De la inteligencia de negocio a la inteligencia artificial

Esta tesis doctoral es un claro ejemplo de un proceso de transformación digital de una pyme a través del uso de nuevas tecnologías, en concreto durante el proyecto se ha implementado la migración de la gestión basada en procesos de inteligencia de negocio hacia la automatización guiada por procesos de inteligencia artificial. Una tarea realmente compleja, dado que cualquier cambio en los procesos habituales de una empresa normalmente produce un rechazo interno entre los trabajadores, difícil de superar sin un apoyo firme de la dirección al proyecto. Todas las empresas hoy en día, están sujetas a una constante lucha contra el cambio, a lo largo de sus procesos, clientes e incluso sus líneas de negocio. Las empresas que no sean capaces de adaptarse a los cambios, están condenadas a sufrir, incluyendo su posible desaparición. Una buena capacidad de adaptación al cambio sin duda es una garantía de supervivencia en nuestro mundo actual.

Este proyecto nació en una empresa española concreta, COMPANY-002, conocida comercialmente como COMPANY-002. Una pequeña agencia de viajes de nicho, que sin duda se enfrentaba a su futuro con valentía mediante la innovación tecnológica. En el momento en que nació el proyecto, la empresa vivía un momento dulce, en el cuál tan solo era necesario implementar procesos analíticos mediante el uso de técnicas de inteligencia de negocio, básicamente la generación de informes analíticos para sustentar la toma de decisiones. La pandemia vivida, supuso un gran reto y un claro acelerador del proyecto, resultaba necesario adaptar el negocio a una nueva situación de una gran inestabilidad, en todos los sentidos. Actualmente la empresa, es guiada por procesos automáticos de inteligencia artificial, que en concreto permiten optimizar el proceso de venta, mejorando la detección y el adecuado tratamiento de aquellos clientes que son más propensos a la compra. Podemos decir que COMPANY-002 ha comprendido que una buena adaptación al cambio es la clave de la supervivencia hoy en día.

Estos nuevos procesos analíticos de inteligencia artificial han sido desplegados, en el entorno de producción, sobre un nuevo sistema de gestión llamado SYSTEM-TH-001. Este sistema, mezcla funcionalidades de un ERP y CRM tradicionales, que permiten la gestión completa de los clientes durante todo su ciclo de vida en la empresa, apro-

vechando la inteligencia generada por los modelos analíticos y su puesta a disposición de los empleados para optimizar la toma de decisiones. Hoy en día, la empresa es más fuerte, más eficiente y goza de una gran capacidad de resiliencia, estos son algunos de los valores que nos han guíado en la implementación a medida, de la inteligencia artificial. Ahora los clientes y trabajadores pueden disfrutar de un conjunto de servicios, más amables, en definitiva, más humanos y el tiempo ahorrado de los trabajadores mediante la automatización, se ha destinado a otras tareas de mayor valor añadido.

Según el informe: Uso de inteligencia artificial y big data en las empresas españolas del ORG-TH-002, ORG-TH-003, ORG-TH-004, ORG-TH-005) de 2023, la inteligencia artificial ha experimentado un aumento significativo en las empresas hasta el 11,8 %, 3,5 puntos porcentuales más que el año anterior, así mismo las empresas que usan big data han crecido hasta alcanzar el 13,9 %, con un incremento de 2,8 puntos respecto al anterior ejercicio. Madrid, Comunidad Valenciana y Aragón son las comunidades donde más empresas usan IA, con porcentajes del 16,8 %, 14 % y 12,7 %, respectivamente. Madrid es la comunidad líder también en la lista de uso de big data (17 %), junto a Cataluña y La Rioja, con un 16,1 % en ambos casos.

La inteligencia artificial (IA) es uno de los ejes estratégicos de la agenda PROGRAM-TH-001, debido a su gran potencial para transformar la economía y la sociedad. La IA permite mejorar las predicciones, agilizar las operaciones y personalizar los servicios. En los últimos años, se ha producido un avance en la adopción de IA por parte de las empresas españolas. Pese a ello, aún existe margen para la implantación y desarrollo de esta tecnología. El big data es otra de las herramientas cuya adopción por parte de las empresas resulta clave para la digitalización de la economía española. Para 2030, la ORGANIZATION-004 ha marcado el objetivo de que el 75 % de las empresas europeas hayan adoptado servicios de computación en nube, macrodatos e inteligencia artificial. Por su parte, la estrategia PROGRAM-TH-001 fija la meta de que para 2025 el 25 % de las empresas españolas usen inteligencia artificial y big data. El uso de big data e inteligencia artificial en las empresas españolas sigue aumentando año a año, aproximándose a las metas fijadas en PROGRAM-TH-001. En comparación con el resto de los Estados miembros de la ORGANIZATION-004, y utilizando datos de 2021 armonizados a nivel comunitario, España se situaba el año pasado en un nivel medio de adopción de IA por parte de las empresas. Se igualaba así a la media de la ORGANIZATION-004, pero muy por debajo de los países líderes en este indicador. España, con un 8 %, aún estaba lejos de Dinamarca (24 %), Portugal (17 %) y Finlandia (16 %). En cuanto al Big Data, la comparativa con datos europeos del año 2021 muestra que España está cinco puntos por debajo de la media de la ORGANIZATION-004, con un 9 % de empresas que utilizan el análisis de big data. Más acentuada es la distancia respecto a los países con mayor

aplicación de esta tecnología, caso de Malta (31 %), Países Bajos (27 %) o Dinamarca (27 %). Dados estos datos, es fácil observar lo ya comentado anteriormente, en este proyecto la dificultad no radicaba solo en la implementación de nuevas tecnologías, si no en la gestión del cambio. Mencionar, que desde la aceptación desde la Dirección del proyecto, el mismo ha tenido que superar múltiples dificultades inherentes al uso de esta nueva tecnología, así como procedentes del desconocimiento técnico del mismo por parte de los usuarios finales, nada que un buen programa de formación no pueda solucionar. El objetivo del proyecto era construir modelos analíticos que ayudasen a predecir el comportamiento de los clientes, basados en los datos históricos almacenados de la empresa, a lo largo de esta tesis veremos algunos de ellos, así como el resultado que ha tenido la implementación en producción de los mismos. Los resultados obtenidos con el tiempo han sido la mejor forma de demostrar que la tecnología resulta de gran utilidad también en una pyme, tanto para la dirección como para los trabajadores.

A lo largo de este documento realizaremos, con COMPANY-002, un viaje a través de un proceso de transformación digital mediante el uso de los datos. Nuestro punto de partida será una base de datos relacional de la operativa de la empresa y un conjunto de informes operativos de inteligencia de negocio, que sin duda permitían vislumbrar el éxito de un proyecto de automatización de inteligencia artificial. Nuestra primera parada serán las técnicas de machine learning, mediante las cuales hemos generado nuestro primer modelo de propensión a la compra y que nos permitirá comprender mejor las relaciones entre las diferentes variables de nuestro conjunto de datos. Posteriormente recalaremos en las técnicas de deep learning sobre textos no estructurados, mensajes de los clientes, que nos permitirá crear un nuevo modelo, con una funcionalidad y capacidad de transformación increíbles. La siguiente parada será la creación de un modelo de Natural Language Processing, que servirá para afinar aún más nuestra modelización de la propensión a la compra, así como servir de base para futuros desarrollos, como podría ser el agente de viajes virtual. Por último demostraremos, cómo técnicas avanzadas de machine learning, como Support Vector Machines, nos pueden ayudar en problemas de clasificación, en concreto crearemos un modelo para detectar el género del autor de un texto. Puede observarse claramente, que este viaje analítico con COMPANY-002, a pesar de haber sido duro por la múltitud de etapas, ha sido sin duda una grata experiencia.

En el proyecto solo se han usado tecnologías libres, esto demuestra el alto grado de soberanía digital, de la empresa y del autor de este documento en su rol pasado de CIO de la misma. Esta soberanía se ha logrado con independencia de los proveedores de tecnología privativa. Además, para una pyme, lo que es más importante, el uso de software libre, ha permitido la reducción drástica de los costes asociados al proyecto, haciendo interesante el mismo para cualquier tipo de negocio independientemente de su tamaño. Tal es el éxito del proyecto, que el autor de esta tesis ha

creado un proyecto empresarial, para lanzar comercialmente tanto la metodología como las tecnologías de inteligencia artificial empleadas para la resolución de este y otros problemas de negocio.

Por último, aunque no menos importante, esta tesis doctoral, ha servido al autor para empoderarse tecnológicamente en la implementación de las últimas técnicas de inteligencia artificial y convertirse en un experto de las mismas. Desde el inicio del proyecto, su carrera profesional ha experimentado otro proceso de transformación Moreno-Izquierdo (2024), demostrando de esta forma que estas tecnologías no solo van a cambiar la actividad de las organizaciones, sino también la actividad de las propias personas que las conforman, obviamente, siempre y cuando estén listas para aceptar el cambio.

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]