Adimen artifizialaren aurrerapenak (IA) hainbat sektore irauli ditu, eta turismoa ez da salbuespena. Sektorearen digitalizazio gero eta handiagoari esker, AA teknika aurreratuak aplikatu dira erabiltzailearen esperientzia hobetzeko, zerbitzuen kudeaketa optimizatzeko eta erabaki estrategikoak hartzeko. Testuinguru honetan, sistema SYSTEM-TH-001 irtenbide berritzailea da, eta ikaskuntza automatikoa, jakintza kudeatzeko sistemak eta turismo-industriaren pertsonalizazioa eta eraginkortasuna hobetzeko eragile adimendunak biltzen ditu.
Autoikaskuntza (Machine Learning, ML) funtsezko teknologia bat da arlo honetan. Giza ikaskuntzan oinarrituta, ML-k ereduen detekzioa ahalbidetzen du datu bolumen handietan, iragarpen eta gomendio zehatzak erraztuz. Sailkapen-ereduak, hala nola Euskarri Bektorialeko Makinak (SVM) eta neuronal sareak, beren eraginkortasuna erakutsi dute eskaintzak pertsonalizatzeko eta bezeroen segmentaziorako turismo-sektorean.
Gainera, ezagutzaren kudeaketa sistemek (Knowledge Management Systems, KMS) funtsezko eginkizuna betetzen dute informazio garrantzitsua antolatu eta eraginkortasunez berreskuratu ahal izateko. Sistema horiei esker, datu-bolumen handiak egitura daitezke eta erabakiak hartzeko baliagarriak diren ezagutzak eskura daitezke.
Beste alde batetik, metodologiaren azpian diseinaturiko agente adimendunak SOFTWARE-TH-001, ingurunearekiko elkarrekintza dinamikoa ahalbidetzen dute, eta horien artean, irtenbide automatizatuak eta egokituak eskaintzen dituzte. SYSTEM-TH-001. Ikuspegi bioinspiratu horrek lan-lanen optimizazioa eta lan-kargen banaketa eraginkorra errazten ditu.
Oro har, teknologia hauek bilakatzen dute SYSTEM-TH-001 sistema sendo eta eskalagarri batean, turismoak adimen artifizialaren onurarako duen modua errazten duena, erabiltzailearen esperientzia hobetuz eta eskura dauden baliabideen kudeaketa optimizatuz.
2.1 Sarrera
Kapitulu honetan, sisteman erabilitako adimen artifizialaren teknikak aztertzen dira SYSTEM-TH-001, ahal denean, arteak turismoan duen egoera nabarmenduz. Ikaskuntza automatikoa lantzen da, giza ikaskuntzarekin duen antzekotasuna eta datuen bolumen handietan patroiak identifikatzeko aplikazioa konparatuz, eta horrek erabakiak hartzea hobetzen du. Sailkapen ereduak, SVM eta sare neuronalak adibidez, xehetasunez aztertzen dira. Gainera, ezagutza eta gomendioa kudeatzeko sistemak eztabaidatzen dira, turismoko esperientzia optimizatzeko aplikatuak. Era berean, agente adimendunak, ingurunearekin elkarreragiteko duten gaitasuna eta horien inplementazioa lantzen dira. SYSTEM-TH-001 metodologiaren bidez SOFTWARE-TH-001.
Artearen egoera aztertuko da arlo bakoitzean, eta esparru teoriko eta praktikoa eskainiko da, adimen artifizialak turismo digitalaren bilakaeran duen garrantzia eta eragina ulertzeko.
2.2 Auto- ikaskuntza
Giza ikaskuntzak eta autoikaskuntzak, desberdinak diruditen arren, printzipio eta antzeko prozesu multzo bat partekatzen dute. Funtsean, informazioa eskuratu eta barneratzea eskatzen dute, eta horrek trebetasunak, ezagutza eta egoera berrietara egokitzeko gaitasuna garatzen ditu. 2022 ) Botvinic et al. ( 2017 ).
Ikuspuntu filosofiko batetik, giza ikaskuntza trebetasunak lortzeaz harago doa eta izaeraren prestakuntza, garapen etikoa eta pentsamendu kritikorako gaitasuna dakar berekin. Aristotelesek, bere lanean: "Nikomakoren Etika", ohiturak eta praktikak bertuteen garapenean duten garrantzia aztertzen du, ikaskuntza hobekuntza eta garapen pertsonala duen prozesu jarraia dela ondorioztatuz. Wang, Guo, eta Chen 2022 )
ML ikaskuntza automatikoa, gaur egun osagarri den giza ikaskuntzaren luzapen gisa uler daiteke. ML-n makinek ikasten dute, informatika-programen bidez ezagutza eta trebetasun jakin batzuk lortuz, sinplifkartzeko algoritmoak deitzen diegu, makinari denboran zehar, praktikaren bidez, inkrementalki ikasteko aukera ematen diotelarik. ML datu eta eredu matematikoen arabera, Meltzoff et al datuetan oinarritutako erabakien hartzea hobetzeko ereduak identifikatzea ahalbidetzen duen arloa da. ( 2009 ).
Paralelismo hau ez da oraintsuko estaltze bat, izan ere, Alan Turing arte-adimeneko aitzindarietako bat da, dagoeneko onartu du bere ahalmena
Naqa eta Murphy esperientziatik ikasteko makinak programa daitezke. 2015 ). Adimen artifizialaren ezagutzan sakonago sakonduz gero, giza ikaskuntzaren gaitasun kognitiboak gainditzen dituzten edo sortzen dituzten ikasketa-sistemak garatzeko ahalegin handiak ikusi ahal izango ditugu ( 2016 ) Romero-Mendez et al. ( 2023 ).
Gaur egun ML-ren ezaugarririk estimatuenetako bat da patroien bila datu kopuru handiak aztertzeko gaitasuna, Russell eta Norveig-ek gozatu ohi dugun trebetasunetik oso urrun dagoena ( 2010 ).
Horregatik, ML oso aurrerapen esanguratsua da adimen artifizialaren alorrean, makinak ikasteko aukera ematen baitu, nola definitzen den kontuan hartuta, inguruneko aldaketetara egokitzeko. Gaitasun horrek aukera ematen du konponbide berritzaileak eta eraginkorrak eraikitzeko arlo askotan zehar, turismoa barne. MLren erabileraren bidez, turismo-sektoreak hobetutako datuen analisi-prozesuak, patroien onarpena, gomendio pertsonalizatuak eta zereginen prozesamendu automatikoa izan ditzake, eta horrek bezeroaren esperientzia hobea eta prozesuak optimizatzea ekar dezake, Afsahosseini eta Al-Muularen errendimendua areagotuz. 2020 )
MLren arloak hiru motatako ikaskuntza-ikuspegiak ditu: gainbegiratua, gainbegiratua eta ikaskuntza indartua. Azterketa gainbegiratuan, eredua datu-multzo batekin entrenatuko da, eta bertan sarrerak espero diren irteera-balioei lotuta egongo dira. Modelak datuetan dauden patroiak eta harremanak ikasteko aukera izango du eta, ondorioz, ezagutza hori aplikatu ahal izango da, Liu eta Wu datu berriei buruzko iragarpenak egiteko ( 2012 ). Aztertu gabekoan, etiketatu gabeko datu multzo batean patroiak eta erlazioak deskubritzeari buruz fokalizatzen da, hau da, Hinton eta Sejnowski aurredefinitutako irteera-balioen gidaririk gabe ( 1999 ). Ikaskuntza indartuak, ingurunearekin elkarreragiteko aukera ematen die ereduei, sari edo penalizazio moduan atzera-begiratzea jasotzen du, François-Lavet et al espero den itzulera maximizatzeko bere ekintzak doitzeko. ( 2018 )
ML eredu baten arrakasta lan zehatz bat konpontzeko duen trebetasunagatik neurtzen da, hala nola sailkapena, iragarpena eta belaunaldia. Industria guztietan balio erantsi handia duten lanak, turismoa adibidez, datuak aztertzeko, sailkatzeko, patroiak ezagutzeko, aurreikuspena egiteko eta, azkenik, lanak automatizatzeko teknikak erabiliz, baita Kazak et al gomendio-sistemak ere ( 2020 ) Afsahhosseini eta Al-Mulla ( 2020 ).
Datuak ML bidez analizatzeak datuetan eredu eta ezkutuko erlazio konplexuak aurkitzeko aukera ematen du, eta horrek aukera ematen du erabaki infor-ak hartzeko.
Madame. Esate baterako, patroiak eta sailkapen teknikak aintzat hartuta, bidaia baten esperientziaren aldagai asko identifikatzeko aukera ematen dute, hala nola bezeroaren lehentasunetatik datorrena, erosteko era, eta Shafiee eta Varjani kontrataturiko zerbitzuen ezaugarriak. 2016 ). Iragarpen-teknikek etorkizuneko portaerak aurreikusteko erabiltzen dituzte empresen datu historikoak, eta horrek aukera ematen dio enpresari aldaketara egokitzeko, zerbitzuen eta prezioen eskarian izandako aldaketei erantzunez, besteak beste Norbert faktore askoren artean. 2011 ). Gainera, ML-ren bidez enpresaren lanak eta prozesuak modu adimentsuan automatizatzeko aukera dago. Era berean, ML algoritmoak erabiltzen dituzten gomendio-sistemak, gomendio onenak ematea, eta horrek Borràs et al eroslearen esperientzia eta gogobetetasuna hobetzen ditu. ( 2014 ).
Turismoaren sektorean MLk duen potentziala esanguratsua den arren, ezinbestekoa da erabiltzea, zenbait inplikazio etiko eta garapen jasangarria kontuan hartzea. Arreta jarri behar zaie datuen pribatutasunari, loritmikoen sesgoei eta sistema horien gizarte-inpaktuari, teknologia honen onura Vesni 'c-Alujevi 'c et al dekretore guztientzat modu iraunkor eta onuragarrian eskuragarri egon dadin. 2020 ).
2.2.1 Sailkapen ereduak
Sailkapen ereduak ikaskuntza automatikoaren eta estatistikaren arloan oinarrizko algoritmoen kategoria dira. Bere helburu nagusia etiketa edo kategoria bat behaketa bati esleitzea da, ezaugarri edo aldagai aurrendarietako multzo batean oinarritua. Modelo hauek hainbat arlotan erabiltzen dira, hala nola medikuntzan, finantzetan, marketinean eta segurtasunean, zehaztasunez aurresan eta kategorizatu ahal izateagatik.
Sailkapen Eredu Nagusiak
Sailkapen eredu ugari daude, bakoitzak bere abantailak eta desabantailak dituela, arazoaren izaeraren eta eskuragarri dauden datuen arabera. Ohikoenetariko batzuk honako hauek dira:
Erregresio Logistikoa
Logistikaren erregresioa sailkapen binarioko arazoetarako eredurik sinple eta eraginkorrenetako bat da. Oharpen bat klase jakin bateko kide izateko probabilitatea kalkulatzen du, funtzio sigmoide bat erabiliz. Bereziki erabilgarria da aldagai prediktoreen eta helburuzko aldagaiaren arteko erlazioak linealak direnean.
Euskarri Bektorialeko Makinak (SVM)
SVM modelo boteretsuak dira, klaseak ezaugarri-espazioan banatzeko hiperplano ezin hobea bilatzen dutenak. Datu ez linealak erabiltzeko "kernelak" erabiltzen dituzte, eta horrek, testuinguru askotan, aldakorrak eta zehatzak bihurtzen ditu.
Support Vector Machiness, SVM, aplikazio multzo ezberdin baterako machine learning boteretsu eta orsatilaren algoritmo bat bezala berpiztu da, irudiak ezagutu eta hizkuntzaren prozesamendu naturaletik finantza eta bioinformatika aurreikuspenetara. Urteetan sartu ziren hara. 90, bere aplikazioaren emaitza arrakasta handia izanik, aztertu ditzakeen arazo ugariengatik, beste teknika batzuk baino errendimendu handiagoarekin. SVMen abantaila nagusia, moten arteko marjina maximizatuko duen hiperplano bereizle egokia aurkitzeko gaitasuna da. Horrek euskarri bektore gutxi batzuk baino ez dituen irtenbide bat sortzen du; propietate horrek, Mogerza eta Muñoz eskala luzeko arazoetan bere aplikazioa errazten du ( 2006 ).
Finantza domeinuan, SVMk bere eraginkortasuna frogatu du iruzurren detekzioan kreditu-txartelekin. Beste sailkapengile batzuekin konparatuta, SVMk sailkapen lineal eta ez linealeko arazo bitarrak konpondu ditzake, C sarrerako datuak hobekien bereizten dituen hiperplanoa identifikatuz. Li et al. ( 2021 ). Esate baterako, SVMren erabilerak kreditu-arriskuko tekniketan egokitzeko gaitasun handia erakutsi du, eta konponbide global eraginkor bat sortu du arazo horretan erabakiak hartzeko. Li et al. ( 2006 ). Bere aplikazioak arrakasta izan duen beste arazo batzuk kaudimen arazoak izan dira, baita Nazarete eta Reddy kriptomonedi buruzko ikerketak ere ( 2023 ). SVMek datuak dimentsio eta zarata handiz kudeatzeko duen gaitasunari esker, teknika hau balio handiko tresna gisa kokatzen da finantza-ingurunean, nahiz eta bere arrakasta beste arlo batzuetara ere iritsi den, hala nola herritarren segurtasuneko irudi edo arazoen aitorpena, besteak beste, eta hori erakusten du Mogerza eta Muñoz aldakortasun handiaren adierazgarri. 2006 ).
SVMk oso teknika eraginkorra dela erakutsi du, hala ere, bere kernel funtzioaren hautaketa zuzena eta hiperparametroen aukeraketa egokia erabakigarriak dira beren errendimendua optimizatzeko, Bing-yy et al literaturak adierazten duen bezala. ( 2009 ). Zehazki proiektuaren barruan SYSTEM-TH-001, metodo hau testu baten generoa detektatzeko tresna gisa ikertu da, oraindik onartzen ez den funtzionaltasuna baina horren etorkizunean gakoa izan daitekeena, bere portaera ondo azal daitekeelako. SVMen ikerketa-arloak garapen betean jarraitzen du, eta, beraz, aurrerapen eta aplikazio berriak espero ditzakegu, mugak urrunago eraman ditzaten.
Erabakiko zuhaitzak
Erabaki-zuhaitzak erabakien egitura hierarkiko baten bidez behaketak sailkatzen dituzten eredu intuitiboak dira. Datu kategoriko edo numerikoekin arazoak izateko errazak eta erabilgarriak dira. Ausazko basoetan (Random Forest) konbinatzen direnean, zehaztasuna eta sendotasuna hobetzen dituzte nabarmen.
Sare neuronalak
Sare neuronalak giza burmuinean inspiratutako ereduak dira, arazo konplexu eta ez linealetarako idealak. Neuronen geruza ugari erabiltzen dituzte datuen irudikapen hierarkikoak ikasteko, eta horrek oso eraginkorrak egiten ditu irudien sailkapenean, lengoaia naturalaren prozesamenduan eta gehiago.
Ereduen ebaluazioa
Sailkapen-ereduen eraginkortasuna metrikoki ebaluatzen da, hala nola zehaztasuna, telekala, F1-score eta area ROC kurbaren azpian (AUC-ROC). Gainera, funtsezkoa da gainajustea bezalako arazoak saihestea, gurutzatutako baliozkotzea eta erregularizazioa bezalako teknikak erabiliz.
2.2.2 Optimizazio ereduak
Sailkapen eta optimizazio ereduak ikaskuntza automatikoaren eta estatistikaren arloko algoritmoen oinarrizko kategoria dira. Bere helburu nagusia etiketa edo kategoria bat behaketa bati esleitzea da, ezaugarri edo aldagai aurrektore multzo batean oinarritua, eta aldi berean ereduaren parametroak optimizatu nahi dituzte errendimendurik onena lortzeko. Modelo hauek hainbat arlotan erabiltzen dira, hala nola medikuntzan, finantzetan, marketinean eta segurtasunean, zehaztasunez aurresan eta kategorizatu ahal izateagatik. Modelo ugari daude beren errendimendua hobetzeko optimizatzeko teknikak erabiltzen dituztenak. Ohikoenetariko batzuk euskarri bektorialeko makinak (SVM) dira. Makina horiek eredu ahaltsuak dira, eta ezaugarri-espazioan klaseak banatzeko hiperplano egokia bilatzen dute. SVM optimizazioa klaseen arteko marjina maximizatzean oinarritzen da, eta horrek orokortze hobea bermatzen du. Datu ez linealak erabiltzeko, SVMk "kernelak" erabiltzen dituzte, hala nola, kernel gaussiarra edo polinomikoa, datuak dimentsio handiagoko espazio bihurtzen dituztenak, non klaseak banangarriak diren. Bestalde, logistikaren erregresioa sailkapen bitarraren arazoetarako eredurik sinple eta eraginkorrenetako bat da. Sinbolizazioa, gurutzatutako entropian oinarritutako kostu funtzioa minimizatuz egiten da, gradiente estokastikoaren (SGD) jaitsiera bezalako metodoak erabiliz. Ikuspegi honen arabera, ereduaren parametroak global ezin hobe batera bihurtzen dira.
Erabaki-zuhaitzak eredu hierarkikoak dira, behaketak ezaugarri espezifikoetan oinarritutako erabaki batzuen bidez sailkatzen dituztenak. Modelo hauetan optimizazioak, entropia edo Gini indizea bezalako sailkapen metrikoak hautatzea esan nahi du. Ausazko basoetan, zuhaitz ugari konbinatuz hostatzea optimizatu egiten da "bagging" teknika erabiliz, gainajuste arriskua murriztuz. Bestalde, sare neuronalak giza garunean inspiratutako ereduak dira, arazo konplexuetarako eta ez linealetarako idealak. Sinbolizazio-teknikak erabiltzen dituzte, hala nola gradientearen jaitsiera, gradientea une batez jaistea eta Adam bezalako algoritmo aurreratuak. Teknika horiek neuronen arteko konexioen pisuak doitzen dituzte galera-funtzioa minimizatzeko eta errendimendua hobetzeko. Gainera, Gradient Boosting, AdaBoost eta XGBoost bezalako modeloek eredu sinpleak doitzeko optimizazio iteratiboko teknikak erabiltzen dituzte, hala nola erabaki-zuhaitzak, sekuentzian. Iterazio bakoitzak aurreko ereduaren akatsak zuzentzen ditu, galera metatiboko funtzio bat murriztuz.
Machines Support-en optimizazioa
SVM algoritmoak dira, eta horien errendimendua kernelen erabileran oinarritzen da. K(x, y) kernel bat K: X x x X TERR balio errealeko funtzioa da, Z bektore-espazioan produktu eskalatzaile gisa jokatzen duena. Horretarako, bada funtzio bat:
Φ: X →Z, ( 2.1 )
halako moldez, non K(x, y) = ^( x)Thy( eta). X eta Z, hurrenez hurren, sarrera-espazio eta ezaugarri bezala ezagutzen dira.
SVM Mogerza et al erregularizazio teorian oinarritutako algoritmo-motaren barruan dago ( 2006 ). Metodo hauek, Tikhonov eta Arsenin forman optimizazio arazo bat konpontzeko sailkapen funtzioak egiteko aukera ematen dute. 1977 ):
n X
m ́ın f∈HK 1 n
i= 1 L(yi, f(xi)) + μ ∥f∥ 2 K, ( 2.2 )
non > 0; HKk k kernel- aren (RKHS) Hilbert- en erreprodukzio- espazioa adierazten du, K kernelarekin lotutakoa; RKHS- ren f- araua da; xi lagindutako n puntu dira; yi LATO { () 1, + 1 } funtzioak xi-ren bi mota posibleak adierazten ditu; eta, azkenik, L(yi, f(xi) errore funtzioa da. Testuinguru honetan, f(x) = 0 HKn erabaki-azal bat da. SVMren ikuspegi tipikoak L errore espezifikoaren funtzioa erabiltzen du, bisagra galera (hinge los) deritzona, honela definitzen dena:
L(yi, f(xi)) = ( 1 −yi f(xi))+, ( 2.3 )
with (x)+ = m ́ax( x, 0 ).
Arazoan ( 2.2 ) F soluzioa datuetara doitzeko konpromisoa ezartzen laguntzen du, L-k kuantifikatzen duena, eta f funtzioaren konplexutasuna, ukefAK-ek kuantifikatua.
Berehala frogatuko dugu PSOE-k 2 K = ∥w∥ 2, donde w = Pn i αiΦ(xi) y Φ es el mapeo definido en ( 2.1 ). Gainera, arazoa ( 2.2 ) berregokitu egin daiteke, honela:
n X
m ́ın w,b 1 n
i= 1 ( 1 −yi(wTΦ(xi) + b))+ + μ ∥w∥ 2. ( 2.4 )
Arazoa ( 2.4 ) Moguerza et al optimizazioaren hurrengo arazoa ebatziko du ( 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 zero bektore bat da, eta bektore bat da
batzuk, Q (n x n) mrix simetriko positiboa da Qi j = yiy jK(xi, x j) eta C = 1 2 Etengabekoa da. Arazo hau konbexoa eta kuadratikoa da eta, gainera, minimo lokal bakoitza gutxieneko global bat ere bada.
Sinpletasunaren mesedetan, g(^) arazoaren funtzio objektiboaren gradientea bezala definitzen da ( 2.5 ), esto es, g(β) = Qβ −e.
QRAC bektore bat (- ) 2.5 ) baldin eta d zenbaki bat eta bi bektore ez-ez negatiboak baldin badira, eta horrela:
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.
Erakutsi daiteke, Chen et al. 2006 ) hau bezalako bektore 375a bat 0 ≤βi ≤C satisface las condiciones ( 2.6 ) bai eta bakarrik
−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 )
SVMren literaturan, arazoa ( 2.5 ) O optimizazio- algoritmoak erabiliz ebatzita dago (Menima Sekuentziala (SMO) (Joachims, 1999; Platt, 1998 ). algoritmo hauek Newton motako metodo laukotikoak dira funtsean, arazoa konputazionalki tratagarria izan dadin, iterazio bakoitzean aldagaien azpimultzo bat bakarrik hartzen dutenak, lan-multzoa deiturikoa, Q matrize osoarekin lan egin beharrean.
Teoroma 1. Utzi {} arazorako SMO motako metodo baten bidez sortzen den Be the infinite sequence- ak sortutako sekuentzia infinitua izatea ( 2.5 ). Gero, Q matrize zehaztu positiboa bada, {0thk}- en muga da arazoaren gutxieneko puntu bakarra eta globala ( 2.5 ).
Demonstrazioa Ikus Chen et al. ( 2006 ). □
Ondorioz, hurrengo korolarioa mantentzen da.
Korolarioa 1.1. {} sekuentzia infinitua bada, hurrengo bi mugak existitzen dira eta berdinak dira: l'sthism kwerm (Querk) = l'em k$M( ak) (=) 2.10 )
Ekuazioaren Iup eta Ilow multzoen definizioa kontuan hartuta ( 2.8 ) eta, bereziki, multzo bakoitzean (muga barruan), k handi samarrentzat eta tolerantzia txiki batentzat Éracia > 0, se cumple la siguiente condición: m(βk) −M(βk) ≤ε, ( 2.11 )
hau da:
l ́ım k→∞
m(βk) −M(βk) = 0.
Emaitza hauen oinarrian, SMO motako algoritmoek si- inplementatzen dute
atxilotzeko irizpide zuzena:
m(βk) −M(βk) ≤ε. ( 2.12 )
2.3 Hizkuntza naturalaren prozesamendua
Lengoaia Naturalaren prozesamendua, PLNs, hizkuntzaren bitartez ordenagailuen eta gizakien arteko elkarreraginean oinarritzen den adimen artifizialaren azpieremu bat da. Makinak hizkuntza naturala ulertu, interpretatu eta sortzeko aukera ematen du. Arlo honen garapena dinamikoa izaten ari da eta oso azkar garatzen ari da, azken urteotan aurrerapen oso esanguratsuak sortuz, hainbat domeinutako aplikazioekin, hala nola, hizkuntzen itzulpena, sentimenduen analisia eta Agarwal elkarrizketara bideraturiko interfazearekin ( 2019 ).
PLNk teknika eta ikuspegi multzo zabala garatzen du, hizkuntza naturalaren ulermena eta sorrera barne, baita hizketaren prozesamendua ere. Teknika horiek MLs eta deep learning-en gaitasuna erabiltzen dute, baita konputazio-teknikak ere, giza hizkuntzaren analisi, ulermen eta sorrerarako. Gaur egun, PLNk aurrerapen oso esanguratsuak erakusten ditu, horietako bat da hizkuntza naturalean datu-multzoen egiturak eta esanahiak ulertzeko gaitasuna, analisi edo parsinga, etiketatua, azterketa semantikoa, ordenagailu bati Young et alaren ikuspuntutik ia gizaki gisa portatzeko aukera ematen dion metodoa (). 2017 ).
Deep Learnings (DL)-ek PLN-en eremua irauli du, hizkuntzaren irudikapen konplexuak eta eskala handiko datuak ikasteko ereduak sortzea ahalbidetuz. Askotan sare neuronalek beste metodo batzuk baino errendimendu handiagoa erakusten dute, hala nola itzulpena edo testua sortzea oso eraginkorrak bihurtu dira Lan et al ereduekin ( 2024 ).
PLNn egin berri diren aurrerapenen artean LLMak sartu dira, Large language models, adibidez SOFTWARE-TH-003 eta GPTk, zeinek gaitasun ikaragarria erakutsi baitute Yenduri et al. ( 2023 ). Aurre-entrenatutako eredu horiek, helburu-tunning prozesu baten bidez, zeregin espezifikoetarako doi daitezke, eta, izan ere, aurre-sarraldian lortutako hizkuntzaren ezagutza aberatsa jaso daiteke.
PLNk, eboluikoetan jarraitzen du, ikertzaileak eta erabiltzaileak hainbat erronkari aurre egiten ari dira, hala nola, ereduen hobekuntza, sendotasuna eta interpretazioa, hizkuntza naturalaren konpresioaren eta sorkuntzaren arteko zuloa itxiz eta in- esploratzen.
beste alor batzuekin tegrazioa, adibidez ikasketa multimodalarekin eta Khurana et al ezagutzaren irudikapenarekin ( 2022 ).
2.3.1 Generoaren identifikazioa testuetan
Testu baten genero sailkapenari esker, ikerketak egin dira arlo honetan. Aplikazio ohikoenetako bat Mukherjee eta Bala testua idatzi duen pertsonaren generoa detektatzea da ( 2017 ); Huang et al. ( 2014 ), Corney et al. e-mailen egileak (. 2002 ), txat Kucukilmaz et al. ( 2006 ) post-ak Yan eta Yan webetan ( 2006 ) Susalescu et al on line lankidetza-proiektuetan zergadunak ( 2014 ); B. Lin eta Serebrenik ( 2016 ); Terrell et al. ( 2017 ); M. Das et al. ( 2019 ) edo erabiltzaileak CRM Lau et al plataformatan azpiaparalimentatzearen generoa detektatzea ( 2005 ); Maitatua et al. ( 2018 ). Idazleen testuen profila Kocher eta Savoy hizkuntza askoren bidez egin da ( 2017 ); Fatima et al. ( 2017 ); López-Sanillán et al. ( 2020 ) Edukian oinarritzen diren metodoen abantailak berresten dituena. Arazo hau konpontzeko beste ikuspegi batzuk Kretschmer eta Aguillo grafoak analizatzea izan daitezke ( 2005 ); Rangel eta Rosso ( 2016 ) eta baita Part Of Speech (PO) Fourkioti et al. ( 2019 ).
Krüger eta Hermann-en ( 2019 egileek aztertzen dute 215 aurrez argitaraturiko lanak 2017 y 2019 autoreen generoaren identifikazioari buruz. Errebisio honen arabera, aurreko ikerketen literaturan egin den esperimenturik onenak zehaztasuna adierazten du 93.4 % postetan ateratako kasuetatik SERVICE-005 Markov et al. ( 2017 ). Aipagarria da inkesta honetan jasotako ikerketen argitalpen guztiek testuen sarrera prestatzeko machine learning prozedura estandarrak egiten dituztela, Eisenstein testuaren tokenalizazioa eta normalizazioa barne ( 2019 ) (sinpletizazioa edo stemminga adibidez). Atalean azaltzen dugun bezala 5.3, ikuspegi honen bidez, generoaren identifikazioan errendimendua hobetzeko prozedura estandarretan aldaketak sartzen ditugu, Uysal eta Gunal aurretiko beste ikerketa batzuetan iradokitzen den bezala ( 2014 ). Aurrekoari gehituta, beste ikerketa batzuen muga komunetako bat zera da, indefinizio binaria bakarrik kontuan hartzea (ideia horietan atalera hedatuko da). 5.4.4 ).
Krüger eta Hermannen arabera ( 2019 ) Aldagarritasun handia dago generoa hizkuntza ezberdinen bidez identifikatzeko zehaztasunean. Errebisio honetan egindako lanen begirada sakonagoak agerian uzten du generoari buruzko informazio aberatsa ematen duten hizkuntzak dituzten esperimentuek, hala nola gaztelaniak eta Portugesak, ingelesa baino errendimendu hobea dutela. Aurkezten den metodo berrian, erabilgarri da SYSTEM-TH-001, egiaztatu nahi dugu posible den hizkuntza batzuen ezaugarri espezifikoak erabiltzea generoa identifikatzeko helburuarekin.
Testu baten generoaren identifikazioa, hau da, pertsona baten generoa erabakitzea
testu batean deskribatuta, aurreko ikasketetan arreta handia jaso du konparazioz. Hala ere, Jansen et al. zuzendutako publizitaterako aplikazioak daude ( 2013 ) Fong et al online lan-merkatuetan genero-diferentziak ebaluatuz ( 2018 ) eta izendaturiko erakundeak (NER) Cho et al. ( 2013 ). Aurretiazko ikuspegiekin alderatuta, Wais datu-base zerbitzuetan oinarritutako nagusia ( 2016 ); Santamaría eta Mihaljevi 'c 2018 ) S-k berriagoa. Das eta Paik ( 2021 ) testuinguruaren informazioa analizatzen duten machine learning algoritmoak aplikatzeko erabilgarritasuna erakusten dute. Proposamena: SYSTEM-TH-001 machine learning algoritmoak eta zenbait hizkuntzatan generoari buruzko informazioa duten elementu morfologikoen atxikipena konbinatu behar dira, testu batean deskribatutako pertsonaren etiketaketaren errendimenduan hobetzearren.
2.4 Ezagutza kudeatzeko sistemak
Knowledge Management Systems, Knowledge Management Systems (KMSs) ikuspegi espezializatua duen eremua da, sarritan Grace eta Butler erakundearen ezagutza-baliabideak kudeatzeko ezagutza zabalagoan oinarritutako beste sistemen barruan integratua. 2005 ). Sistema hauek Thimpi erakundearen helburuak betetzeko behar den ezagutza gordetzeko, prozesatzeko eta erabiltzeko diseinatuta daude ( 2008 ). Zehazkiago, KMSs-ak, ohizkoa denez, erakundearen ezagutzaren babesa dira, datu-base gisa biltegiak erabiliz, lakeak eta beste egitura batzuk, baina gainera, joera bila gordetako ezagutza hori aztertzeko aukera ematen dute, Sensuse et al ikuspegi estrategiko batetik antolakuntzaren erabakiak hartzeko prozesua jasanez ( 2018 ).
KMSs-en funtsezko funtzioetako bat erakundearen eraginkortasuna eta eraginkortasuna areagotzea da, ezagutza garrantzitsurako sarbidea emateko arazotik sortzen diren erronkak gainditzean, sistema trebetasunetik abiatuta efectividd nivles ugari sortzeko lortutako prozesua, Thampi lortutako ezagutza berria sartzen den bezain laster igotzaileki hobetuak direnak ( 2008 ). KMSs- ek aplikazio ugari ditu hainbat domeinuren bidez, dokumentu eta edukien kudeaketa sistemak, e- learning plataformak, komunikazio sareak eta Grace eta Butler elkarlanerako lan-sistemak barne ( 2005 ).
Adibidez, dokumentuen eta edukien kudeatzaileek interesa dute erabiltzaileak denbora errealean erakundeko edukietara sartzeko, gaiek ohiko moduan antolatuta. Sistema horiek metadatu-egituren bidez ezartzen dira, Sensuse et al edukien arteko nabigazioa errazteko. ( 2018 ). E-learning systems-eko sistemak, erabiltzaileak hezi eta trebatzen saiatzen dira, ezagutza antolatu eta egituratua emanez
adiskidetsuki. Sistema horiek ikasketa-prozesua hobetzeko diseinatuta daude, erabiltzailearen konpromisoa suspertzearen bidez, trebetasun eta gaitasun berriak egokitzeko aukera emanez eta, batez ere, Grace eta Butler erakundearen giza kapitalaren garapen profesionala garatzeko lagungarri bihurtuz ( 2005 ) Malingkak eta Ce 2020 ). KMSs ere ikuspegi oso herrikoia izan da C giza taldearen lankidetza, sozializazioa eta integrazioa sustatu nahi duten erakundeentzat. K. Lee eta Hamamdeh ( 2002 ). Sistema hauek aplikazio-eremu askotan aurki daitezke, horien artean Thimpi hezkuntzarako gomendio-sistemak aurkitzen ditugu ( 2008 ), Hezkuntza jokoak: Grace eta Butler 2005 ) eta errealitate areagotuko aplikazioak C. K. Lee eta Hamamdeh ( 2002 ). Komunikazio-sare gisa ere integratuta daude, Eirimiokhale eta Idiedo ezagutza partekatzeko eta kudeatzeko plataforma gisa balio dutenak ( 2020 )
Hala ere, KMSs-en inplementazio arrakastatsua eta barne ikaskuntzako prozesuetan integratuta egotea konplexua izan daiteke, arrakastarako faktore kritiko asko kontuan hartu behar baitira, hala nola sistemaren lerrokatzea helburu estrategikoekin, langileen arteko elkarrekintza aktiboarekin eta C euskarriko antolamendu-kultura ezartzearekin. K. Lee eta Hamamdeh ( 2002 ).
KMSs- en adibide bat framework ^ SYSTEM-TH-001 STEC: Turismoaren eremuan hainbat jarduerari buruzko informazioa antolatzen duen dokumentu eta edukien kudeatzailea ere bada, ezagutzaren detekzioa eta suspertzea errazteko.
KMSs baten inplementazio ohiak eragin dezaketen faktore sozial eta ekonomikoak sakon ezagutzea eta ulertzea eskatzen du, baita C-ren ezagutza ikasi eta kudeatzeko helburuekin lerrokatze estrategikoa ere. K. Lee eta Hamamdeh ( 2002 ). Gainera, ezagutza partekatzeko ekintzaren atzean motibazioak banan-banan ulertzearen garrantzian jartzen ari da fokua, gaur egungo azterketek teknologia honen arrakasta eragin dezaketen hainbat faktore identifikatu dituzte, erabiltzaileen ezaugarriak barne, hala nola ezagutza partekatzeko orientazioa, sisteman duten konfiantza, eta ahalmen dinamikak, baina baita ezagutza partekatuaren izaera eta Njiraine erakundearen testuingurua ere ( 2019 ). KMSen ezarpen eraginkorra bermatzeko, erakundeek faktore kritiko horiek arretaz aztertu eta euskarri-kultura handituko duten estrategiak garatu behar dituzte, sistema helburu estrategikoekin lotu eta erabiltzaileekin harremanak izan behar dituzte H negozio-zentzuaren bidez. Lin 2007 ).
2.4.1 Gomendio-sistemak
Gomendio-sistemak erabiltzaileei iradokizun pertsonalizatuak emateko diseinatuta daude, norbanako bakoitzarentzat profil bakarra sortuz, beren interesak, lehentasunak eta sinesmenak islatzen dituzten parametroen multzoan oinarrituta. Gomendio-sistemak J erabiltzaileen beharren eta hobespenen izaera dinamikoa egokitzeko eta asebetetzeko funtsezkoak diren erabiltzaile-profil hauek. Peng eta Xu ( 2022 )
Ohiko erabiltzaile-profilak eraikitzeko prozesuak hainbat iturritako datuak biltzea dakar, hala nola erregistro-informazioa, nabigazioaren historia, erosketa-historia eta atzera-eremu esplizitua, Aggarwal erabiltzaileak emandakoa (). 2016 ). Datu sorta hau Hung eta Huynh erabiltzailearen aurreferenikoak definitzeko ereduak identifikatzeko analizatzen da ( 2019 ). Erabiltzailearen hobespenek denboran zehar alda dezaketelako, profilak eraikitzeak aldaketa horretara hobeto egokitzeko aukera ematen du, gomendio hobeak sortuz, horrek Zhuhadar eta Nasraui erabiltzailearen erabilera esperientzia hobea sortzen duelarik ( 2010 ).
Gomendio-sistemak gomendio-metodo ezberdinak erabiltzeko ezar daitezke, adibidez, eduki garrantzitsua berreskuratzeko ikuspegi bat edo Paudel et al izen ona duena ( 2016 ). Faktore horiek kontuan hartuta, sistema hauek erabiltzaileei aholku sorta bat baino gehiago eskain diezaiekete, Y erabiltzaileen interesak eta lehentasunak estaliz. Peng ( 2022 )
Egokitzeko eta beharrezko erabiltzaile-profila garatzea, beraz, osagai kritiko bat da gomendio-sistemen diseinuan, sistema horiei Kanoje et al erabiltzaileen lehentasunekin lerrokatutako iradokizun pertsonalizatuak egokitzea eta eskaintzea ahalbidetzen dielako ( 2015 )
Hori dela eta, erabiltzaile-profil multzo bat denboran zehar sortzeko eta mantentzeko gaitasuna gomendio-sistema baten azken arrakastaren gakoetako bat da, izan ere, iradokizun eraginkorrak emateko aukera ematen du, Paudel et al erabiltzailearen gogobetetasuna hobetuz ( 2016 ).
Framework kasuan SYSTEM-TH-001 gomendio-sistema bat da, eta gomendioak egin diezazkioke bidaia-agenteari erosketarako joera handiagoa duten bezeroei buruz; beraz, garrantzian oinarritutako sistema gisa sailka daiteke.
2.5 Agente adimendunak
Agente adimendunak beren ingurunearekin eta beste eragile batzuekin elkarreragiteko aukera duten software erakundeak dira, informazioa trukatuz eta S.M.ren mundu errealaren konplexutasuna simulatzen duten jokabideak erakutsiz. Lee eta Pritchett ( 2008 ). Agente adimendunek, beren ingurunearekin elkarreragiteko autonomia eta gaitasuna badute, antolaketa-lanak egin ditzakete Itaiwi et al zehazturiko helburuak lortzeko ( 2012 ).
Eragileetan oinarritutako sistemen izaera dinamikoak, non agenteei rol eta erantzukizun ugari esleitzen zaizkien, mundua modelizatzen saiatzen diren eszenatoki konplexuak simulatzea ahalbidetzen du. Egungo gizartearen ezaugarrietan oinarritutako agenteak modelatuz, ikertzaileek eragileen arteko elkarrekintzarekin agertzen diren portaerak azter ditzakete, eta horrek Ahmed et al sistema konplexu moldagarrien propietateen ezagutza baliotsua eskaintzen du. 2005 )
Gaur egun robot fisikoen edo txatboten forman sortutako agente adimendunak, giza laguntzaileei maila handiko lanetan aukera ematen die, ingurune konplexu eta dinamikoetan zehar nabigazio autonomoko gaitasunak dituztelako eta Z helburu multzo bat betetzeko beren ezagutza eta arrazonamendu ahalmenak erabiltzen dituztelako. Peng ( 2021 ). Eragile hauek proaktiboak, autonomoak eta independenteak dira eta beren ezagutzan oinarritzen dira Burgin eta Dodig-Crnkovi'c arazoak konpontzeko arau aurredefinituak ( 2009 ). Elkarreragiteko gaitasuna arazo konplexuak konpontzeko edo lan-kargak banatzeko erabil daiteke Burgin eta Dodig-Crnkovi 'c koordinazio-maila jakin batekin ( 2009 ). Eragile adimendunen bizi zikloan, helburu multzo bat bete behar da, eskura dagoen ezagutza eta kontzeptu multzo bat erabiliz. 2.1 ) Burgin eta Dodig-Crnkovi 'c 2009 ). Helburu horiek independenteak izan daitezke eta hierarkikoene antolatuak egon daitezke, lortutakoan maila handiko helburuak osatzea ahalbidetzen dutenak. Helburua agenteek egiten dituzten zereginekin lotuta dago, biak, helburuak eta zereginak eragileen adimen-egoeraren elementuak dira, eta horrek arauak eta ezagutza gordetzeko balio du, lan horiek egiteko eta Burgin eta Dodig-Crnkovi 'c helburuak lortzeko aukera ematen baitute. 2009 ).
Sistema Multi Eragileen erako antolaketa lankidetza, lehiaketa eta negoziaziorako irekia dago, Z agenteetan oinarritutako software modelatu eta ingeniaritza tekniken standardak erabiliz. Peng ( 2021 ); Francis et al. ( 2023 ); Hallenborg () 2009 ).
Agenteetan oinarritutako modelatua, Agent-Based Modeling (ABM) Udin et al. ( 2021 ) eta Agent-Oriented Software Enginee- agenteei zuzenduriko softwarearen ingeniaritza.
Irudia 2.1: Kontzeptu nagusiak SOFTWARE-TH-001 MASak garatzeko.
ring (AOSE) Garro et al. ( 2018 ), elementu eta entitateek beren inplementaziorako ematen duten domeinuko apalak dira. Ondo ezagutzen diren ikuspegi batzuk, arazo konplexuak konpontzeko edo benetako inguruneak simulatzeko erabiltzen dituztenak, Fernández-Isabel et al errepideetako trafikoaren simulazioak dira ( 2020 ) González-Fernández et al erabakiari euskarriz banatutako sistemak ( 2020 ), makina bio-inspiratuak ikasteko sistemak, Buruak et al. ( 2020 ), eta J bideojokoak. Wang, Hong, et al. 2022 ).
MAS normalean tresna bereziak eta pa- entitateak erabiliz diseinatzen dira.
sistema konplexuen garapen fase desberdinak egitea errazten du. Honek, grafikoki ordezkatuta eta ondoren automatikoki iturburu kodera eraldatuta dauden eragileen arteko harremanak eta elkarrekintzak sortzea ahalbidetzen du. SOFTWARE-TH-001, GAIA, Prometheus eta Tropos Swahyudi et al domeinuan ondo ezagutzen diren eragileen metodologiak dira ( 2018 ).
Eragileen plataformak, programazio-hizkuntza jakin batzuen iturburu diren kode-liburutegiak, ohikoak dira aldez aurretik modelatu diren MASak ezartzeko soluzioa. Arlo honetan adibide nabarmenak dira SOFTWARE-TH-004 (Java) Bergenti et al. ( 2020 ) eta MESA (Python)Kazil et al. ( 2020 ).
Garapenerako SYSTEM-TH-001, erabilitako agenteen metodologia INGE-NÍAS izan da, agentearen eredua framework MESA-ra egokituz. Agente-eredua inurrien kolonia batean oinarritutako eredu bioinspiratu bat da, sistemaren lan-kargaren arabera elkarrekin edo independenteki lan egiten duten inurritegi askotan banatutako MAS bat sortzeko.