Le progrès de l'intelligence artificielle (IA) a révolutionné de nombreux secteurs et le tourisme ne fait pas exception. La numérisation croissante du secteur a permis d'améliorer l'expérience utilisateur, d'optimiser la gestion des services et de faciliter la prise de décisions stratégiques. C'est comme ça qu'on a un système. SYSTEM-TH-001 une solution innovante qui intègre l'apprentissage automatique, les systèmes de gestion des connaissances et les agents intelligents pour améliorer la personnalisation avec efficacité dans l'industrie du tourisme.
L'apprentissage automatique est l'une des technologies clés dans ce domaine. Inspiré par l'apprentissage humain, ML permet la détection de modèles dans de grands volumes de données et fournit des prédictions ou des recommandations précises. Des modèles de qualification tels que les machines de soutien vectorielle (SVM) et les réseaux neuraux se sont révélés efficaces dans la personnalisation des offres avec segmentation des clients pour le secteur du tourisme.
De plus, les systèmes de gestion des connaissances jouent un rôle important dans l'organisation et la récupération efficace de l'information. Ces systèmes permettent une production élevée de données et un accès plus facile à des informations utiles sur la prise de décisions.
D'autre part, les agents intelligents conçus selon la méthodologie SOFTWARE-TH-001 ils permettent une interaction dynamique avec et entre l'environnement, offrant des solutions automatisées qui ont été adaptées à SYSTEM-TH-001. Cette approche bioinspirée facilite l'optimisation des tâches et la répartition efficace de la charge de travail.
Dans l'ensemble, ces technologies se tournent vers SYSTEM-TH-001 dans un système robuste et évolutif qui redéfinit la façon dont le tourisme peut bénéficier de l'intelligence artificielle, améliorant l'expérience utilisateur avec la meilleure gestion des ressources disponibles.
2.1 Présentation
Les technologies d'intelligence artificielle utilisées dans le système sont explorées avec ce chapitre SYSTEM-TH-001 et en mettant l'accent sur l'état de l'art dans le tourisme, à ce jour. L'apprentissage automatique est traité en comparant sa similarité avec la formation humaine et son application afin d'identifier les tendances dans de grands volumes de données, améliorant ainsi la prise de décisions. Les modèles de classification tels que le SVM et les réseaux neuronaux sont discutés en détail. En outre, les systèmes de gestion de l'information et des recommandations ont été examinés en vue d'optimiser l'expérience touristique. Les agents intelligents, leur capacité à interagir avec l'environnement et sa mise en œuvre sont également abordés SYSTEM-TH-001 utilisant la méthodologie SOFTWARE-TH-001.
L'état de l'art sera analysé dans chaque domaine, fournissant un cadre théorique et pratique qui nous permettra de comprendre à quel point l'intelligence artificielle peut avoir un impact important sur l'évolution du tourisme numérique.
2.2 Apprentissage automatique
L'homme et l'autoapprentissage, bien qu'ils semblent différents, ont un ensemble de principes ou de processus similaires. Ils nécessitent essentiellement l'acquisition d'informations et l'intérieurement qui conduisent au développement des compétences, des connaissances avec la capacité de les adapter aux nouvelles situations de Langley ( 2022 ) Botvinick et al. ( 2017 ).
D'un point de vue philosophique, l'apprentissage humain va au-delà de la simple acquisition de compétences et implique la formation de caractères avec le développement éthique tout en la capacité de pensée critique. Aristoteles, dans son travail: "Etima de Nicomac' (L'éthique de Nicamaco) examine l'importance et la pratique en ce qui concerne le développement des vertus en concluant que l'apprentissage est un processus continu pour améliorer le développement personnel. Wang, Guo et Chen ( 2022 )
Apprentissage automatique, ML pourrait comprendre comme une extension actuellement complémentaire à l'apprentissage humain. Chez les machines ML apprendre, l'acquisition de connaissances et certaines compétences par le biais de logiciels nous les appelons algorithmes pour simplifier qui permettent à la machine apprentissage progressif tout au long du temps par le biais de la pratique. ML est le domaine qui, en utilisant les données et les modèles mathématiques comme un moyen d'identifier les modèles pour améliorer la prise de décision par Meltzoff et al. ( 2009 ).
Ce parallélisme n'est pas un doublage récent, et en fait l'un des pionniers au niveau de l'intelligence intertidale (Alan Toring) a déjà reconnu leur potentiel.
machines programmables pour apprendre de l'expérience et améliorer la performance aux tâches d'attente Naha ou Murphy ( 2015 ). Si nous approfondissons la connaissance de l'intelligence artificielle, nous pouvons observer de grands efforts pour développer des systèmes d'apprentissage qui émulent ou même dépassent les compétences cognitives de Lake et al. 2016 ) Romero-Mendez et al. ( 2023 ).
L'une des caractéristiques les plus appréciées de ML aujourd'hui, est sa capacité à analyser de grandes quantités et des données pour voir comment nous regardons les modèles qui sont loin de ce que les humains Russell ou Norvig ont apprécié ( 2010 ).
Cela fait du ML une avancée très significative dans le domaine de l'intelligence artificielle, car il permet aux machines d'apprendre comment elles les définissent et de mieux s'adapter aux changements. Cette capacité offre la possibilité d'élaborer des solutions novatrices et efficaces dans un certain nombre de domaines, y compris le tourisme. L'utilisation de ML dans le secteur du tourisme peut bénéficier d'une amélioration des processus d'analyse des données, de la reconnaissance des modèles et des recommandations personnalisées avec un traitement automatique des tâches qui peut conduire à une meilleure expérience client ainsi que de la meilleure façon dont ils ont été obtenus grâce à une performance accrue par Afsahhosseini ou Al-Mulla ( 2020 )
Le domaine de maîtrise comprend trois types d'approches d'apprentissage: surveillance, non supervisée et appuyée. Dans le cadre de l'apprentissage supervisé, le modèle est formé à l'aide d'un ensemble de données où les intrants sont liés à leurs valeurs de sortie attendues relatives et à des modèles permettant d'apprendre les modèles ou les relations existants dans les données. Cette connaissance sera donc appliquée pour les prédictions sur le nouveau Liu-Wu ( 2012 ). Le système non surveillé se concentre sur la découverte de modèles et de relations dans un ensemble de données qui n'a pas été marqué, à savoir sans guider les valeurs de sortie prédéfinies de Hinton ou Sejnowsky ( 1999 ). Le renforcement de l'apprentissage permet aux modèles d'interagir avec l'environnement, de recevoir de la rétroaction comme récompense ou pénalise et de basculer leurs actions afin qu'ils puissent maximiser le retour attendu de François-Lavet. ( 2018 )
Le succès d'un modèle ML est mesuré par sa capacité à résoudre efficacement une tâche concrète, tout comme la classification et la prédiction. Tâches qui ont une forte valeur ajoutée dans toutes les industries, tout comme le tourisme avec l'utilisation des technologies d'analyse et de classification des données. 2020 ) Afsahhosseini et Al-Mulla ( 2020 ).
La conduite de l'analyse des données à l'aide de ML permet de découvrir des modèles et des relations cachés complexes dans l'ensemble de données, facilitant ainsi la prise de décisions en matière d'information.
Mada. Par exemple, en reconnaissant les modèles et les techniques de classification, ils leur permettent d'identifier de nombreuses variables de l'expérience d'un voyage comme celles qui viennent avec les préférences des clients ou la façon dont nous achetons mais aussi les caractéristiques des services contractuels Shafiee & Varjani ( 2016 ). Les techniques de projection utilisent des données empresas historiques pour prédire les comportements futurs, permettant à l'entreprise de mieux s'adapter au changement en répondant aux changements de la demande et des prix parmi de nombreux autres facteurs de Norbert ( 2011 ). Aussi avec ML vous pouvez automatiser les tâches et les processus de l'entreprise d'une manière intelligente. En outre, les systèmes de recommandation qui utilisent des algorithmes ML et fournissent les meilleures recommandations menant à une amélioration de l'expérience du marché avec leur satisfaction. ( 2014 ).
Bien que le potentiel de ML dans le secteur du tourisme soit important, il demeure essentiel de l'utiliser et de tenir compte de certaines implications éthiques ainsi que du respect du développement durable de cette technologie. Une attention particulière devrait être accordée à la confidentialité des données, aux biais algorithmiques et à l'impact social de ces systèmes afin que les avantages de cette technologie soient disponibles d'une manière durable pour tous les décideurs Vesni ′′ c-Ultievi ́ c et al. ( 2020 ).
2.2.1 Modèles de classement
Les modèles de classification constituent une catégorie fondamentale d'algorithmes dans le domaine et les statistiques. L'objectif principal de cette information est d'attribuer une étiquette ou une catégorie à une observation, en fonction de certaines caractéristiques et variables prédictives. Ces modèles sont largement utilisés dans un certain nombre de domaines, tels que la médecine et les soins financiers. Ils ont été mis au point avec de l'information sur leur capacité à les prédire ou à les catégoriser avec précision à un stade plus précoce).
Principaux modèles de classification
Il existe de multiples modèles de classification, chacun ayant ses avantages et ses inconvénients en fonction de la gravité du problème ou des données disponibles. Voici quelques-uns des plus courants:
La régression logistique
La régression logistique est l'un des modèles les plus simples et les plus efficaces pour les problèmes de classification binaire. Il calcule la probabilité qu'une observation appartienne à une classe donnée en utilisant sa fonction signmoïde. Il est particulièrement utile lorsque les relations entre la prédiction et les variables cibles sont linéaires.
Machines de soutien vectorielle (SVM)
Les SVM sont des modèles puissants qui cherchent un hyperplan optimal pour séparer les classes de l'espace de fonctionnalités. Ils utilisent le "kernel" pour gérer des données non linéaires, les rendant polyvalentes et précises dans de nombreux contextes.
Support Vector Machines, SVM a été rétabli comme un puissant et versatile algorithme d'apprentissage de machine pour un ensemble varié d'applications, de la reconnaissance d'image au traitement du langage naturel à la prédiction financière avec la bioinformatique. Ils sont là depuis des années. 90 et grâce à sa mise en œuvre réussie, en raison de la grande variété des problèmes qu'il peut analyser encore plus efficacement que les autres technologies. Le principal avantage de SVM est sa capacité à trouver un séparateur hyperplan optimal qui maximise la portée entre les classes, générant une solution impliquant seulement quelques vecteurs de support et sa propriété qui simplifiera leur application dans les problèmes à grande échelle Mocerza y Muñoz ( 2006 ).
Dans le domaine financier, SVM a démontré son efficacité dans la détection de la fraude par carte de crédit. Par rapport aux autres classimateurs, SVM peut résoudre à la fois les problèmes binaires de la classification linéaire et non linéaire en identifiant l'hyperplan qui sépare le mieux les données d'entrée C Li et al. ( 2021 ). Par exemple, l'utilisation de la MVS dans les techniques de risque de crédit a montré une grande capacité d'adaptation et une solution globale efficace à la prise de décisions avec ce problème S.-L. Li et al. ( 2006 ). D'autres défis avec son succès ont été des problèmes de solvabilité ou même des études sur Nazareth et Reddy cryptomonedas ( 2023 ). La capacité de SVM à gérer des données à haute dimensionalité et bruit met cette technique comme un outil utile dans l'environnement financier, mais son succès est également venu dans d'autres domaines, y compris la reconnaissance des images ou des problèmes de sécurité citoyenne parmi beaucoup d'autres qui montrent leur grande polyvalence Mocorro y Muñoz ( 2006 ).
SVM s'est avéré être une technique très efficace, mais la bonne sélection de sa fonction noyau et une sélection appropriée avec des hyperparamètres sont cruciales pour optimiser leurs performances, comme l'affirment Bing-yu et al. ( 2009 ). Spécifiquement dans le cadre du projet SYSTEM-TH-001, cette méthode a été étudiée comme un outil pour la détection du genre à partir du texte et de sa fonctionnalité mais cela peut être la clé de son avenir. Le domaine de recherche sur la MVM demeure entièrement avancé et nous pouvons nous attendre à de nouveaux progrès avec des applications menant plus loin leurs frontières.
Arbres de décision
Les arbres décisionnels sont des modèles intuitifs qui classent les observations par une structure de décision hiérarchique. Ils sont faciles à interpréter et utiles pour les problèmes de données catégoriques ou numériques. Lorsqu'ils sont combinés en forêts aléatoires (Random Forest), leur précision et leur robustesse s'améliorent grandement.
Réseaux neuronaux
Les réseaux neuraux sont des modèles inspirés du cerveau humain, idéal pour les problèmes complexes et non linéaires. Ils utilisent plusieurs couches de neurones pour apprendre les représentations hiérarchiques des données, les rendant très efficaces dans la classification d'image et le traitement du langage naturel.
Évaluation des modèles
L'efficacité des modèles de classification est évaluée à l'aide de mesures telles que la précision, le rappel et le score F1 avec une zone sous REC (AUC-ROC). De plus, il est crucial d'éviter des problèmes tels que les chevauchements en utilisant des technologies telles que la validation croisée et la régularisation.
2.2.2 Modèles d'optimisation
Les modèles de classification et d'optimisation sont une catégorie fondamentale d'algorithmes en ce qui concerne l'apprentissage automatique ainsi qu'au niveau statistique. L'objectif principal de cette information est d'attribuer une étiquette ou une catégorie à une observation, en fonction de certaines caractéristiques et variables prédictives, tout en recherchant les meilleurs paramètres du modèle avec une performance optimale. Ces modèles sont largement utilisés dans un certain nombre de domaines, tels que la médecine et les soins financiers. Ils ont été mis au point avec de l'information sur leur capacité à prédire ou catégoriser avec précision à un stade plus précoce.)Il existe plusieurs modèles utilisant des technologies d'optimisation pour améliorer leurs performances. Parmi les machines de soutien vectorielle (SVM) les plus courantes, il y a des modèles puissants qui cherchent un hyperplan optimal pour séparer les classes de l'espace caractéristique. L'optimisation de SVM repose sur la maximisation de la gamme entre les classes, garantissant une meilleure généralisation. Pour gérer les données non linéaires, SVM utilise le "kernel" tel que le kerel gaussien ou polynomique qui transforme les ensembles de données en espaces plus dimensionnels où les classes sont inséparables. De plus, la régression logistique est l'un des modèles les plus simples et les plus efficaces pour les problèmes de classification binaire. L'optimisation est obtenue en minimisant une fonction de coût avec l'entropie croisée, en utilisant des méthodes telles que la diminution du gradient stcastique (GDS). Cette approche garantit que les paramètres du modèle convergent vers un optimum global.
Les arbres de décision sont des modèles hiérarchiques qui classent les observations par un certain nombre de décisions fondées sur des caractéristiques spécifiques. L'optimisation de ces modèles implique la sélection de divisions qui minimisent les mesures telles que l'entropie ou l'indice Gini. Dans les forêts aléatoires, la performance est optimisée en combinant plusieurs arbres avec des techniques de marquage et en réduisant le risque d'overtuning. Les réseaux neuraux sont des modèles inspirés du cerveau humain, idéal pour les problèmes complexes et non linéaires. Ils utilisent des techniques d'optimisation telles que le déclin du gradient, les franges avec le moment et les algorithmes avancés comme Adam. Ces techniques conviennent au poids des connexions entre les neurones pour minimiser la fonction de perte et améliorer les performances. Des modèles tels que Gradient Boosting, AdaBooth et XGBOost utilisent également des techniques d'optimisation itérative pour ajuster les formes de modèles simples, y compris les arbres décisionnels en séquence. Chaque itération corrige les erreurs du modèle précédent, minimisant ainsi une fonction de perte cumulative.
Optimisation du support Machines vectorielles
SVM sont des algorithmes avec des performances basées sur l'utilisation du noyau. Un noyau K (x, et) est une fonction de valeur réelle N: X × X→ R qui agit comme un produit incrémentiel dans l'espace vecteur réel Z. À cette fin, il y a un rôle à jouer:
0: X → Z, ( 2.1 )
de sorte que K (x, et) = 0 [g] TΦ {y}. X et Z sont respectivement appelés espaces d'entrée avec des caractéristiques.
SVM appartient au type d'algorithmes basés sur la théorie de la régularisation de Mocorro et al ( 2006 ). Ces méthodes permettent la construction de fonctions de classification pour résoudre un problème d'optimisation dans Tikhonov et Arsenwith ( 1977 ):
N X
m ́ ın f 1 g
i = 1 L (yi, f) et g 2 K ( 2.2 )
où μ > 0; HK désigne l'espace de lecture du noyau (RKHS) de Hilbert associé au k-kerel, et pdg comme une règle de f chez Rekys. 1, + 1 } indique les deux classes possibles de xi et enfin L (yi, f) est une fonction d'erreur. Dans ce contexte, f (x) = 0 C'est une surface de décision à HK. L'approche SVM typique utilise la fonction d'erreur spécifique à L appelée perte de charnière, telle que définie par:
L (yi, f) = 1 − yi f (xi) et 2.3 )
avec (x) et = m ′′ ax 0 ).
Le problème ( 2.2 ), μ aide à mettre en place un engagement entre un ajustement de la f-solution avec des données quantifiées par L et la complexité de cette fonction.
C'est juste de prouver que 2 K = w 2, où w = pn i αiΦ (xi) et 0 est la cartographie telle que définie dans 2.1 ). En outre, le problème ( 2.2 ) peut être reformulé comme suit:
N X
m ́ ın w, b 1 g
i = 1 ( 1 − yi (wTΦ) + b et 2. ( 2.4 )
Le problème ( 2.4 ) est équivalent à résoudre le problème suivant de la double optimisation Mocerza et al. ( 2006 ):
g ′′ n.n β 1 2 β TQß − eTS
( 2.5 )
s.t. et Tβ = 0,
0 ≤ β < C,
où β = (β1,.g) T et 0 C'est un vecteur de zéros, et c'est un
certains, Q est défini comme N × g une matrice symétrique positive avec Qi j = yiy JK (xi et x). 1 2 μn est une constante. Ce problème était convexe et quadratique, avec chaque minimum local ainsi qu'un niveau mondial.
Par souci de simplicité, g (β) est défini comme un gradient pour une fonction objective avec ce problème. 2.5 ), c'est-à-dire g (β tema = Qß − e.
Un vecteur β est un point stationnaire de ( 2.5 ) si et seulement s'il y a un nombre d avec deux vecteurs non négatifs λ ou μ de sorte que:
g (β) + dy = λ − μ,
λiβi = 0, i = 1..n,
( 2.6 )
μi (C − β) = 0, i = 1..n,
λi, μI ≥ 0, i = 1 C'est pas vrai.
Peut être montré, Chen et coll. ( 2006 ), qu'un vecteur β comme le 0 ≤ β i < C satisfait aux conditions ( 2.6 ) Si et seulement si
− yig (β) i ≤ d,
− yig (β) i ≥ d, 2.7 )
où Iup (β) 124; βg < C, et lt = 1 ou β t > 0, et t = − 1 } et
Faible (β) 1 ou β t > 0 et 1 }. ( 2.8 )
De ( 2.7 ), que m (β] ≤ M {α} est avancé dans les cas suivants:
m (β)
M (β) M′′′ ın i ю Ilow et {α} yig, 2.9 )
Dans la littérature SVM, le problème ( 2.5 ) est résolu en utilisant ce que l'on appelle l'optimisation séquentielle minimale (OMS et Joachims, 1999; Platt, 1998 ). Ces algorithmes sont essentiellement des méthodes quadratiques de type Newton qui, afin de rendre le problème computingally traitable ont été considérées seulement un sous-ensemble de variables à chaque itération et soi-disant ensemble de travail plutôt que de travailler avec une Qmatrix entière.
Théorème 1. Laisser {β k} être une séquence infinie générée en étant la séquence infinie créée avec une méthode de type BMO pour le problème ( 2.5 ). Ensuite, si Q est une matrice définie positive, le point limite {β k} est un problème minimal global et unique ( 2.5 ).
Une preuve. Voir Chen et al. ( 2006 ). □
Le corollaire suivant est maintenu en conséquence.
Corollaire 1.1. Si {β k} est une séquence infinie, les deux limites suivantes existent et sont égales: l′′ ım K → γ ma (βks) = L ́ μ.g. 2.10 )
Compte tenu de la définition des ensembles Iup et Inlow à partir d'une équation ( 2.8 ), et en particulier de β k impliqués dans chaque ensemble (à l'intérieur des limites) pour g assez gros avec une petite tolérance ′′ > 0 La condition suivante doit être remplie: m (β k) − M [εg] ≤ γ, 2.11 )
C'est:
L ′′ ım k →
m (βk) − M [β ks] = 0.
Sur la base de ces résultats, les algorithmes de type SMO mettent en œuvre leur
Critère de la retraite:
m (β k) − M [βg] ≤. 2.12 )
2.3 Traitement des langues naturelles
Traitement du langage naturel, PLNs est une sous-zone de l'intelligence artificielle qui se concentre sur l'interaction informatique et humaine par le langage. Il permet aux machines de comprendre, d'interpréter et de produire le langage naturel. Le développement de ce domaine est dynamique et évolue très rapidement, générant des avancées assez significatives au cours des dernières années avec des applications dans différents domaines tels que la traduction des langues à l'analyse des sentiments ou de l'interface centrée sur Agarwal ( 2019 ).
Les PLN développent un vaste ensemble de technologies et d'approches, y compris la compréhension avec une génération de la langue naturelle ainsi que la façon de conduire la parole. Ces techniques utilisent souvent la capacité des MOI et de l'apprentissage profond ainsi que d'autres technologies informatiques pour l'analyse, la compréhension ou la génération du langage humain. Actuellement, les PLN montrent des progrès très significatifs, l'un d'entre eux est la capacité de comprendre les structures et les significations des ensembles de données en langage naturel. Les techniques telles que l'analyse ou la séparation) l'étiquetage, mais l'analyse sémantique, c'est comment un ordinateur peut se conduire presque à propos de l'humain dans une perspective Young et al ( 2017 ).
Deep Learning (DLs) a révolutionné le domaine des PLN, permettant de créer des modèles qui apprennent sur les représentations d'information complexes et à grande échelle. Souvent, les réseaux neuraux ont une performance plus que d'autres méthodes, des tâches telles que la traduction ou la génération de texte sont très efficaces avec ce type de modèles Lan et al. ( 2024 ).
Parmi les avancées récentes des PLN, mentionnons l'introduction de LLM, de grands modèles linguistiques comme SOFTWARE-TH-003 et GPT, ils ont montré une capacité impressionnante dans un multititre de Yenduri et al. ( 2023 ). Ces modèles pré-formés peuvent être ajustés au moyen d'un processus de réglage fin pour des tâches spécifiques, augmentant ainsi efficacement les connaissances riches sur la langue acquises au cours de la pré-entrée.
Les PLN, continuent d'évoluer et les chercheurs ou les utilisateurs sont actuellement confrontés à des défis tels que l'amélioration des modèles avec une performance robuste.
formation avec d'autres domaines, tels que l'apprentissage multimodal et la représentation de Khurana et al. ( 2022 ).
2.3.1 Identification du genre dans les textes
La classification par sexe d'un texte a fait l'objet de recherches avancées dans ce domaine. Une des applications les plus courantes est de détecter le sexe d'une personne qui a écrit un texte de Mukherjee et Balat ( 2017 ); Huang et al. ( 2014 ), courriel Corney et al. ( 2002 ), Kucukyilmaz et al. ( 2006 ) poste sur les sites Web de Yan et Ja ( 2006 ), contributeurs à des projets collaboratifs en ligne Vasilescu et al. ( 2014 ); B. Lin et Seebrenik ( 2016 ); Terrell et al. ( 2017 ); M. Das et al. 2019 ) ou pour détecter le genre de la rétroaction des utilisateurs sur les plateformes CRM Lau et al. ( 2005 ); Amado et al. ( 2018 ). La production de textes d'auteurs a été réalisée en plusieurs langues de Kocher et Savoy ( 2017 ); Fatima et al. ( 2017 ); Lotipez- Santillan et al. ( 2020 ), qui confirme les avantages des méthodes basées sur le contenu. D'autres approches pour résoudre ce problème pourraient être à l'aide de l'analyse des graphiques Kretschmer et Needle ( 2005 ); Rangel et Rosso ( 2016 ) ainsi que l'étiquetage de la partie du discours (POS. 2019 ).
A Krüger et Hermann ( 2019 ), les auteurs ont été 215 emplois antérieurs publiés entre 2017 et 2019 sur l'identification du sexe des auteurs. Selon cette revue, la meilleure expérience de la littérature de recherche précédente indique une précision de 93.4 % des affaires tirées de SERVICE-005 Markov et al. ( 2017 ). Il convient de mentionner que toutes les publications de recherche examinées dans le cadre de cette enquête mènent des procédures d'apprentissage automatique normalisées pour préparer l'entrée de texte, y compris la topénisation et la normalisation de l'Eisengstein ( 2019 ) (comme la lémisation ou le collage. Comme nous l'expliquons dans une section 5.3 Avec cette approche, nous avons apporté des modifications aux procédures normalisées pour améliorer le rendement en matière d'identification des sexes, comme l'ont suggéré d'autres recherches antérieures Uysal et Gunat ( 2014 ). En outre, l'une des limites communes à d'autres études est que seule l'examen de l'indentification binari (approfondira ces idées dans la section 3 ) 5.4.4 ).
Selon Krüger et Hermann ( 2019 ), il y a une grande variabilité dans l'exactitude de l'identification des sexes avec différentes langues. Un examen plus approfondi des emplois précédents dans cette revue révèle que les expériences avec des langues fournissant une information riche sur le générateur, comme l'espagnol et le portugais ont de meilleures performances que l'anglais. La nouvelle méthode, utile pour SYSTEM-TH-001 nous cherchons à confirmer s'il est possible avec certaines langues des caractéristiques spécifiques dans le but d'effectuer l'identification de genre.
L'identification du sexe d'un texte, c'est-à-dire décider de l'identité d'une personne.
Les études antérieures ont été comparées avec celles décrites dans un texte. Néanmoins, il y a des demandes de publicité ciblée Jansen et al. ( 2013 ), en évaluant les différences entre les sexes sur les marchés de l'emploi en ligne Fung et al. ( 2018 ) et la reconnaissance des entités désignées (NER. 2013 ). Contrairement aux approches précédentes, les services de base de données de Wais prédominent ( 2016 ); Santamaria et Mihaljevi ́ c ( 2018 ), le plus récent par S. Das et Paik ( 2021 ), montrer l'utilité d'appliquer des algorithmes d'apprentissage automatique qui analysent les informations contextuelles. La proposition de SYSTEM-TH-001 C'est-à-dire combiner des algorithmes d'apprentissage automatique avec la conservation d'éléments morphologiques qui contiennent des informations sur le genre dans certaines langues, pour une meilleure performance de marquage d'une personne décrite par texte.
2.4 Systèmes de gestion des connaissances
Systèmes de gestion des connaissances, systèmes de gestion des connaissances (SGK) est un domaine avec une approche spécialisée et souvent intégré dans d'autres systèmes plus complets fondés sur les connaissances pour gérer les ressources d'information de Grace & Butler. 2005 ). Ces systèmes sont conçus pour stocker, traiter et utiliser les connaissances nécessaires pour permettre Thampi ( 2008 ). Plus précisément, les MK sont généralement le refuge des connaissances d'une organisation en utilisant des dépôts tels que des bases de données et des lacs de données ou d'autres structures, mais ils nous permettent également d'analyser ces informations qui ont été stockées à la recherche de tendances tout en soutenant sa prise de décision dans une perspective stratégique Sensuse et al. ( 2018 ).
L'une des principales fonctions des MKM est d'accroître l'efficacité et l'efficience d'une organisation en surmontant les défis qui découlent de l'information sur sa pertinence, un processus réalisé avec les compétences du système de participation afin de générer des niveaux multiples au mieux dès que les nouvelles connaissances acquises Thampi ont été intégrées ( 2008 ). KMics a plusieurs applications dans plusieurs domaines, y compris des systèmes de gestion de documents et de contenus avec des plateformes d'apprentissage en ligne ainsi qu'un réseau de communication ou un système de travail collaboratif Grace ( 2005 ).
Par exemple, les gestionnaires de documents et de contenus s'emploient à fournir aux utilisateurs un accès en temps réel au contenu stocké de l'Organisation, généralement organisé par thèmes. Ces systèmes sont mis en place avec des structures de métadonnées qui facilitent la récupération et la navigation entre Sensuse et coll. ( 2018 ). Les systèmes d'apprentissage en ligne sont axés sur l'éducation et la formation des utilisateurs en fournissant des connaissances structurées et organisées.
Une façon amicale. Ces systèmes sont conçus pour améliorer le processus d'apprentissage en encourageant l'engagement des utilisateurs, ce qui leur permet d'acquérir de nouvelles compétences et de nouvelles capacités et d'obtenir leur meilleure part du développement dans son ensemble avec le capital humain de Grace ( 2005 ) Malingkas et Ce ( 2020 ). Les KMM ont également été rétablies comme une approche très populaire pour les organisations qui cherchent à promouvoir la collaboration, la socialisation et l'intégration de leur équipe humaine. K. Lee et Hawamdeh ( 2002 ). Ces systèmes peuvent être trouvés dans un certain nombre de domaines d'application, parmi lesquels nous avons utilisé Thampi ( 2008 ), jeux éducatifs Grace et Butler ( 2005 ) et des applications de réalité accrue C K. Lee et Hawamdeh ( 2002 ). Ils sont également intégrés en tant que réseaux de communication, et ils servent à partager avec eux les connaissances d'Iiriemiokhale ( 2020 )
Néanmoins, une mise en oeuvre réussie des MKM et leur intégration dans les processus d'apprentissage internes, voire leur partage, peuvent être complexes car elles exigent de tenir compte de multiples facteurs essentiels à la réussite, y compris l'alignement du système sur les objectifs stratégiques, mais une interaction active au sujet des employés. K. Lee et Hawamdeh ( 2002 ).
Un exemple de KMMs est le framework ' SYSTEM-TH-001 Il s'agit également d'un gestionnaire documentaire et de contenu qui organise des informations liées à plusieurs activités dans le domaine du tourisme dans le but de faciliter également la détection des connaissances.
La mise en œuvre exquise d'un MKM exige une connaissance et une compréhension approfondies des facteurs sociaux ou économiques qui peuvent influencer le partage de l'information avec une seule organisation, ainsi que la façon dont l'alignement stratégique sera réalisé vers les objectifs d'apprentissage d'eux tout en gérant leur familiarité. K. Lee et Hawamdeh ( 2002 ). En outre, en mettant l'accent sur l'importance de la compréhension et des motivations individuelles après que des études sur le partage des connaissances aient été menées, plusieurs facteurs peuvent avoir une incidence sur le succès de cette technologie, notamment les caractéristiques des utilisateurs, telles que leur orientation vers le partage de l'information ou leur confiance dans son système, mais aussi la dynamique du pouvoir. 2019 ). Pour assurer une mise en œuvre efficace des MK, les organisations doivent examiner attentivement ces facteurs critiques et élaborer des stratégies qui accroissent la culture comme moyen de leur permettre. Ils harmonisent leur système avec ses objectifs stratégiques tout en interagissant avec les utilisateurs en utilisant des activités sur la façon dont ils s'intéressent aux entreprises H. Lin ( 2007 ).
2.4.1 Systèmes de recommandation
Les systèmes de recommandation sont conçus pour fournir des suggestions personnalisées aux utilisateurs en créant un profil unique avec chaque individu, basé sur un éventail de paramètres différents qui reflètent leurs intérêts et préférences. Ces profils d'utilisateurs ont été essentiels pour permettre aux systèmes de recommandation d'adapter et de répondre à la nature dynamique des besoins ou préférences des utilisateurs. Peng et Xu ( 2022 )
Le processus d'établissement de profils d'utilisateurs implique généralement la collecte de données provenant de plusieurs sources, telles que l'information sur l'enregistrement et l'historique de navigation. 2016 ). Cet ensemble de données est analysé pour identifier les modèles qui permettront aux utilisateurs Hung et Huynh ( 2019 ). Puisque les préférences des utilisateurs peuvent changer au fil du temps, la construction de profil permet une meilleure adaptation à ce changement en générant les meilleures recommandations et en créant une expérience d'utilisation plus avancée des utilisateurs de Zhuhadar avec Nasraoui ( 2010 ).
Des systèmes de recommandation peuvent être mis en place pour utiliser différentes méthodes de recommandation, par exemple une approche ayant une bonne réputation ou une bonne récupération du contenu (paudel et al.) ( 2016 ). En tenant compte de ces différents facteurs, ils peuvent fournir aux utilisateurs un ensemble diversifié de recommandations qui couvrent leurs intérêts et leurs préférences. Peng ( 2022 )
Le développement d'un profil utilisateur adaptatif et précis est donc un élément essentiel de la conception efficace des systèmes de recommandation, car il permet à ces systèmes de s'adapter avec eux, tout en fournissant des suggestions personnalisées alignées sur les préférences des utilisateurs de Kanoje et al. ( 2015 )
Pour ces raisons, la capacité de créer et de maintenir un ensemble de profils d'utilisateurs au fil du temps est l'une des clés du succès final d'un système de pointage, car c'est pourquoi il permet de fournir des suggestions efficaces en améliorant la satisfaction des utilisateurs paudel et autres ( 2016 ).
Pour le cadre SYSTEM-TH-001 Il s'agit d'un système de recommandation qui peut faire des recommandations à l'agent de voyage au sujet des clients qui ont plus de propension à l'achat, et qui peut donc être classé comme une approche fondée sur la pertinence.
2.5 Agents intelligents
Les agents intelligents sont des entités logicielles qui peuvent interagir avec leur environnement et d'autres acteurs en leur sein, échanger des informations ou montrer des comportements simule la complexité du monde réel S.-M. Lee et pritchett ( 2008 ). Les agents intelligents, qui ont l'autonomie et la capacité d'interagir avec leur environnement, peuvent mener efficacement des tâches organisationnelles pour atteindre Itaiwi et al. ( 2012 ).
La nature dynamique des systèmes basés sur les agents, où les agents leur attribuent de multiples rôles et responsabilités, peut simuler des scénarios complexes qui tentent de modéliser le monde. En modélisant les agents en fonction des caractéristiques de la société actuelle, les chercheurs peuvent étudier les comportements qui apparaissent avec l'interaction entre les acteurs et qui offrent une connaissance précieuse des propriétés des systèmes d'adaptation complexes Ahmed et al. ( 2005 )
Les agents intelligents actuellement conçus comme robots physiques ou chatbots sont une alternative prometteuse aux assistants humains de haut niveau, car ils ont les capacités de navigation autonome à travers des environnements complexes et dynamiques qui utilisent leurs connaissances avec ses compétences de raisonnement pour atteindre un Zset. Peng ( 2021 ). Ces agents sont proactifs, indépendants et indépendants sur la base de leur propre connaissance des règles prédéfinies pour résoudre les problèmes Burgin ou Dodig-Crnkovi ́ c ( 2009 ). Votre capacité d'interaction peut être utilisée pour résoudre des problèmes complexes ou distribuer des charges de travail avec un degré de Burgin et Dodiga-Crnkovi ́ c ( 2009 ). La durée de vie des agents intelligents comprend l'atteinte d'un ensemble et de cibles grâce aux connaissances disponibles avec une association ( 2.1 ) Burgin et Dodiga-Crnkovi' c ( 2009 ). Ces objectifs peuvent être indépendants ou avoir été organisés avec des sous-objectifs qui leur permettent d'atteindre des objectifs de haut niveau lorsqu'ils sont atteints. Les objectifs sont liés aux tâches accomplies par les agents, les buts et les emplois ont été des éléments de l'état mental d'un agent. Cela sert de moyen pour stocker des règles ou des connaissances qui permettent de réaliser des défis avec les cibles Burgin & Dodig-Crnkovi ′′ c ( 2009 ).
L'organisation sous la forme de Multi Agent MAS Systems est ouverte à la collaboration, à la concurrence et à la négociation en utilisant des normes pour les technologies de modélisation avec l'ingénierie logicielle basée sur Zagent. Peng ( 2021 ); Francis et al. 2023 ); - Halhenborg ( 2009 ).
La modélisation par agent, la modélisation par agent (ABM) Uddin et al. 2021 ) et d'ingénierie logicielle orientée agent, Agens - Ingénierie logicielle orientée
Graphique 2.1: Principaux concepts de SOFTWARE-TH-001 pour le développement des MAS.
ring (AOSE) Garro et al. 2018 ) sont des normes dans le domaine que les éléments et les entités fournissent leur mise en oeuvre. Certaines approches bien connues utilisant des MAS pour résoudre des problèmes complexes ou simuler des environnements réels sont, les exercices de la circulation routière Fernandez- Isabel et al. ( 2020 ), les systèmes distribués d'appui à la décision Migulez-Fernández et al. ( 2020 ), têtes de systèmes d'entraînement à la machine d'inspiration bio et al. ( 2020 ) et jeux vidéo J. Wang, Hong et al. ( 2022 ).
Les MAS sont généralement conçus à l'aide d'artefacts spécifiques et de
Mener les différentes phases du développement complexe du système. Cela permet de générer des relations et des interactions entre les agents représentés graphiquement, puis automatiquement transformés en code source. SOFTWARE-TH-001 GAIA, Probetheus et Troils sont des méthodes d'agents les plus connues chez Siswahyudi et al. ( 2018 ).
Les plateformes d'agent, les bibliothèques de code source de certains langages de programmation sont généralement la solution pour appliquer le MAS qui ont été modélisés auparavant. Les faits marquants dans ce domaine sont: SOFTWARE-TH-004 (Java) Bergenti et al. 2020 et MESA (Python) Kazil et al. 2020 ).
Pour le développement de SYSTEM-TH-001 La méthodologie d'agent utilisée a été INGE-NIES, en adaptant le modèle d'instrument au cadre du MESA pour sa mise en œuvre. Le modèle d'agent est un modèle bio-inspiré et distribué basé sur l'organisation d'une fourmi, pour générer MAS avec plusieurs fourmis qui travaillent ensemble ou indépendamment selon la charge de travail du système.