitats i preferències dels usuaris J. Peng i Xu ( 2022 )
El procés de construir els perfils d'usuari típicament comporta la recol·lecció de dades de diverses fonts, com ara la informació de registre, l'historial de navegació, l'historial de compres i la retroalimentació explícita proporcionada per l'usuari Aggarwal. 2016 ). Aquest conjunt de dades s'analitza per identificar patrons que permetin definir les prefereniques de l'usuari Hung i Huynh ( 2019 ). Atès que les preferències d'usuari poden canviar al llarg del temps, la construcció de perfils permet una millor adaptació a aquest canvi, generant millors recomanacions, el que genera una millor experiència d'ús de l'usuari Zhuhadar i Nasraoui (en anglès) 2010 ).
Els sistemes de recomanació poden implementar-se per a usar diferents mètodes de recomanació, per exemple, un enfocament en la recuperació de contingut rellevant o amb bona reputació Paudel et al. ( 2016 ). Mitjançant la consideració d'aquests diferents factors, aquests sistemes poden proporcionar als usuaris amb un conjunt divers de recomanacions que cobreixin els interessos i preferències dels usuaris Y. Peng ( 2022 )
El desenvolupament d'un perfilat d'usuaris adaptatiu i precís és per tant un component crític en el disseny efectiu de sistemes de recomanació, donat que permet a aquests sistemes adaptar-se i proporcionar suggeriments personalitzats arrenglerats amb les preferències dels usuaris Kanoje et al. ( 2015 )
Per aquests motius, la capacitat de crear i mantenir al llarg del temps un conjunt de perfils d'usuari, és una de les claus de l'èxit final d'un sistema de recomanació, perquè és la raó que permet proporcionar suggeriments eficients millorant amb això la satisfacció de l'usuari Paudel et al. ( 2016 ).
En el cas del framework SYSTEM-TH-001 és un sistema de recomanació que pot fer recomanacions a l'agent de viatges sobre els clients amb major propensió a la compra, per la qual cosa pot ser classificat com un sistema basat en la rellevància.
2.5 Agents intel·ligents
Els agents intel·ligents són entitats programari que poden interactuar amb el seu entorn i amb altres agents dins del mateix, intercanviant informació i mostrant comportaments que simulan la complexitat del món real S.-M. Lee i Pritchett ( 2008 ). Els agents intel·ligents, que tenen autonomia i capacitat per interactuar amb el seu entorn, poden desempeir eficientment tasques organitzatives per aconseguir llegi objectius definits Itaiwi et al. ( 2012 ).
La naturalesa dinàmica dels sistemes basats en agents, on als agents de les assigna de múltiples rols i responsabilitats, permet la simulació d'escenaris complexos que intenten modelitzar el món. Mitjançant el modelat d'agents basats en les característiques de la societat actual, els investigadors poden estudiar comportaments que apareixen amb la interacció entre els agents, el que ofereix un valuós coneixement de les propietats de sistemes complexos adaptatius Ahmed et al. ( 2005 )
Els agents intel·ligents, actualment concebuts en la forma de robots físics o xatbots, són una prometedora alternativa als assistents humans en tasques d'alt nivell, atès que posseeixen les capacitats de navegació autònoma a través d'entorns complexos i dinàmics i utilitzen el seu coneixement i capacitats de raonament per alcancitzar un conjunt de metes Z. Peng ( 2021 ). Aquests agents són proactius, autònoms i independents i es basen en el seu propi coneixement de regles predefinides per resoldre problemes Burgin i Dodig-Crnkovi'c 2009 ). La seva capacitat d'interacció pot ser utilitzada per resoldre problemes complexos o distribuir càrregues de treball amb un cert grau de coordinació Burgin i Dodig-Crnkovi vostre c ( 2009 ). El cicle de vida dels agents intel·ligents inclou complir amb un conjunt d'objectius mitjançant el coneixement disponible i la utilització d'un conjunt de conceptes associats ( 2.1 ) Burgin i Dodig-Crnkovi'c ( 2009 ). Aquests objectius poden ser independents fer oració a l’hora d’estar organitzats jeràrquica amb subobjectius que permeten completar metes d’alt nivell quan s’aconsegueixen. Els objectius estan lligats a tasques que executen els agents, tots dos, objectius i tasques són elements de l'estat mental dels agents, el que serveix per emmagatzemar regles i coneixement, que permeten l'execució de tasques i la consecució d'objectius Burgin i Dodig-Crnkovi c ( 2009 ).
L'organització en la forma de Sistemes Multi Agent MASs està oberta a la col·laboració, competició i negociació, mitjançant l'ús d'estàndards de tècniques de modelat i enginyeria del programari basat en agents Z. Peng ( 2021 ); Francis et al. ( 2023 ); Hallenborg ( 2009 ).
El model basat en agents, Agent-Based Modeling (ABM) Udin et al. ( 2021 ), i l'enginyeria del programari orientada a agents, Agent-Orented Software Enginee-
Figura 2.1: Principals conceptes de SOFTWARE-TH-001 per al desenvolupament de MASs.
ring (AOSE) Garro et al. ( 2018 ), són estendars en el domini que proporciona els elements i entitats la seva implementació. Alguns enfocaments ben coneguts que usen MASs per resoldre problemes complexos o simular entorns reals són, les simulacions del trànsit de carreteres Fernández-Isabel et al. ( 2020 ), els sistemes distribuïts de suport a la decisió González-Fernandez et al. ( 2020 ), sistemes d'aprenentatge màquina bio-inspirats Caps et al. ( 2020 ) i els videojocs J. Wang, Hong, et al. 2022 ).
MASs són usualment dissenyats usant artefactes específics i entitats pa-
a realitzar les diferents fases de desenvolupament de sistemes complexos. Això permet generar relacions i interaccions entre agents que són representats gràficament i després transformats automàticament a codi font. SOFTWARE-TH-001, GAIA, Prometheus, i Tropos són metodologies d'agents ben conegudes en el domini Siswahyudi et al. ( 2018 ).
Les plataformes d'agents, llibreries de codi font de determinats llenguatges de programació, són típicament la solució per a la implementació de MAS que han estat prèviament modelats. Exemples destacables en aquesta àrea són SOFTWARE-TH-004 (Java) Bergenti et al. ( 2020 ) i MESA ( Python ) Kazil et al. ( 2020 ).
Per al desenvolupament de SYSTEM-TH-001, la metodologia d'agents emprada ha estat INGE-NIAS, adaptant el model d'agent al framework MESA per a la seva implementació. El model d'agent és un model bio-inspirat distribuït basat en l'organització d'una colònia de formigues, per generar un MAS distribuït en múltiples formiguers que treballen junts o independent d'acord a la càrrega de treball del sistema.