O avance da intelixencia artificial (IA) revolucionou varios sectores, e o turismo non é a excepción. A crecente dixitalización do sector permitiu o programa de técnicas avanzadas da IA para mellorar a experiencia do usuario, optimizar a xestión de servizos e facilitar a toma de decisións estratéxicas. Neste contexto, o sistema SYSTEM-TH-001 preséntase como unha solución innovadora que integraxe automática, sistemas de xestión do coñecemento e axentes intelixentes para mellorar a personalidade e eficiencia na industria turística.
A aprendizaxe automática (Machine Learning, ML) é unha das tecnoloxías chave neste campo. Inspirado na aprendizaxe humano, ML permítelle a detección de patróns en grandes volumes de datos, facilitando predicións e recomendacións precisas. Modelos de clasificación como Máquinas de Soporte Vectorial (SVM) e redes neuronais demostraron a súa eficacia na personalidade de ofertas e a segmentación de clientes no sector turístico.
Ademais, os sistemas de xestión do coñecemento (Knowledge Management Systems, KMS) xogan un papel fundamental na organización e recuperación da información relevante. Estes sistemas permiten estruturar grandes volumes de datos e facilitar o acceso a coñecementos útiles para a toma de decisións.
Por outro lado, os axentes intelixentes, deseñados baixo a metodoloxía SOFTWARE-TH-001, permiten unha interacción dinámica co entorno e entre eles mesmos, ofrecendo solucións automatizadas e adaptativas en SYSTEM-TH-001. Este enfoque bioinspirado facilita a optimización de tarefas e a distribución eficiente de cargas de traballo.
En conxunto, estas tecnoloxías converten a SYSTEM-TH-001 nun sistema robusto e escalable que refire a maneira en que o turismo pode beneficiarse da intelixencia artificial, mellorando a experiencia do usuario e optimizando a xestión dos recursos dispoñíbeis.
2.1 Introdución
Neste capítulo exploóranse as técnicas de intelixencia artificial usadas no sistema SYSTEM-TH-001, destacando o estado da arte en turismo cando é posíbel. Aborda a aprendizaxe automática, comparando a súa semellanza coa aprendizaxe humana e o seu programa para identificar patróns en grandes volumes de datos, o cal mellora a toma de decisións. Os modelos de clasificación, como SVM e redes neuronais, examinanse en detalle. Ademais, discuten os sistemas de xestión do coñecemento e recomendación, aplicados para optimizar a experiencia no turismo. Tamén se abordan os axentes intelixentes, a súa capacidade para interactuar co entorno e a súa implementación en SYSTEM-TH-001 mediante a metodoloxía SOFTWARE-TH-001.
Analizarase o estado da arte en cada área, dando un marco teórico e práctico que permitirá comprender a importancia e o impacto da intelixencia artificial na evolución do turismo dixital.
2.2 Aprendizaxe automática
A aprendizaxe humana e a aprendizaxe automática, aínda que parecen diferentes, comparten un conxunto de principios e procesos semellantes. Basicamente requiren da adquisición e interiorización da información, que desemboca no desenvolvemento de habilidades, coñecemento e a capacidade de adaptarse a novas situacións Langley ( 2022 ) Botvinick et al. ( 2017 ).
Desde unha perspectiva filosófica, a aprendizaxe humano vai alén da mera adquisición de habilidades e conlleva a formación do carácter, o desenvolvemento ético e a capacidade de pensamento crítico. Aristoteles, no seu traballo: "Esta de Nicomaco", examina a importancia do hábito e a práctica no desenvolvemento de virtudes, concluíndo que a aprendizaxe é un proceso contínuo que mellora e desenvolvemento persoal J. Wang, Guo, e Chen ( 2022 )
A aprendizaxe automática, ML, podería entender como unha extensión, actualmente engadido, da aprendizaxe humana. En ML as máquinas aprenden, adquirendo coñecemento e certas habilidades mediante programas informáticos, chamemos algoritmos para simplifcalo, que permiten aprender de forma incremental ao longo do tempo, mediante a práctica. ML é a área que na base de datos e modelos matemáticos, permítelle identificar patróns que mellorar a toma de decisións baseadas en datos Meltzof et al. ( 2009 ).
Este paralelismo non é un decubrimento recente, de feito un dos pioneiros no campo da intelixencia articicial, Alan Turing, xa recoñeceu o potencial das
máquinas programables para aprender a experiencia e mellorar o rendemento en tarefas expecíficas Naqa e Murphy ( 2015 ). Se profundizamos máis no coñecemento da intelixencia artificial, podemos observar os grandes esforzos para desenvolver sistemas de aprendizaxe que emulen ou mesmo superen ás habilidades cognitivas da aprendizaxe humana Lake et al (. 2016 Romero de Mendez et ao. ( 2023 ).
Unha das características de ML máis apreciadas hoxe en día, é a capacidade para analizar grandes cantidades de datos á procura de figuras, habilidade moi afastada da que gozamos os humanos Russsell e Norvig ( 2010 ).
Isto fai que ML sexa un avance moi significativo na área da intelixencia artificial, dado que permite ás máquinas aprender, da forma na que se defina, para mellorar a adaptación aos cambios no entorno. Esta capacidade ofrece o potencial de construír solucións innovadores e eficientes ao longo dun gran conxunto de áreas, incluíndo o turismo. Mediante o uso de ML o sector do turismo pode beneficiarse de procesos de perfilado, recoñecementos de figuras, recomendacións personalizadas e procesamento automáticos de tarefas, o que pode reducir nunha mellor experiencia do cliente e unha optimización dos procesos, co consecuente incremento do rendemento do negocio Afsahhosseini e Al-Mulla ( 2020 )
A área de ML comprende tres tipos de enfoque de aprendizaxe: supervisado, non supervisado e aprendizaxe reforzada. Na aprendizaxe supervisada, o modelo é adestrado cun conxunto de datos onde as entradas están ligadas ás súas valores de saída correspondentes, permitíndolle ao model aprender as figuras e relacións existentes nos datos e consecuentemente aplicar o coñecemento para facer predicións sobre novos datos Liu e Wu ( 2012 ). No non supervisado, focaliza o descubrimento de padróns e relacións nun conxunto de datos non etiquetado, isto é, sen guía dos valores de saída predefinidos Hinton e Sejnowski ( 1999 ). A aprendizaxe reforzada permite aos modelos interactuar co entorno, recibindo retroalimentación na forma de recompensas ou penalizacións, para axustar as accións para maximizar o retorno agardado François-Lavet al. ( 2018 )
O éxito dun modelo de ML mídese pola súa habilidade para resolver efectivamente unha tarefa concreta, como puden ser a clasificación, predición e xeración. Tarefas que gozan dun alto valor engadido en todas as industrias, como pode ser o turismo, mediante a utilización de técnicas de análise de datos, clasificación, recoñecemento de figuras, a predición e finalmente a automatización de tarefas, así como os sistemas de recomendación Kazak e alt. ( 2020 ) Afsahhossini e Al-Mulla ( 2020 ).
A realización de análises de datos mediante ML, permite descubrir patróns e relacións agochadas complexas nos datos, o que facilita a toma de decisións infor -
mada. Por exemplo, mediante o recoñecemento de patróns e as técnicas de clasificación, permiten identificar moitas variábeis das experiencias dunha viaxe, como poden ser aquelas que provén da configuración do cliente, a forma de comprar, así como as características dos servizos contratados Shafie e Varjani ( 2016 ). As técnicas de predición empregan os datos históricos para predicir futuros comportamentos, o que permite á empresa mellorar a súa adaptación ao cambio, respondendo aos cambios na demanda de servizos e prezos, entre outros factores Norbert ( 2011 ). Ademais mediante ML pódense automatizar tarefas e procesos da empresa dun xeito intelixente. Así mesmo, os sistemas de recomendación que usan algoritmos de ML, fornecer recomendacións óptimas, o que produce unha mellorar na experiencia e satisfacción do comprador Borínas et al. ( 2014 ).
Aínda que o potencial de ML no sector do turismo é significativo, é esencial ao usalo, considerar certas implicacións éticas e de desenvolvemento sostible desta tecnoloxía. É necesario prestar atención á privacidade dos datos, os sesgos algorítmicos e o impacto social de ditos sistemas para que o beneficio desta tecnoloxía este dispoñible dunha forma sosteníbel e beneficioso para todos os decisores Vesni `c-Aluxevixe ♫ e alt. ( 2020 ).
2.2.1 Modelos de clasificación
Os modelos de clasificación son unha categoría fundamental de algoritmos no ámbito da aprendizaxe automática e a estatística. O seu obxectivo principal é asignar unha etiqueta ou categoría a unha observación, baseada nun conxunto de funcionalidades ou variábeis predictoras. Estes modelos son amplamente usados en diversas áreas, como a medicina, as finanzas, o marketing e a seguridade, debido á súa capacidade para predicir e categorizar con precisión.
Principais Modelos de Clasificación
Existen varios modelos de clasificación, cada un coas súas vantaxes e desvantaxes, dependendo da natureza do problema e os datos dispoñíbeis. Algúns dos máis comúns inclúen:
Regresión Loxística
A regresión loxística é un dos modelos máis simples e efectivos para problemas de clasificación binaria. Calcula a probabilidade de que unha observación pertenza a unha clase dada empregando unha función sigmoide. É particularmente útil cando as relacións entre as variábeis predictoras e a variábel obxectivo son lineares.
Máquinas de Soporte Vectorial (SVM)
As SVM son modelos poderosos que buscan un hiperplano óptimo que separe as clases no espazo de características. Usan "kernels" para xestionar datos non lineares, o que as fai versátiles e precisas en moitos contextos.
Support Vector Machíns, SVM resurxiu como un algoritmo de machine learning poderoso e vérsatil para un conxunto variado de programas, desde o recoñecemento de imaxes e o procesamento natural da linguaxe a predicción financeira e bioinformática. Estroduxéronse aló polos anos 90 Sendo o resultado do seu programa todo un éxito, debido á gran variedade de problemas que pode analizar, mesmo con maior rendimento que outras técnicas. A principal vantaxe dos SVM é a súa capacidade para atopar un óptimo hiperplano separadores que maximiza a marxe entre clases, o que xera unha solución que involucra só uns poucos vectores de soporte, unha propiedade que simplifica o seu aplicativo en problemas de escala Moguerza e Muñoz ( 2006 ).
No dominio financeiro, SVM demostrou a súa efectividade na detección de fraude con tarxetas de crédito. Comparado con outros clasificadores, SVM pode resolver tanto problemas binarios de clasificación lineais e non lineares, identificando o hiperplano que mellor separa os datos de entrada C. Li et al. ( 2021 ). Por exemplo, o uso de SVM nas técnicas de risco crediticio, amosou unha grande capacidade de adaptación, xerando unha solución global eficiente para a toma de decisións neste problema S.L. Li et al. ( 2006 ). Outros problemas nos que tivo éxito o seu programa foi os problemas de solvencia ou mesmo os estudos sobre criptomonedas Nazareth e Reddy ( 2023 ). A capacidade de SVM para xestionar datos cunha grande dimensionalidade e ruído, posiciona a esta técnica como unha ferramenta de alto valor no entorno financeiro, aínda que así o seu éxito tamén chegou a outras áreas como o recoñecemento de imaxes ou problemas en seguridade cidadá, entre outros, o que mostras a súa gran versatilidade Moguerza e Muñoz ( 2006 ).
SVM demostrou ser unha técnica altamente efectiva, aínda así, a selección correcta da súa función kernel e apropiada selección dos hiperparámetros son cruciais para optimizar o seu rendemento, como indica a literatura Bing- yu et al. ( 2009 ). En concreto dentro do proxecto SYSTEM-TH-001, investiuse este método como ferramenta para a detección do xénero dun texto, funcionalidade aínda non soportada pero que pode ser chave no futuro do mesmo, dado que se pode explicar ben o seu comportamento. A área de investigación dos SVM segue en pleno desenvolvemento, polo que podemos agardar novos avances e aplicativos que leven máis lonxe os seus límites.
Árbores de Decisión
As árbores de decisións son modelos intuitivos que clasifican as observacións a través dunha estrutura xerárquica de decisións. Son fáciles de interpretar e útiles para problemas con datos categóricos ou numéricos. Cando se combinan en bosques aleatorios (Random Forest), melloran significativamente a súa precisión e robustez.
Redes Neuronais
As redes neuronais son modelos inspirados no cerebro humano, ideais para problemas complexos e non lineares. Usan varias capas de neuronas para aprender representacións xerárquicas dos datos, o que as fai altamente efectivas en clasificación de imaxes, procesamento da linguaxe natural e máis.
Avaliación dos modelos
A eficacia dos modelos de clasificación é avaliada mediante métricas como a precisión, o recall, a F1-score e a área baixo a curva ROC (AUC- ROC). Ademais, é crucial evitar problemas como o sobreaxuste, usando técnicas como a validación cruzada e a regularización.
2.2.2 Modelos de optimización
Os modelos de clasificación e optimización son unha categoría fundamental de algoritmos no ámbito da aprendizaxe automática e a estatística. O seu obxectivo principal é asignar unha etiqueta ou categoría a unha observación, baseada nun conxunto de funcionalidades ou variábeis predictoras, ao tempo que procuran optimizar os parámetros do modelo para acadar un rendemento óptimo. Estes modelos son amplamente usados en diversas áreas, como a medicina, as finanzas, o marketing e a seguridade, debido á súa capacidade para predicir e categorizar con precisión. Hai múltiples modelos que empregan técnicas de optimización para mellorar o seu rendemento. Algúns dos máis comúns inclúen as Máquinas de Soporte Vectorial (SVM), que son modelos poderosos que buscan un hiperplano óptimo que separe as clases no espazo de características. A optimización en SVM baséase en maximizar a marxe entre as clases, o que garante unha mellor xeneralización. Para xestionar datos non lineares, as SVM empregan "kernels", como o kernel gaussiano ou o polinómico, que transforman os datos en espazos de maior dimensión onde as clases sexan separables. Por outro lado, a regresión loxística é un dos modelos máis simples e efectivos para problemas de clasificación binaria. A optimización faise minimizando unha función de custo baseada na entropía cruzada, usando métodos como o descenso de gradiente estocástico (SGD). Este enfoque asegura que os parámetros do modelo converten cara a un óptimo global.
As árbores de decisións son modelos xerárquicos que clasifican as observacións a través dunha serie de decisións baseadas en características específicas. A optimización nestes modelos implica seleccionar as divisións que minimicen métricas como a entropía ou o índice Gini. Nos bosques aleatorios, optimízase o desempeño combinando varias árbores mediante técnicas de "baging", reducindo o risco de sobreaxuste. Pola súa parte, as redes neuronais son modelos inspirados no cerebro humano, ideais para problemas complexos e non lineares. Usan técnicas de optimización como o descenso de gradiente, o descenso de gradiente con momento e algoritmos avanzados como Adam. Estas técnicas axustan os pesos das conexións entre as neuronas para minimizar a función de perda e mellorar o rendemento. Ademais, modelos como Gradient Boosting, AdaBost e XGBost utilizan técnicas de optimización iterativa para axustar modelos simples, como árbores de decisión, en secuencia. Cada iteración corre os erros do modelo anterior, minimizando unha función de perda acumulativa.
Optimización de Support Vector Machines
SVM son algoritmos cun rendemento baséase no uso de Kernels. Un kernel K( x, y) é unha función de valor real K: X jux X imax X imag que actúa como un produto escalar nun espazo vectorial real Z. Para iso, existe unha función:
Φ: X →Z, ( 2.1 )
de tal xeito que K( x, y) = canadense( x) Tï( y). X e Z son, respectivamente, coñecidos como espazos de entrada e de características.
SVM pertence ao tipo de algoritmos baseados na teoría de regularización Moguerza et al. ( 2006 ). Estes métodos permiten construír funcións de clasificación para resolver un problema de optimización na forma Tikhonov e Arsenin ( 1977 ):
n X
m ́ın f∈HK 1 n
i= 1 L(yi, f(xi)) + μ ∥f∥ 2 K, ( 2.2 )
onde xacer > 0; HK denota o espazo de Hilbert do kernel de reprodución (RKHS) asociado co kernel K; kernel K; xancronizaK é a norma de f norma de f no RKHS; xi son os puntos de datos mostrados; yiAlicerce {Configuración 1, + 1 } indica as dúas clases posíbeis de xi; e, finalmente, L( yi, f( x) é unha función de erro. Neste contexto, f( x) = 0 é unha superficie de decisión en HK. O enfoque típico de SVM emprega a función de erro específica L, chamada perda de bisagra (hinge oss), definida como:
L(yi, f(xi)) = ( 1 −yi f(xi))+, ( 2.3 )
with (x) + = máis ♫ax( x, 0 ).
No problema ( 2.2 ), axudiña a establecer un compromiso entre o axuste da solución f aos datos, cuantificado por L, e a complexidade da función f, cuantificada por aburcinafrk.
É inmediato demostrar que ♫fï 2 K = ∥w∥ 2, donde w = Pn i αiΦ(xi) y Φ es el mapeo definido en ( 2.1 ). Ademais, o problema ( 2.2 Pode ser reformulado como:
n X
m ́ın w,b 1 n
i= 1 ( 1 −yi(wTΦ(xi) + b))+ + μ ∥w∥ 2. ( 2.4 )
O problema ( 2.4 ) é equivalente a resolver o seguinte problema de optimización dual Moguerza et ao. ( 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 é un vector de ceros, e é un vector de
uns, Q é definido como n j n unha matrix simétrica positiva con Qi j = yiy jK( x, x j) e C = 1 2 É unha constante. Este problema é convexo e cuadrático e ademais cada mínimo local tamén é un mínimo global.
En aras da simplicidade, defínese g( montado) como o gradiente da función obxectivo do problema ( 2.5 ), esto es, g(β) = Qβ −e.
Un vector ♫ é un punto estacionario de ( 2.5 ) si e só se hai un número d e dous vectores non negativos ♫ e maildir, de tal xeito 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.
Pódese mostrar, Chen et ao. 2006 ), que un vector océano coma o 0 ≤βi ≤C satisface las condiciones ( 2.6 Si e só 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 )
Na literatura de SVM, o problema ( 2.5 ) é resolto usando os denominados algoritmos de tipo Optimización Mínima Secuencial (SMO) (Joachims, 1999; Platt, 1998 ). Estes algoritmos son esencialmente métodos cuadráticos de tipo Newton que, coa fin de facer que o problema sexa computacionalmente tratable, consideran só un subconxunto de variábeis en cada iteración, o chamado conxunto de traballo, no canto de traballar con toda a matriz Q.
Teorema 1. Deixar {10k} sexa unha secuencia infinita xerada por be the infinite sequence xerated por un método de tipo SMO para o problema ( 2.5 ). Logo, se Q é unha matriz definida positiva, o punto límite de {- q} é o mínimo único e global do problema ( 2.5 ).
Demostración. Vista Chen et al. ( 2006 ). □
En consecuencia, mantense o seguinte corolario.
Corolario 1.1. Se {10k} é unha secuencia infinita, os dous límites seguintes existen e son iguais: l ♫m käm (ainda así) = l imaxinom karight( ampliaciónM( orballok) ( 2.10 )
Tendo en conta a definición dos conxuntos Iup e Ilow da ecuación ( 2.8 ), e particularmente involucrados dentro de cada conxunto (dentro dos límites), para klo suficientemente grande e unha tolerancia pequena amplo > 0, se cumple la siguiente condición: m(βk) −M(βk) ≤ε, ( 2.11 )
isto é:
l ́ım k→∞
m(βk) −M(βk) = 0.
Sobre a base destes resultados, os algoritmos de tipo SMO soportan o si-
criterio de detención:
m(βk) −M(βk) ≤ε. ( 2.12 )
2.3 Procesamento de Linguaxe Natural
Procesamento de Linguaxe Natural, PLNs, é unha subárea da intelixencia artificial que se enfoca na interacción entre ordenadores e humanos, a través da linguaxe. Permite que as máquinas comprender, interpretar e producir linguaxe natural. O desenvolvemento deste campo está a ser dinámico e evoluciona moi rápido, xerando avances moi significativos nos últimos anos, con aplicacións en dominios diversos, como a tradución de linguaxes, a análise de sentimentos e os interface orientados á conversa Agarwal ( 2019 ).
PLN, desenvolve un amplo conxunto de técnicas e enfoques, incluíndo a comprensión e xeración da linguaxe natural, así como o procesamento da fala. Dichas técnicas adoitan usar a capacidade de MLs e deep learning, así como outras técnicas de computación, para a análise, a comprensión e a xeración da linguaxe humana. Actualmente PLNs mostra avances moi significativos, un deles é a capacidade para comprender as estruturas e significados de conxuntos de datos na linguaxe natural, técnicas como a análise ou parsing, a marcada, a análise semántica, son os métodos que permiten un ordenador comportarse case como un humano desde o punto de vista da linguaxe Youngt e al (. 2017 ).
Deep Learnings (DLs) revolucionou o campo de PLNs, permitindo a creación de modelos que aprenden as complexas representacións da linguaxe, de datos a grande escala. Moitas veces as redes neuronais mostran un rendemento superior a outros métodos, tarefas como a tradución ou a xeración de texto tornaron moi eficientes con este tipo de modelos Lan et al (. 2024 ).
Entre os recentes avances en PLNs atópase a introdución dos LLM, large language models, como SOFTWARE-TH-003 e GPT, que demostraron unha capacidade impresionante nunha múltitude de tarefas Yendurit ao. ( 2023 ). Estes modelos preentrenados poden ser axustados mediante un proceso de fine-tunnnning, para tarefas específicas, elevando efectivamente o rico coñecemento da linguaxe adquirida durante o presentamento.
PLNs, continúa en evoluicón, investigadores e usuarios están enfrontándose a varios retos, como a mellora, robustez e interpretabilidade dos modelos, pechando o burato entre a compresión e a xeración da linguaxe natural e explorando a in-
tegración con outros campos, como a aprendizaxe multimodal e a representación do coñecemento Khurana et al. ( 2022 ).
2.3.1 Identificación do xénero en textos
A clasificación de xénero dun texto ten potenciado investigacións na área. Unha das aplicacións máis frecuentes é detectar o xénero da persoa que escribiu un texto Mukherjee e Bala ( 2017 ); Huang et al. 2014 ), autores de mensaxe de correo electrónico Corney et al. ( 2002, mensaxes de chat Kucukyilmaz et al. ( 2006 ) Posts en web Yan e Yan ( 2006 ) contribuíntes en proxectos online colaborativos Vasilescu et al. ( 2014 ); B. Lin e Serebrenik ( 2016 ); Terrell et ao. 2017 ); M. Das et al. ( 2019 ) ou a detección do xénero da retroalimentación de usuarios en plataformas de CRM Lau et al. ( 2005 ); Amado et al. 2018 ). O perfilado dos textos autores foron feitos por varias linguas Kocher e Savoy ( 2017 ); Fatima et al. ( 2017 ); López-Santillán et ao. ( 2020 ), o que confirma as vantaxes dos métodos que se basean no contido. Outros enfoques para este resolver este problema, poderían ser o uso de análises de grafos Kretschmer e Agullo ( 2005 ); Rangel e Rosso ( 2016 ) así como a etiquetada de Part Of Speech (POS) Fourkioti et al. ( 2019 ).
En Krüger e Irmann ( 2019 ), os autores examinan 215 traballos previos publicados entre 2017 y 2019 sobre a identificación do xénero dos autores. De acordo a esta revisión, o mellor experimento na literatura de investigacións previas revela unha precisión do 93.4 % dos casos extraídos en posts de SERVICE-005 Markov et al. 2017 ). Merece a pena mencionar, que todas as publicacións das investigacións consideradas por esta enquisa, realizan procedementos estándar de machine learning para preparar a entrada dos textos, incluíndo tokenalización e normalización do texto Eisenstein ( 2019 (como a lematización ou o stemming). Tal e como explicamos en a parte 5.3, mediante este enfoque, escribimos cambios nos procedementos estándar para mellorar o rendemento na identificación do xénero como se suxire noutras investigacións previas Uysal e Gunal ( 2014 ). En adición ao anterior, un das limitacións comúns doutros estudos é que só considerar a indentifación binari (fundirase nestas ideas na sección 5.4.4 ).
Segundo Krüger e Hermann ( 2019 ), hai unha gran variabilidade na precisión da identificación de xénero mediante diferentes linguas. Un ollar máis profundo dos traballos previos nesta revisión revela que os experimentos con linguas que fornecen unha rica información sobre o xenero, como o Español e o Portus, presentan un mellor rendemento que o inglés. No novo método presentado, de utilidade para SYSTEM-TH-001 Buscamos confirmar se é posíbel empregar funcionalidades específicas dalgunhas linguas co propósito de facer identificación do xénero.
A identificación do xénero dun texto, isto é, decidir o xénero dunha persoa
describe nun texto, recibiu comparativamente un amenor atención en estudos previos. Non obstante, hai aplicacións para a publicidade dirixida Jansen et al. ( 2013 Avaliar as diferenzas de xénero en mercados de traballo online Foong et al. ( 2018 ) e o recoñecemento de entidades nomeadas (NER) Cho et al. ( 2013 ). En contraste con enfoques previos, predominantemnete baseados en servizos de bases de datos Wais ( 2016 ); Santamaría e Mihaljevi ♫c ( 2018 ), máis recente por S. Das e Paik ( 2021 ) mostran a utilidade de aplicar algoritmos de machine learning que analicen información de contexto. A proposta para SYSTEM-TH-001 é combinar os algoritmos de machine learning coa retención de elementos morfolóxicos que conteñan información sobre o xénero nalgúns idiomas, para unha mellora no rendemento da marcado dunha persoa descrito nun texto.
2.4 Sistemas de xestión do coñecemento
Knowledge Management Systems, Knowledge Management Systems (KMSs), é unha área cun enfoque especializado, a miúdo integrado dentro doutros sistemas baseados no coñecemento máis amplios para a xestión dos recursos de coñecemento da organización Grace e Butler ( 2005 ). Estes sistemas están deseñados para almacenar, procesar e usar o coñecemento necesario para acadar os obxectivos da organización Thampi ( 2008 ). Máis específicamente, os KMSs, típicamente son o refuxio do coñecemento da organización, usando o uso de repositorios como bases de datos, data lakes e outras estruturas, pero ademais permiten analizar este coñecemento almacenado á procura de tendencias, soportando o proceso de toma decisións da organización desde un punto de visualización estratéxico Sensuse e al (. 2018 ).
Unha das funcións chave dos KMS é incrementar a efectividade e eficiencia da organización, na superación dos retos que surxen do problema de fornecer acceso a coñecemento relevante, proceso conseguido a partir da habilidade do sistema para xerar múltiples níveis de efectiva, que son mellorados incrementalmente tan pronto como se integra novo coñecemento adquirido Thapim ( 2008 ). KMS ten múltiples programas a través de varios dominios, incluíndo sistemas de xestión de documentos e contidos, plataformas de e-learning, redes de comunicación e sistemas de traballo colaborativo Grace e Butler ( 2005 ).
Por exemplo, os xestores de documentos e contidos enfocanse en fornecer ao usuario acceso en tempo real aos contidos almacenados da organización, tipicamente organizado por temáticas. Estes sistemas son implementados mediante estruturas de metadatos que facilitan a recuperación e navegación entre os contidos Sensuse et ao. ( 2018 ). Os sistemas de E-learning systems, enfocanse en educar e formar aos usuarios entregando coñecemento organizado e estruturado
dunha forma amigábel. Estes sistemas están deseñados para mellorar o proceso de aprendizaxe, mediante a estimulación do compromiso do usuario, permitindo a adquisión de novas habilidades e capacidades e por útlimo contribuíndo ao desenvolvemento en xeral do desenvolvemento profesional do capital humano da organización Grace e Butler ( 2005 ) Malingkas e Ce 2020 ). KMSs tamén resurxiron como un enfoque moi popular para as organizacións que buscan promover a colaboración, socialización e integración do seu equipo humano C. K. Lee e Hawamdeh ( 2002 ). Estes sistemas poden atoparse en múltiples dominios de aplicación, entre eles, atopamos sistemas de recomendación para a educación Thamppi ( 2008, xogos educacionais Grace e Butler ( 2005 ) e aplicativos de realidade aumentada C. K. Lee e Hawamdeh ( 2002 ). Tamén son integrados como redes de comunicación, que serven como plataforma para a compartir e xestionar o coñecemento Eiriemiokhale e Idiedo ( 2020 )
Porén, unha implementación exitosa dos KMS e a súa integración con procesos de aprendizaxe interna e mesmo compartir o mesmo, pode ser complexa, dado que require considerar varias factores críticos para o éxito, como o aliñamento do sistema cos obxectivos estratéxicos, a interacción activa cos empregados e o estabelecemento dunha cultura organizacional de soporte C. K. Lee e Hawamdeh ( 2002 ).
Un exemplo de KMSs é o fracaso SYSTEM-TH-001 Visibilidade, que tamén é un xestor documental e de contidos que organiza a información relacionadas con varias actividades no dominio da turismo para facilitar a detección de coñecemento e a súa recuperación.
A implementación exítosa dun KMS require dun profundo coñecemento e comprensión dos factores sociais e económicos que poden influir ao compartir coñecemento nunha organización, así como o aliñamento estratéxico cos obxectivos de aprendizaxe e xestión do coñecemento da mesma C. K. Lee e Hawamdeh ( 2002 ). Ademais, estase poñendo o foco na importancia da comprensión a nivel individual das motivacións detrás da acción de compartir coñecemento, os estudos actuais identificaron varios factores que poden impactar o éxito desta tecnoloxía, incluíndo as funcionalidades dos usuarios, como a súa orientación a compartir coñecemento, a súa confianza no sistema, así como as dinámicas de poder, pero Tamén sobre a natureza do coñecemento compartido e o contexto da organización Njiraine ( 2019 ). Para garantir unha efectiva implementación dos KMSs, as organizacións deben considerar coidadosamente estes factores críticos e desenvolver estratexias que incrementen a cultura de soporte, alineen o sistema cos obxectivos estratéxicos e interaccionen cos usuarios mediante actividades con sentido de negocio H. Lin ( 2007 ).
2.4.1 Sistemas de Recomendación
Os sistemas de recomendación están deseñados para fornecer suxestións personalizadas aos usuarios mediante a creación dun perfil único para cada individuo, en base a conxunto variado de parametros que reflecten os seus intereses, configuración e crenzas. Estes perfís de usuario con fundamentais para permitir que os sistemas de recomendación se adapten e satisfagan a natureza dinámica das necesidades e configuración dos usuarios J. Peng e Xu ( 2022 )
O proceso de construir os perfís de usuario típicamente conlleva a recollida de datos de varias fontes, como por exemplo a información de rexistro, o historial de navegación, o historial de compras e retroalimentación explícita polo usuario Aggarwal ( 2016 ). Este conxunto de datos analizarase para identificar patróns que permiten definir as preferenicas do usuario Hung e Huynh ( 2019 ). Dado que as opcións de usuario poden mudar ao longo do tempo, a construción de perfís permite unha mellor adaptación a dito cambio, xerando mellores recomendacións, o que xera unha mellor experiencia de uso do usuario Zhudar e Nasraoui ( 2010 ).
Os sistemas de recomendación poden ser implementados para empregar diferentes métodos de recomendación, por exemplo, un enfoque na recuperación de contidos relevantes ou con boa reputación Paudel et al. ( 2016 ). Mediante a consideración destes diferentes factores, estes sistemas poden fornecer aos usuarios cun conxunto diverso de recomendacións que cubran os intereses e configuración dos usuarios Y. Peng ( 2022 )
O desenvolvemento dun perfilado de usuarios adaptativos e preciso é por tanto un componente crítico no deseño crítico de sistemas de recomendación, dado que permite a estes sistemas adaptarse e fornecer suxestións personalizadas aliñadas coa configuración dos usuarios Konjet al. ( 2015 )
Por estes motivos, a capacidade de crear e manter ao longo do tempo un conxunto de perfís de usuario, é unha das chaves do éxito final dun sistema de recomendación, porque é a razón que permite fornecer suxestións eficientes mellorando a satisfacción do usuario Paudel et al ( 2016 ).
No caso do framework SYSTEM-TH-001 é un sistema de recomendación que pode facer recomendacións ao axente de viaxes sobre os clientes con maior propensión á compra, polo que pode ser clasificado como un sistema baseado na relevancia.
2.5 Axentes intelixentes
Os axentes intelixentes son entidades software que poden interactuar co seu entorno e con outros axentes dentro do mesmo, intercambiando información e mostrar comportamentos que simulan a complexidade do mundo real S-M. Lee e Pritchett ( 2008 ). Os axentes intelixentes, que teñen autonomía e capacidade para interactuar co seu entorno, poden desempeñar eficientemente tarefas organizativas para conseguir loes obxectivos definidos Itaiwit al. ( 2012 ).
A natureza dinámica dos sistemas baseados en axentes, onde aos axentes de lles asigna de varios roles e responsabilidades, permite a simulación de escenarios complexos que tentan modelizar o mundo. Mediante o modelado de axentes baseados nas características da sociedade actual, os investigadores poden estudar comportamentos que aparecen coa interacción entre os axentes, o que ofrece un valioso coñecemento das propiedades de sistemas complexos adaptativos Ahmed et al. ( 2005 )
Os axentes intelixentes, actualmente concebidos na forma de robots físicos ou chatbots, son unha prometedora alternativa aos asistentes humanos en tarefas de alto nivel, dado que teñen as capacidades de navegación autónoma a través de entornos complexos e usan o seu coñecemento e capacidades de razoamento para alcanzar un conxunto de metas. Peng ( 2021 ). Estes axentes son proactivos, autónomos e independentes e baseanse no seu propio coñecemento de regras predefinidas para resolver problemas Burgin e Dodig-Crnkovi ́c ( 2009 ). A súa capacidade de interacción pode ser usada para resolver problemas complexos ou distribuír cargas de traballo cun certo grao de coordinación Burgin e Dodig-Crnkovi ́c ( 2009 ). O ciclo de vida dos axentes intelixentes, inclúe cumprir cun conxunto de obxectivos mediante o coñecemento dispoñíbel e a utilización dun conxunto de conceptos asociados ( 2.1 ) Burgin e Dodig- Crnkovi ♫c ( 2009 ). Estes obxectivos poden ser independentes or estar organizados xerárquicamene con suboxectivos que permiten completar metas de alto nivel cando se conseguen. Os obxectivos están ligados a tarefas que executan os axentes, ambos, obxectivos e tarefas son elementos do estado mental dos axentes, o que serve para almacenar regras e coñecemento, que permiten a execución de tarefas e a consecución de obxectivos Burgin e Dodig-Crnkovi ♫c ( 2009 ).
A organización na forma de Sistemas Multi Axente MASs está aberta á colaboración, competición e negociación, mediante o uso de standards de técnicas de modelado e enxeñaría do software baseado en axentes Z. Peng ( 2021 ); Francis et al. 2023 ); Hallenborg ( 2009 ).
O modelado baseado en axentes, Agent-Based Modeling (ABM) Vd. et al. ( 2021 ) e a enxeñería do software orientada a axentes, Agent- Oriented Software Enginee-
Figura 2.1: Principais conceptos de SOFTWARE-TH-001 para o desenvolvemento de MASs.
ring (AOSE) Garro et al. ( 2018 ), son estandares no dominio que fornece os elementos e entidades a súa implementación. Algúns enfoques ben coñecidos que empregan MASs para resolver problemas complexos ou simular entornos reais son, as simulacións do tráfico de estradas Fernández-Isabelt ao ( 2020 ), os sistemas distribuídos de soporte para a decisión de Software- Fernández et ao. ( 2020 ), sistemas de aprendizaxe máquina bio-inspirados Cabezas et al. ( 2020, e os videoxogos J. Wang, Hong, et ao. 2022 ).
MASs son usualmente deseñados empregando artefactos específicos e entidades pa-
ra realizar as diferentes fases de desenvolvemento de sistemas complexos. Isto permite xerar relacións e interaccións entre axentes que son representados gráficamente e despois transformados automaticamente a código fonte. SOFTWARE-TH-001, GAIA, Prometheus, e Tropos son metodoloxías de axentes ben coñecidas no dominio Siswahyudi et al. ( 2018 ).
As plataformas de axentes, librerías de fontes de determinado linguaxes de programación son típicamente a solución para a implementación de MAS que foron previamente modelados. Exemplos destacábeis nesta área son SOFTWARE-TH-004 (Java) Bergent et al. ( 2020 ) e MESA (Python) Kazil et al. ( 2020 ).
Para o desenvolvemento de SYSTEM-TH-001, a metodoloxía de axentes empregada foi INGE- NIAS, adaptando o modelo de axente ao framework MESA para a súa implementación. O modelo de axente é un modelo bio-inspirado distribuído baseado na organización dunha colonia de formigas, para xerar un MAS distribuído en múltiples hormigueiros que traballan xuntos ou independente de acordo á carga de traballo do sistema.