El avance de la inteligencia artificial (IA) ha revolucionado múltiples sectores, y el turismo no es la excepción. La creciente digitalización del sector ha permitido la aplicación de técnicas avanzadas de IA para mejorar la experiencia del usuario, optimizar la gestión de servicios y facilitar la toma de decisiones estratégicas. En este contexto, el sistema SYSTEM-TH-001 se presenta como una solución innovadora que integra aprendizaje automático, sistemas de gestión del conocimiento y agentes inteligentes para mejorar la personalización y eficiencia en la industria turística.
El aprendizaje automático (Machine Learning, ML) es una de las tecnologías clave en este campo. Inspirado en el aprendizaje humano, ML permite la detección de patrones en grandes volúmenes de datos, facilitando predicciones y recomendaciones precisas. Modelos de clasificación como Máquinas de Soporte Vectorial (SVM) y redes neuronales han demostrado su eficacia en la personalización de ofertas y la segmentación de clientes en el sector turístico.
Además, los sistemas de gestión del conocimiento (Knowledge Management Systems, KMS) juegan un papel fundamental en la organización y recuperación eficiente de la información relevante. Estos sistemas permiten estructurar grandes volúmenes de datos y facilitar el acceso a conocimientos útiles para la toma de decisiones.
Por otro lado, los agentes inteligentes, diseñados bajo la metodología SOFTWARE-TH-001, permiten una interacción dinámica con el entorno y entre ellos mismos, ofreciendo soluciones automatizadas y adaptativas en SYSTEM-TH-001. Este enfoque bioinspirado facilita la optimización de tareas y la distribución eficiente de cargas de trabajo.
En conjunto, estas tecnologías convierten a SYSTEM-TH-001 en un sistema robusto y escalable que redefine la manera en que el turismo puede beneficiarse de la inteligencia artificial, mejorando la experiencia del usuario y optimizando la gestión de los recursos disponibles.
2.1 Introducción
En este capítulo, se exploran las técnicas de inteligencia artificial utilizadas en el sistema SYSTEM-TH-001, destacando el estado del arte en turismo cuando es posible. Se aborda el aprendizaje automático, comparando su similitud con el aprendizaje humano y su aplicación para identificar patrones en grandes volúmenes de datos, lo cual mejora la toma de decisiones. Los modelos de clasificación, como SVM y redes neuronales, se examinan en detalle. Además, se discuten los sistemas de gestión del conocimiento y recomendación, aplicados para optimizar la experiencia en turismo. También se abordan los agentes inteligentes, su capacidad para interactuar con el entorno y su implementación en SYSTEM-TH-001 mediante la metodología SOFTWARE-TH-001.
Se analizará el estado del arte en cada área, proporcionando un marco teórico y práctico que permitirá comprender la importancia y el impacto de la inteligencia artificial en la evolución del turismo digital.
2.2 Aprendizaje automático
El aprendizaje humano y el aprendizaje automático, aunque parecen distintos, comparten un conjunto de principios y procesos similares. Básicamente requieren de la adquisición e interiorización de la información, que desemboca en el desarrollo de habilidades, conocimiento y la capacidad de adaptarse a nuevas situaciones Langley (2022) Botvinick et al. (2017).
Desde una perspectiva filosófica, el aprendizaje humano va más allá de la mera adquisición de habilidades y conlleva la formación del carácter, el desarrollo ético y la capacidad de pensamiento crítico. Arístoteles, en su trabajo: "Ética de Nicomaco", examina la importancia del hábito y la práctica en el desarrollo de virtudes, concluyendo que el aprendizaje es un proceso contínuo que mejora y desarrollo personal J. Wang, Guo, y Chen (2022)
El aprendizaje automático, ML, podría entender como una extensión, actualmente complemento, del aprendizaje humano. En ML las máquinas aprenden, adquiriendo conocimiento y ciertas habilidades mediante programas informáticos, llamemoslos algoritmos para simplifcarlo, que permiten a la máquina aprender de forma incremental a lo largo del tiempo, mediante la práctica. ML es el área que en base a datos y modelos matemáticos, permite identificar patrones que mejorar la toma de decisiones basadas en datos Meltzoff et al. (2009).
Este paralelismo no es un decubrimiento reciente, de hecho uno de los pioneros en el campo de la inteligencia articicial, Alan Turing, ya reconoció el potencial de las
máquinas programables para aprender de la experiencia y mejorar el rendimiento en tareas expecíficas Naqa y Murphy (2015). Si profundizamos más en el conocimiento de la inteligencia artificial, podemos observar los grandes esfuerzos para desarrollar sistemas de aprendizaje que emulen o incluso superen a las habilidades cognitivas del aprendizaje humano Lake et al. (2016) Romero-Mendez et al. (2023).
Una de las características de ML más apreciadas hoy en día, es la capacidad para analizar grandes cantidades de datos a la búsqueda de patrones, habilidad muy alejada de la que disfrutamos los humanos Russell y Norvig (2010).
Esto hace que ML sea un avance muy significativo en el área de la inteligencia artificial, dado que permite a las máquinas aprender, de la forma en que se defina, para mejorar la adaptación a los cambios en el entorno. Esta capacidad ofrece el potencial de construir soluciones innovadores y eficientes a lo largo de un gran conjunto de áreas, incluyendo el turismo. Mediante el uso de ML el sector del turismo se puede beneficiar de procesos de análisis de datos mejorados, reconocimiento de patrones, recomendaciones personalizadas y procesamiento automático de tareas, lo que puede redundar en una mejor experiencia del cliente y una optimización de los procesos, con el consecuente incremento del rendimiento del negocio Afsahhosseini y Al-Mulla (2020)
El área de ML comprende tres tipos de enfoques de aprendizaje: supervisado, no supervisado y aprendizaje reforzado. En el aprendizaje supervisado, el modelo es entrenado con un conjunto de datos donde las entradas están ligadas a sus correspondientes valores de salida esperados, permitiendo al model aprender los patrones y relaciones existentes en los datos y consecuentemente aplicar dicho conocimiento para realizar predicciones sobre nuevos datos Liu y Wu (2012). En el no supervisado, se focaliza sobre el descubrimiento de patrones y relaciones en un conjunto de datos no etiquetado, esto es, sin el guíado de los valores de salida predefinidos Hinton y Sejnowski (1999). El aprendizaje reforzado, permite a los modelos interactuar con el entorno, recibiendo retroalimentación en la forma de recompensas o penalizaciones, para ajustar sus acciones para maximizar el retorno esperado François-Lavet et al. (2018)
El éxito de un modelo de ML se mide por su habilidad para resolver efectivamente un tarea concreta, como puden ser la clasificación, predicción y generación. Tareas que gozan de un alto valor añadido en todas las industrias, como puede ser el turismo, mediante la utilización de técnicas de análisis de datos, clasificación, reconocimiento de patrones, la predicción y finalmente la automatización de tareas, así como los sistemas de recomendación Kazak et al. (2020) Afsahhosseini y Al-Mulla (2020).
La realización de análisis de datos mediante ML, permite descubrir patrones y relaciones ocultas complejas en los datos, lo que facilita la toma de decisiones infor-
mada. Por ejemplo, mediante el reconocimiento de patrones y las técnicas de clasificación, permiten identificar muchas variables de las experiencia de un viaje, como pueden ser aquellas que proviene de las preferencias del cliente, la forma de comprar, así como las características de los servicios contratados Shafiee y Varjani (2016). Las técnicas de predicción utilizan los datos históricos de la empreas para predecir futuros comportamientos, lo que permite a la empresa mejorar su adaptación al cambio, respondiendo a los cambios en la demanda de servicios y precios, entre otros muchos factores Norbert (2011). Además mediante ML se pueden automatizar tareas y procesos de la empresa de una forma inteligente. Así mismo, los sistemas de recomendación que utilizan algoritmos de ML, proporcionar recomendaciones óptimas, lo que produce una mejorar en la experiencia y satisfacción del comprador Borràs et al. (2014).
Aunque el potencial de ML en el sector del turismo es significativo, es esencial al usarlo, considerar ciertas implicaciones éticas y de desarrollo sostenible de esta tecnología. Es necesario prestar atención a la privacidad de los datos, los sesgos algorítmicos y el impacto social de dichos sistemas para que el beneficio de esta tecnología este disponible de una forma sostenible y beneficiosa para todos los decisores Vesni ́c-Alujevi ́c et al. (2020).
2.2.1 Modelos de clasificación
Los modelos de clasificación son una categoría fundamental de algoritmos en el ámbito del aprendizaje automático y la estadística. Su objetivo principal es asignar una etiqueta o categoría a una observación, basada en un conjunto de características o variables predictoras. Estos modelos son ampliamente utilizados en diversas áreas, como la medicina, las finanzas, el marketing y la seguridad, debido a su capacidad para predecir y categorizar con precisión.
Principales Modelos de Clasificación
Existen múltiples modelos de clasificación, cada uno con sus ventajas y desventajas, dependiendo de la naturaleza del problema y los datos disponibles. Algunos de los más comunes incluyen:
Regresión Logística
La regresión logística es uno de los modelos más simples y efectivos para problemas de clasificación binaria. Calcula la probabilidad de que una observación pertenezca a una clase determinada utilizando una función sigmoide. Es particularmente útil cuando las relaciones entre las variables predictoras y la variable objetivo son lineales.
Máquinas de Soporte Vectorial (SVM)
Las SVM son modelos poderosos que buscan un hiperplano óptimo que separe las clases en el espacio de características. Utilizan "kernels"para manejar datos no lineales, lo que las hace versátiles y precisas en muchos contextos.
Support Vector Machines, SVM, ha resurgido como un algoritmo de machine learning poderoso y vérsatil para un conjunto variado de aplicaciones, desde el reconocimiento de imágenes y el procesamiento natural del lenguaje a predicción financiera y bioinformática. Se introdujeron allá por los años 90, siendo el resultado de su aplicación todo un éxito, debido ala gran variedad de problemas que puede analizar, incluso con mayor rendimiento que otras técnicas. La principal ventaja de los SVM es su capacidad para encontrar un óptimo hiperplano separadors que maximiza el margen entre clases, lo que genera una solución que involucra solo unos pocos vectores de soporte, una propiedad que simplifica su aplicación en problemas de larga escala Moguerza y Muñoz (2006).
En el dominio financiero, SVM ha demostrado su efectividad en la detección de fraude con tarjetas de crédito. Comparado con otros clasificadores, SVM puede resolver tanto problemas binarios de clasificación lineales y no lineales, identificando el hiperplano que mejor separa los datos de entrada C. Li et al. (2021). Por ejemplo, el uso de SVM en las técnicas de riesgo crediticio, ha mostrado una gran capacidad de adaptación, generando una solución global eficiente para la toma de deciciones en este problema S.-L. Li et al. (2006). Otros problemas en los que ha tenido éxito su aplicación ha sido los problemas de solvencia o incluso los estudios sobre criptomonedas Nazareth y Reddy (2023). La capacidad de los SVM para gestionar datos con una alta dimensionalidad y ruido, posiciona a esta técnica como una herramienta de alto valor en el entorno financiero, aunque así mismo su éxito también ha llegado a otras áreas como el reconocimiento de imágenes o problemas en seguridad ciudadana, entre otros muchos, lo que de muestras su gran versatilidad Moguerza y Muñoz (2006).
SVM ha demostrado ser una técnica altamente efectiva, aún así, la selección correcta de su función kernel y la apropiada selección de los hiperparámetros son cruciales para optimizar su rendimiento, como indica la literatura Bing-yu et al. (2009). En concreto dentro del proyecto SYSTEM-TH-001, se ha investigado este método como herramienta para la detección del género de un texto, funcionalidad aún no implementada pero que puede ser clave en el futuro del mismo, dado qué se puede explicar bien su comportamiento. El área de investigación de los SVM sigue en pleno desarrollo, por lo que podemos esperar nuevos avances y aplicaciones que lleven más lejos sus límites.
Árboles de Decisión
Los árboles de decisión son modelos intuitivos que clasifican las observaciones a través de una estructura jerárquica de decisiones. Son fáciles de interpretar y útiles para problemas con datos categóricos o numéricos. Cuando se combinan en bosques aleatorios (Random Forest), mejoran significativamente su precisión y robustez.
Redes Neuronales
Las redes neuronales son modelos inspirados en el cerebro humano, ideales para problemas complejos y no lineales. Utilizan múltiples capas de neuronas para aprender representaciones jerárquicas de los datos, lo que las hace altamente efectivas en clasificación de imágenes, procesamiento de lenguaje natural y más.
Evaluación de los Modelos
La eficacia de los modelos de clasificación se evalúa mediante métricas como la precisión, el recall, la F1-score y el área bajo la curva ROC (AUC-ROC). Además, es crucial evitar problemas como el sobreajuste, utilizando técnicas como la validación cruzada y la regularización.
2.2.2 Modelos de optimización
Los modelos de clasificación y optimización son una categoría fundamental de algoritmos en el ámbito del aprendizaje automático y la estadística. Su objetivo principal es asignar una etiqueta o categoría a una observación, basada en un conjunto de características o variables predictoras, al tiempo que buscan optimizar los parámetros del modelo para lograr un rendimiento óptimo. Estos modelos son ampliamente utilizados en diversas áreas, como la medicina, las finanzas, el marketing y la seguridad, debido a su capacidad para predecir y categorizar con precisión. Existen múltiples modelos que emplean técnicas de optimización para mejorar su rendimiento. Algunos de los más comunes incluyen las Máquinas de Soporte Vectorial (SVM), que son modelos poderosos que buscan un hiperplano óptimo que separe las clases en el espacio de características. La optimización en SVM se basa en maximizar el margen entre las clases, lo que garantiza una mejor generalización. Para manejar datos no lineales, las SVM utilizan "kernels", como el kernel gaussiano o el polinómico, que transforman los datos en espacios de mayor dimensión donde las clases sean separables. Por otro lado, la regresión logística es uno de los modelos más simples y efectivos para problemas de clasificación binaria. La optimización se realiza minimizando una función de costo basada en la entropía cruzada, utilizando métodos como el descenso de gradiente estocástico (SGD). Este enfoque asegura que los parámetros del modelo converjan hacia un óptimo global.
Los árboles de decisión son modelos jerárquicos que clasifican las observaciones a través de una serie de decisiones basadas en características específicas. La optimización en estos modelos implica seleccionar divisiones que minimicen métricas como la entropía o el índice Gini. En los bosques aleatorios, se optimiza el desempeño combinando múltiples árboles mediante técnicas de "bagging", reduciendo el riesgo de sobreajuste. Por su parte, las redes neuronales son modelos inspirados en el cerebro humano, ideales para problemas complejos y no lineales. Utilizan técnicas de optimización como el descenso de gradiente, el descenso de gradiente con momento y algoritmos avanzados como Adam. Estas técnicas ajustan los pesos de las conexiones entre las neuronas para minimizar la función de pérdida y mejorar el rendimiento. Además, modelos como Gradient Boosting, AdaBoost y XGBoost utilizan técnicas de optimización iterativa para ajustar modelos simples, como árboles de decisión, en secuencia. Cada iteración corrige los errores del modelo anterior, minimizando una función de pérdida acumulativa.
Optimización de Support Vector Machines
SVM son algoritmos cuyo rendimiento se basa en el uso de kernels. Un kernel K(x, y) es una función de valor real K : X × X →R que actúa como un producto escalar en un espacio vectorial real Z. Para ello, existe una función:
Φ : X →Z, (2.1)
de tal manera que K(x, y) = Φ(x)TΦ(y). X y Z son, respectivamente, conocidos como espacios de entrada y de características.
SVM pertenece al tipo de algoritmos basados en la teoría de regularización Moguerza et al. (2006). Estos métodos permiten la construcción de funciones de clasificación para resolver una problema de optimización en la forma Tikhonov y Arsenin (1977):
n X
m ́ın f∈HK 1 n
i=1 L(yi, f(xi)) + μ ∥f∥2 K , (2.2)
donde μ > 0; HK denota el espacio de Hilbert del kernel de reproducción (RKHS) asociado con el kernel K; ∥f∥K es la norma de f en el RKHS; xi son los n puntos de datos muestreados; yi ∈{−1, +1} indica las dos clases posibles de xi; y, finalmente, L(yi, f(xi)) es una función de error. En este contexto, f(x) = 0 es una superficie de decisión en HK. El enfoque típico de SVM utiliza la función de error específica L, llamada pérdida de bisagra (hinge loss), definida como:
L(yi, f(xi)) = (1 −yi f(xi))+, (2.3)
with (x)+ = m ́ax(x, 0).
En el problema (2.2), μ ayuda a establecer un compromiso entre el ajuste de la solución f a los datos, cuantificado por L, y la complejidad de la función f, cuantificada por ∥f∥K.
Es inmediato demostrar que ∥f∥2 K = ∥w∥2, donde w = Pn i αiΦ(xi) y Φ es el mapeo definido en (2.1). Además, el problema (2.2) puede ser reformulado como:
n X
m ́ın w,b 1 n
i=1 (1 −yi(wTΦ(xi) + b))+ + μ ∥w∥2 . (2.4)
El problema (2.4) es equivalente a resolver el siguiente problema de optimización dual Moguerza et al. (2006):
m ́ın β 1 2βTQβ −eTβ
(2.5)
s.t. yTβ = 0,
0 ≤β ≤Ce,
donde β = (β1, . . . , βn)T, y = (y1, . . . , yn)T, 0 es un vector de ceros, e es un vector de
unos, Q es definido como n × n una matrix simétrica positiva con Qi j = yiy jK(xi, x j), y C = 1 2μn es una constante. Este problema es convexo y cuadrático y además cada mínimo local también es un mínimo global.
En aras de la simplicidad, se define g(β) como el gradiente de la función objetivo del problema (2.5), esto es, g(β) = Qβ −e.
Un vector β es un punto estacionario de (2.5) si y solo si hay un número d y dos vectores no negativos λ y μ, de tal 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.
Se puede mostrar, Chen et al. (2006), que un vector β como el 0 ≤βi ≤C satisface las condiciones (2.6) si y solo 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)
En la literatura de SVM, el problema (2.5) es resuelto utilizando los denominados algoritmos de tipo Optimización Mínima Secuencial (SMO) (Joachims, 1999; Platt, 1998). Estos algoritmos son esencialmente métodos cuadráticos de tipo Newton que, con el fin de hacer que el problema sea computacionalmente tratable, consideran solo un subconjunto de variables en cada iteración, el llamado conjunto de trabajo, en lugar de trabajar con toda la matriz Q.
Teorema 1. Dejar {βk} ser una secuencia infinita generada por be the infinite sequence generated por un método de tipo SMO para el problema (2.5). Luego, si Q es una matriz definida positiva, el punto límite de {βk} es el mínimo único y global del problema (2.5).
Demostración. Ver Chen et al. (2006). □
En consecuencia, se mantiene el siguiente corolario.
Corolario 1.1. Si {βk} es una secuencia infinita, entonces los dos límites siguientes existen y son iguales: l ́ım k→∞m(βk) = l ́ım k→∞M(βk) (2.10)
Teniendo en cuenta la definición de los conjuntos Iup y Ilow de la ecuación (2.8), y en particular de βk involucrados dentro de cada conjunto (dentro de los límites), para k lo suficientemente grande y una tolerancia pequeña ε > 0, se cumple la siguiente condición: m(βk) −M(βk) ≤ε, (2.11)
esto es:
l ́ım k→∞
m(βk) −M(βk) = 0.
Sobre la base de estos resultados, los algoritmos de tipo SMO implementan el si-
guiente criterio de detención:
m(βk) −M(βk) ≤ε. (2.12)
2.3 Procesamiento de Lenguaje Natural
Procesamiento de Lenguaje Natural, PLNs, es un subárea de la inteligencia artificial que se enfoca en la interacción entre ordenadores y humanos, a través del lenguaje. Permite que las máquinas comprender, interpretar y producir lenguaje natural. El desarrollo de este campo está siendo dinámico y evoluciona muy rápido, generando avances muy significativos en los últimos años, con aplicaciones en dominios diversos, como la traducción de lenguajes, el análisis de sentimientos y los interface orientados a la conversación Agarwal (2019).
PLNs, desarrolla un amplio conjunto de técnicas y enfoques, incluyendo la comprensión y generación del lenguaje natural, así como el procesamiento del habla. Dichas técnicas suelen utilizar la capacidad de MLs y deep learning, así como otras técnicas de computación, para el análisis, la comprensión y la generación del lenguaje humano. Actualmente PLNs muestra avances muy significativos, uno de ellos es la capacidad para entender las estructuras y significados de conjuntos de datos en lenguaje natural, técnicas como el análisis o parsing, el etiquetado, el análisis semántico, son los método que permiten a un ordenador comportarse casi como un humano desde el punto de vista del lenguaje Young et al. (2017).
Deep Learnings (DLs) ha revolucionado el campo de PLNs, permitiendo la creación de modelos que aprenden las complejas representaciones del lenguaje, de datos a gran escala. Muchas veces las redes neuronales muestran un rendimiento superior a otros métodos, tareas como la traducción o la generación de texto se han vuelto muy eficientes con este tipo de modelos Lan et al. (2024).
Entre los recientes avances en PLNs se encuentra la introducción de los LLM, large language models, como SOFTWARE-TH-003 y GPT, que han demostrado una capacidad impresionante en una múltitud de tareas Yenduri et al. (2023). Estos modelos pre-entrenados pueden ser ajustados, mediante un proceso de fine-tunnning, para tareas específicas, elevando efectivamente el rico conocimiento del lenguaje adquirido durante el pre-entranamiento.
PLNs, continúa en evoluicón, investigadores y usuarios están enfrentándose a varios retos, como la mejora, robustez e interpretabilidad de los modelos, cerrando el agujero entre la compresión y lageneración del lenguaje natural y explorando la in-
tegración con otros campos, como el aprendizaje multimodal y la representación del conocimiento Khurana et al. (2022).
2.3.1 Identificación del género en textos
La clasificación de género de un texto ha potenciado investigaciones en el área. Una de las aplicaciones más frecuentes es detectar el género de la persona que ha escrito un texto Mukherjee y Bala (2017); Huang et al. (2014), autores de mensaje de e-mail Corney et al. (2002), mensajes de chat Kucukyilmaz et al. (2006) posts en webs Yan y Yan (2006), contribuyentes en proyectos online colaborativos Vasilescu et al. (2014); B. Lin y Serebrenik (2016); Terrell et al. (2017); M. Das et al. (2019) o la detección del género de la retroalimentación de usuarios en plataformas de CRM Lau et al. (2005); Amado et al. (2018). El perfilado de los textos de autores se ha realizado bajo múltiples idiomas Kocher y Savoy (2017); Fatima et al. (2017); López-Santillán et al. (2020), lo que confirma las ventajas de los métodos que se basan en el contenido. Otros enfoques para este resolver este problema, podrían ser el uso de análisis de grafos Kretschmer y Aguillo (2005); Rangel y Rosso (2016) así como el etiquetado de Part Of Speech (POS)Fourkioti et al. (2019).
En Krüger y Hermann (2019), los autores examinan 215 trabajos previos publicados entre 2017 y 2019 sobre la identificación del género de los autores. De acuerdo a esta revisión, el mejor experimento en la literatura de investigaciones previas revela una precisión del 93.4 % de los casos extraídos en posts de SERVICE-005 Markov et al. (2017). Merece la pena mencionar, que todas las publicaciones de las investigaciones consideradas por esta encuesta, realizan procedimientos estándar de machine learning para preparar la entrada de los textos, incluyendo tokenalización y normalización del texto Eisenstein (2019) (como la lematización o el stemming). Tal y como explicamos en a sección 5.3, mediante este enfoque, introducimos cambios en los procedimientoss estándar para mejorar el rendimiento en la identificación del género como se sugiere en otras investigaciones previas Uysal y Gunal (2014). En adición a lo anterior, un de las limitaciones comunes de otros estudios es que solo considerar la indentifación binari (se profundiará en estas ideas en la sección 5.4.4).
Según Krüger y Hermann (2019), hay una gran variabilidad en la precisión de la identificación de género mediante diferentes idiomas. Un mirada más profunda de los trabajos previos en esta revisión revela que los experimentos con idiomas que proporcionan una rica información sobre el genero, como el Español y el Portugués, presentan un mejor rendimiento que el Inglés. En el nuevo método que se presenta, de utilidad para SYSTEM-TH-001, buscamos confirmar si es posible utilizar características específicas de algunos idiomas con el propósito de realizar identificación de género.
La identificación del género de un texto, esto es, decidir el género de una persona
descrita en un texto, ha recibido comparativamente un amenor atención en estudios previos. No obstante, hay aplicaciones para la publicidad dirigida Jansen et al. (2013), evaluando las diferencias de género en mercados de trabajo online Foong et al. (2018) y el reconocimiento de entidades nombradas (NER) Cho et al. (2013). En contraste con enfoques previos, predominantemnete basados en servicios de bases de datos Wais (2016); Santamaría y Mihaljevi ́c (2018), más reciente por S. Das y Paik (2021), muestran la utilidad de aplicar algoritmos de machine learning que analicen información contextual. La propuesta para SYSTEM-TH-001 es combinar los algoritmos de machine learning con la retención de elementos morfológicos que contengan información sobre el género en algunos idiomas, para una mejora en el rendimiento del etiquetado de una persona descrita en un texto.
2.4 Sistemas de gestión del conocimiento
Knowledge Management Systems, Knowledge Management Systems (KMSs), es un área con un enfoque especializado, a menudo integrado dentro de otros sistemas basados en el conocimiento más amplios para la gestión de los recursos de conocimiento de la organización Grace y Butler (2005). Estos sistemas están diseñados para almacenar, procesar y utilizar el conocimiento necesario para alacanzar los objetivos de la organización Thampi (2008). Más específicamente, los KMSs, típicamente son el refugio del conocimiento de la organización, mediante el uso de repositorios como bases de datos, data lakes y otras estructuras, pero además permiten analizar este conocimiento almacenado a la búsqueda de tendencias, soportando el proceso de toma de decisiones de la organización desde un punto de vista estratégico Sensuse et al. (2018).
Una de las funciones clave de los KMSs es incrementar la efectividad y eficiencia de la organización, en la superación de los retos que surgen del problema de proporcionar acceso a conocimiento relevante, proceso conseguido a partiri de la habilidad del sistema para generar múltiples nivles de efectividd, que son mejorados incrementalmente tan pronto como se integra nuevo conocimiento adquirido Thampi (2008). KMSs tiene múltiples aplicaciones a través de varios dominios, incluyendo sistemas de gestión de documentos y contenidos, plataformas de e-learning, redes de comunicación y sistemas de trabajo colaborativo Grace y Butler (2005).
Por ejemplo, los gestores de documentos y contenidos se enfocan en proporcionar al usuario acceso en tiempo real a los contenidos almacenados de la organización, típicamente organizado por temáticas. Estos sistemas son implementados mediante estructuras de metadatos que facilitan la recuperación y navegación entre los contenidos Sensuse et al. (2018). Los sistemas de E-learning systems, se enfocan en educar y formar a los usuarios entregando conocimiento organizado y estructurado
de una forma amigable. Estos sistemas están diseñaos para mejorar el proceso de aprendizaje, mediante la estimulación del compromiso del usuario, permitiendo la adquisión de nuevas habilidades y capacidades y por útlimo contribuyendo al desarrollo en general del desarrollo profesional del capital humano de la organización Grace y Butler (2005) Malingkas y Ce (2020). KMSs también han resurgido como un enfoque muy popular para las organizaciones que buscan promover la colaboración, socialización e integración de su equipo humano C. K. Lee y Hawamdeh (2002). Estos sistemas se pueden encontrar en múltiples dominios de aplicación, entre ellos, encontramos sistemas de recomendación para la educación Thampi (2008), juegos educacionales Grace y Butler (2005) y aplicaciones de realidad aumentada C. K. Lee y Hawamdeh (2002). También son integrados como redes de comunicación, que sirven como plataforma para la compartir y gestionar el conocimiento Eiriemiokhale y Idiedo (2020)
Sin embargo, una implementación exitosa de los KMSs y su integración con procesos de aprendizaje interno e incluso compartir el mismos, puede ser compleja, dado que requiere considerar múltiples factores críticos para el éxito, como el alineamiento del sistema con los objetivos estratégicos, la interacción activa con los empleados y el establecimiento de una cultura organizacional de soporte C. K. Lee y Hawamdeh (2002).
Uno ejemplo de KMSs es el framework ’SYSTEM-TH-001’, que también es un gestor documental y de contenidos que organiza la información relacionadas con varias actividades en el dominio del turismo para facilitar la deteccción de conocimiento y su recuperación.
La implementación exítosa de un KMSs requiere de un profundo conocimiento y comprensión de los factores sociales y económicos que pueden influenciar al compartir conocimiento en una organización, así como el alineamiento estratégico con los objetivos de aprendizaje y gestión del conocimiento de la misma C. K. Lee y Hawamdeh (2002). Además, se está poniendo el foco en la importancia de la comprensión a nivel individual de las motivaciones detrás de la acción de compartir conocimiento, los estudios actuales han identificado varios factores que pueden impactar n el éxito de esta tecnología, incluyendo las características de los usuarios, como su orientación a compartir conocimiento, su confianza en el sistema, así como las dinámicas de poder, pero también sobre la naturaleza del conocimiento compartido y el contexto de la organización Njiraine (2019). Para garantizar una efectiva implementación de los KMSs, las organizaciones deben considerar cuidadosamente estos factores críticos y desarrollar estrategias que incrementen la cultura de soporte, alineen el sistema con los objetivos estratégicos e interaccionen con los usuarios mediante actividades con sentido de negocio H. Lin (2007).
2.4.1 Sistemas de Recomendación
Los sistemas de recomendación están diseñados para proporcionar sugerencias personalizadas a los usuarios mediante la creación de un perfil único para cada individuo, en base a conjunto variado de de parametros que reflejan sus intereses, preferencias y creencias. Estos perfiles de usuario con fundamentales para permitir que los sistemas de recomendación se adapten y satisfagan la naturaleza dinámica de las necesidades y preferencias de los usuarios J. Peng y Xu (2022)
El proceso de construir los perfiles de usuario típicamente conlleva la recolección de datos de varias fuentes, como por ejemplo la información de registro, el historial de navegación, el historial de compras y retroalimentación explícita proporcionada por el usuario Aggarwal (2016). Este conjunto de datos se analiza para identificar patrones que permitan definir las preferenicas del usuario Hung y Huynh (2019). Dado que las preferencias de usuario pueden cambiar a lo largo del tiempo, la construcción de perfiles permite una mejor adaptación a dicho cambio, generando mejores recomendaciones, lo que genera una mejor experiencia de uso del usuario Zhuhadar y Nasraoui (2010).
Los sistemas de recomendación pueden implementarse para utilizar diferentes métodos de recomendación, por ejemplo, un enfoque en la recuperación de contenido relevante o con buena reputación Paudel et al. (2016). Mediante la consideración de estos diferentes factores, estos sistemas pueden proporcionar a los usuarios con un conjunto diverso de recomendaciones que cubran los intereses y preferencias de los usuarios Y. Peng (2022)
El desarrollo de un perfilado de usuarios adaptativo y preciso es por tanto un componente crítico en el diseño efectivo de sistemas de recomendación, dado que permite a estos sistemas adaptarse y proporcionar sugerencias personalizadas alineadas con las preferencias de los usuarios Kanoje et al. (2015)
Por estos motivos, la capacidad de crear y mantener a lo largo del tiempo un conjunto de perfiles de usuario, es una de las claves del éxito final de un sistema de recomendación, porque es la razón que permite proporcionar sugerencias eficientes mejorando con ello la satisfacción del usuario Paudel et al. (2016).
En el caso del framework SYSTEM-TH-001 es un sistema de recomendación que puede hacer recomendaciones al agente de viajes sobre los clientes con mayor propensión a la compra, por lo que puede ser clasificado como un sistema basado en la relevancia.
2.5 Agentes inteligentes
Los agentes inteligentes son entidades software que pueden interactuar con su entorno y con otros agentes dentro del mismo, intercambiando información y mostrando comportamientos que simulan la complejidad del mundo real S.-M. Lee y Pritchett (2008). Los agentes inteligentes, que tienen autonomía y capacidad para interactuar con su entorno, pueden desempeár eficientemente tareas organizativas para conseguir loe objetivos definidos Itaiwi et al. (2012).
La naturaleza dinámica de los sistemas basados en agentes, donde a los agentes de les asigna de múltiples roles y responsabilidades, permite la simulación de escenarios complejos que intentan modelizar el mundo. Mediante el modelado de agentes basados en las características de la sociedad actual, los investigadores pueden estudiar comportamientos que aparecen con la interacción entre los agentes, lo que ofrece un valioso conocimiento de las propiedades de sistemas complejos adaptativos Ahmed et al. (2005)
Los agentes inteligentes, actualmente concebidos en la forma de robots físicos o chatbots, son una prometedora alternativa a los asistentes humanos en tareas de alto nivel, dado que poseen las capacidades de navegación autónoma a través de entornos complejos y dinámicos y utilizan su conocimiento y capacidades de razonamiento para alcanczar un conjunto de metas Z. Peng (2021). Estos agentes son proactivos, autónomos e independientes y se basan en su propio conocimiento de reglas predefinidas para resolver problemas Burgin y Dodig-Crnkovi ́c (2009). Su capacidad de interacción puede ser utilizada para resolver problemas complejos o distribuir cargas de trabajo con un cierto grado de coordinación Burgin y Dodig-Crnkovi ́c (2009). El ciclo de vida de los agentes inteligentes, incluye cumplir con un conjunto de objetivos mediante el conocimiento disponible y la utilización de un conjunto de conceptos asociados (2.1) Burgin y Dodig-Crnkovi ́c (2009). Estos objetivos puede ser independientes or estar organizados jerárquicamene con subojetivos que permiten completar metas de alto nivel cuando se consiguen. Los objetivos está ligados a tareas que ejecutan los agentes, ambos, objetivos y tareas son elementos del estado mental de los agentes, lo que sirve para almacenar reglas y conocimiento, que permiten la ejecución de tareas y la consecución de objetivos Burgin y Dodig-Crnkovi ́c (2009).
La organización en la forma de Sistemas Multi Agente MASs está abierta a la colaboración, competición y negociación, mediante el uso de standards de técnicas de modelado e ingeniería del software basado en agentes Z. Peng (2021); Francis et al. (2023); Hallenborg (2009).
El modelado basado en agentes, Agent-Based Modeling (ABM) Uddin et al. (2021), y la ingeniería del software orientada a agentes, Agent-Oriented Software Enginee-
Figura 2.1: Principales conceptos de SOFTWARE-TH-001 para el desarrollo de MASs.
ring (AOSE) Garro et al. (2018), son estandares en el dominio que proporciona los elementos y entidades su implementación. Algunos enfoques bien conocidos que usan MASs para resolver problemas complejos o simular entornos reales son, las simulaciones del tráfico de carreteras Fernández-Isabel et al. (2020), los sistemas distribuidos de soporte a la decisión González-Fernández et al. (2020), sistemas de aprendizaje máquina bio-inspirados Cabezas et al. (2020), y los videojuegos J. Wang, Hong, et al. (2022).
MASs son usualmente diseñados usando artefactos específicos y entidades pa-
ra realizar las diferentes fases de desarrollo de sistemas complejos. Esto permite generar relaciones e interacciones entre agentes que son representados gráficamente y después transformados automáticamente a código fuente. SOFTWARE-TH-001, GAIA, Prometheus, y Tropos son metodologías de agentes bien conocidas en el dominio Siswahyudi et al. (2018).
Las plataformas de agentes, librerías de código fuente de determinados lenguajes de programación, son típicamente la solución para la implementación de MAS que han sido previamente modelados. Ejemplos destacables en este área son SOFTWARE-TH-004 (Java) Bergenti et al. (2020) y MESA (Python)Kazil et al. (2020).
Para el desarrollo de SYSTEM-TH-001, la metodología de agentes usada ha sido INGE- NIAS, adaptando el modelo de agente al framework MESA para su implementación. El modelo de agente es una modelo bio-inspirado distribuido basado en la organización de una colonia de hormigas, para generar un MAS distribuido en múltiples hormigueros que trabajan juntos o independiente de acuerdo a la carga de trabajo del sistema.