L'avanzata dell'intelligenza artificiale (IA) ha rivoluzionato molti settori e il turismo non fa eccezione. La crescente digitalizzazione del settore ha permesso alle tecnologie avanzate IA di migliorare l'esperienza degli utenti, ottimizzare la gestione dei servizi e facilitare il processo decisionale strategico. E' cosi' che abbiamo un sistema. SYSTEM-TH-001 una soluzione innovativa che integra l'apprendimento automatico, i sistemi di gestione della conoscenza e gli agenti intelligenti per migliorare la personalizzazione con efficienza nel settore del turismo.
L'apprendimento automatico (ML) è una delle tecnologie chiave in questo settore. Ispirato all'apprendimento umano, ML consente la rilevazione di modelli in grandi volumi di dati e fornisce previsioni precise o raccomandazioni. Modelli di qualificazione come Vectorial Support Machines (SVM) e reti neurali sono stati dimostrati efficaci nella personalizzazione delle offerte con segmentazione dei clienti per il settore del turismo.
Inoltre, i sistemi di gestione della conoscenza (KMS) svolgono un ruolo importante nell'organizzazione e nel recupero efficace delle informazioni. Tali sistemi consentono un'elevata produzione di dati e un accesso più semplice alle informazioni utili sul processo decisionale.
D'altra parte, agenti intelligenti progettati sotto la metodologia SOFTWARE-TH-001 consentono l'interazione dinamica con e tra ambiente, offrendo soluzioni automatizzate che sono state adattate a SYSTEM-TH-001. Questo approccio bioispirato facilita l'ottimizzazione del lavoro e la distribuzione efficiente del carico di lavoro.
Nel complesso, queste tecnologie si rivolgono a SYSTEM-TH-001 in un sistema robusto e scalabile che ridefinisce come il turismo possa beneficiare dell'intelligenza artificiale, migliorando l'esperienza degli utenti con la migliore gestione delle risorse disponibili.
2.1 Introduzione
Le tecnologie di intelligenza artificiale utilizzate nel sistema vengono esplorate con questo capitolo SYSTEM-TH-001 e con un'enfasi sullo stato dell'arte nel turismo, fino ad oggi. L'apprendimento automatico è affrontato confrontando la sua somiglianza con la formazione umana e la loro applicazione per identificare i modelli in grandi volumi di dati, migliorando il processo decisionale. I modelli di classificazione come SVM e le reti neurali sono discussi in dettaglio. Inoltre, i sistemi di gestione delle informazioni e delle raccomandazioni sono stati discussi al fine di ottimizzare l'esperienza del turismo. Gli agenti intelligenti, la loro capacità di interazione con l'ambiente e la sua attuazione sono anche affrontati SYSTEM-TH-001 utilizzare la metodologia SOFTWARE-TH-001.
Lo stato dell'arte sarà analizzato in ogni ambito, fornendo un quadro teorico e pratico che ci permetterà di capire quanto importante intelligenza artificiale possa avere un impatto sull'evoluzione del turismo digitale.
2.2 Apprendimento automatico
Umano e autolearning, mentre sembrano diversi hanno una serie di principi o processi simili. Fondamentalmente richiedono l'acquisizione di informazioni e l'interiorizzazione che porta allo sviluppo delle competenze, la conoscenza con la capacità di adattarle alle nuove situazioni di Langley ( 2022 Botvinick et al. 2017 ).
Da un punto di vista filosofico, l'apprendimento umano va oltre la semplice acquisizione di competenze e coinvolge la formazione dei caratteri con lo sviluppo etico, mentre la capacità di pensiero critico. Aristoteles, nel suo lavoro: "Etima de Nicomac" (The Ethics of Nicamaco) guarda l'importanza e la pratica per quanto riguarda lo sviluppo delle virtù concludendo che Learning è un processo continuo per migliorare lo sviluppo personale. Wang, Guo e Chen ( 2022 )
L'apprendimento automatico, ML potrebbe capire come un'estensione attualmente complementare all'apprendimento umano. A macchine ML imparare, acquisire conoscenze e alcune competenze attraverso il software li chiamiamo algoritmi per semplificarlo che permettono l'apprendimento incrementale della macchina durante il tempo per mezzo di pratica. ML è l'area che, utilizzando dati e modelli matematici come mezzo per identificare i modelli per migliorare il processo decisionale di Meltzoff et al. 2009 ).
Quel parallelismo non è un recente doppiaggio, e in realtà uno dei pionieri a livello di intelligenza intertidale (Alan Toring) ha già riconosciuto il loro potenziale.
macchine programmabili per imparare dall'esperienza e migliorare le prestazioni in attività attese Naha o Murphy ( 2015 ). Se approfondiamo più conoscenza dell'intelligenza artificiale, possiamo osservare grandi sforzi per sviluppare sistemi di apprendimento che emulano o addirittura superano le competenze cognitive del lago et al human Learning. ( 2016 ) Romero-Mendez et al. 2023 ).
Una delle caratteristiche ML più apprezzate di oggi, è la sua capacità di analizzare grandi quantità e dati per come guardiamo a modelli che sono lontani da ciò che gli esseri umani Russell o Norvig hanno goduto ( 2010 ).
Ciò rende ML un progresso molto significativo nell'area dell'intelligenza artificiale, in quanto consente alle macchine di imparare come li definiscono e meglio adattarsi con i cambiamenti. Tale capacità offre il potenziale di costruire soluzioni innovative ed efficienti in diversi settori, tra cui il turismo. Utilizzando ML il settore del turismo può beneficiare di migliori processi di analisi dei dati, il riconoscimento di modelli e raccomandazioni personalizzate con l'elaborazione automatica delle attività che possono portare a una migliore esperienza del cliente e quanto meglio sono stati raggiunti attraverso un aumento delle prestazioni da parte di Afsahhosseini o Al-Mulla ( 2020 )
L'area ML comprende tre tipi di approcci di apprendimento: monitorati, non supervisionati e supportati. Nell'apprendimento supervisionato, il modello è formato con un set di dati in cui gli input sono collegati ai relativi valori di output previsti e consentendo ai modelli di come possono imparare modelli o relazioni esistenti nei dati. Tale conoscenza sarà quindi applicata per le previsioni sul nuovo Liu-Wu ( 2012 ). Il sistema non monitorato si concentra sulla scoperta di modelli e relazioni in un dataset che non è stato contrassegnato, vale a dire senza guidare i valori predefiniti di Hinton o Sejnowsky ( 1999 ). L'apprendimento rafforzato consente ai modelli di interagire con l'ambiente, ricevendo feedback come premi o penalizza e ribaltando le loro azioni in modo da poter massimizzare un ritorno atteso da François-Lavet a. ( 2018 )
Il successo di un modello ML è misurato dalla sua capacità di risolvere efficacemente un compito concreto, come può essere la classificazione e la previsione. Compiti che hanno un alto valore aggiunto in tutte le industrie, come può essere il turismo con l'uso di tecnologie di analisi dei dati e la classificazione. 2020 ) Afsahhosseini e Al-Mulla ( 2020 ).
La conduzione dell'analisi dei dati tramite ML consente di scoprire complessi modelli nascosti e relazioni nel dataset, facilitando così il processo decisionale delle informazioni.
Mada. Ad esempio, con il riconoscimento di modelli e tecniche di classificazione permettono loro di identificare molte variabili dall'esperienza di un viaggio come quelle che vengono con le preferenze del cliente o come compriamo ma anche le caratteristiche per i servizi contratti Shafiee & Varjani ( 2016 ). Le tecniche di proiezione utilizzano i dati storici di svuotamento per prevedere il comportamento futuro, consentendo un migliore adattamento dell'azienda al cambiamento rispondendo con i cambiamenti della domanda e dei prezzi tra molti altri fattori Norbert ( 2011 ). Anche con ML è possibile automatizzare le attività e i processi dall'azienda in modo intelligente. Inoltre, i sistemi di raccomandazione che utilizzano gli algoritmi ML e forniscono le migliori raccomandazioni che portano a un miglioramento dell'esperienza del mercato con la loro soddisfazione. ( 2014 ).
Anche se il potenziale di ML nel settore del turismo è significativo, rimane vitale per l'utilizzo e prendere in considerazione alcune implicazioni etiche, oltre che per quanto riguarda lo sviluppo sostenibile di questa tecnologia. L'attenzione dovrebbe essere rivolta alla privacy dei dati, ai pregiudizi algoritmici e all'impatto sociale di questi sistemi in modo che i benefici di questa tecnologia siano disponibili in modo sostenibile benefico per tutti i decisori Vesni ′ c-Ultievi ́ c et al. ( 2020 ).
2.2.1 Modelli di classificazione
I modelli di classificazione sono una categoria fondamentale di algoritmi nella zona e nelle statistiche. L'obiettivo principale di queste informazioni è quello di assegnare un'etichetta o una categoria per un'osservazione, basata su alcune caratteristiche predittive e variabili. Questi modelli sono ampiamente utilizzati in una serie di settori, come la medicina e l'assistenza finanziaria. Essi sono stati messi in su con le informazioni sulla loro capacità di prevedere con precisione o classificarli in una fase precedente)
Modelli principali di classificazione
Ci sono più modelli di classificazione, ciascuno con i suoi vantaggi e svantaggi a seconda di quanto male il problema è o quali dati sono disponibili. Alcuni dei più comuni includono:
Regressione della logistica
La regressione logistica è uno dei modelli più semplici ed efficaci per i problemi di classificazione binaria. Calcola la probabilità che un'osservazione appartenga a una data classe utilizzando la sua funzione signmoid. È particolarmente utile quando le relazioni tra predizione e variabili di destinazione sono lineari.
Macchine di supporto vettoriale (SVM)
Gli SVM sono modelli potenti che cercano un iperplano ottimale per separare le classi dallo spazio di funzionalità. Usano "kernel" per gestire i dati non lineari, rendendoli versatili e precisi in molti contesti.
Support Vector Machines, SVM è stato ristabilito come un potente e versatile algoritmo di machine learning per una serie diversificata di applicazioni dal riconoscimento dell'immagine alla lavorazione del linguaggio naturale a previsione finanziaria con bioinformatica. Sono stati messi lì per anni 90 e come risultato della sua attuazione con successo, a causa della grande varietà di problemi che può analizzare ancora più efficacemente di altre tecnologie. Il principale vantaggio di SVM è la sua capacità di trovare un separatore iperplano ottimale che massimizza la gamma tra le classi, generando una soluzione che coinvolge solo pochi vettori di supporto e la sua proprietà che semplificano la loro applicazione in problemi di lunga scala Mocerza y Muñoz ( 2006 ).
Nel settore finanziario, SVM ha dimostrato la sua efficacia nel rilevare la frode della carta di credito. Rispetto ad altri classificatori, SVM può risolvere sia i problemi binari della classificazione lineare che non-liner identificando l'iperplano che meglio separa i dati di input C Li et al. ( 2021 ). Ad esempio, l'uso di SVM nelle tecniche di rischio di credito ha dimostrato un'elevata capacità di adattamento e una soluzione globale efficiente al processo decisionale con questo problema S.-L. Li et al. ( 2006 ). Altre sfide con il suo successo sono stati problemi di solvibilità o anche studi su Nazareth e Reddy cryptomonedas ( 2023 ). La capacità di SVM di gestire i dati con alta dimensionalità e rumore mette questa tecnica come strumento utile nell'ambiente finanziario, ma il suo successo è anche venuto in altri settori tra cui il riconoscimento per immagini o problemi sulla sicurezza dei cittadini tra molti altri che mostrano la loro grande versatilità Mocorro y Muñoz ( 2006 ).
SVM ha dimostrato di essere una tecnica altamente efficace, ma la corretta selezione della sua funzione del kernel e una scelta appropriata con iperparametri sono cruciali per ottimizzare le loro prestazioni come indicato da Bing-yu et al. ( 2009 ). Nello specifico all'interno del progetto SYSTEM-TH-001, questo metodo è stato indagato come uno strumento per la rilevazione del genere dal testo e dalla sua funzionalità, ma che può essere fondamentale per il suo futuro. L'area di ricerca SVM rimane completamente avanzata e ci si può aspettare nuovi progressi con applicazioni che portano ulteriormente i loro confini.
Alberi di decisione
Gli alberi di decisione sono modelli intuitivi che classificano le osservazioni attraverso una struttura decisionale gerarchica. Sono facili da interpretare e utili per problemi con dati categorici o numerici. Quando si combinano in foreste casuali (Random Forest), la loro accuratezza e Robustezza migliorano notevolmente.
Reti neuronali
Le reti neurali sono modelli ispirati al cervello umano, ideali per problemi complessi e non lineari. Usano più strati di neuroni per imparare le rappresentazioni gerarchiche dai dati, rendendole altamente efficaci nella classificazione delle immagini e nell'elaborazione del linguaggio naturale.
Valutazione dei Modelli
L'efficacia dei modelli di classificazione viene valutata utilizzando metriche come precisione, richiamo e F1-score con un'area sotto REC (AUC-ROC). Inoltre, è stato fondamentale evitare problemi come i sovrapposizioni utilizzando tecnologie come la cross-validation e la regolarizzazione.
2.2.2 Modelli di ottimizzazione
I modelli di classificazione e ottimizzazione sono una categoria fondamentale di algoritmi per quanto riguarda l'apprendimento automatico e a livello statistico. L'obiettivo principale di queste informazioni è quello di assegnare un'etichetta o una categoria per un'osservazione, basata su alcune caratteristiche predittive e variabili mentre allo stesso tempo cercano i migliori parametri del modello con prestazioni ottimali. Questi modelli sono ampiamente utilizzati in una serie di settori, come la medicina e l'assistenza finanziaria. Sono stati messi in su con le informazioni sulla loro capacità di predire accuratamente o classificarli in una fase precedente) Ci sono più modelli utilizzando tecnologie di ottimizzazione per migliorare le loro prestazioni. Alcuni dei più comuni includono Vectorial Support Machines (SVM), che sono modelli potenti che cercano un iperplano ottimale per separare le classi dallo spazio caratteristico. L'ottimizzazione SVM si basa sulla massimizzazione della gamma tra le classi, garantendo una migliore generalizzazione. Per gestire i dati non lineari, SVM utilizza "kernel 'come Gaussian o Polynomic kerel che trasformano i dataset in spazi più dimensionali dove le classi sono inseparabili. Inoltre, la regressione logistica è uno dei modelli più semplici ed efficaci per i problemi di classificazione binaria. L'ottimizzazione è raggiunta minimizzando una funzione di costo con cross-entropy, utilizzando metodi come il declino di Stocastic Gradient (GDS). Tale approccio garantisce che i parametri del modello convergano ad un ottimale complessivo.
Gli alberi decisionali sono modelli gerarchici che classificano le osservazioni attraverso una serie di decisioni basate su caratteristiche specifiche. L'ottimizzazione in questi modelli comporta la selezione di divisioni che minimizzano metriche come entropia o Gini Index. Nelle foreste casuali, le prestazioni sono ottimizzate combinando alberi multipli con tecniche di bagging e riducendo il rischio di sovrapposizione. Le reti neurali sono modelli ispirati al cervello umano, ideali per problemi complessi e non lineari. Usano tecniche di ottimizzazione come il declino gradiente, le frange con il momento e gli algoritmi avanzati come Adam. Queste tecniche si adattano ai pesi delle connessioni tra i neuroni per ridurre al minimo la funzione di perdita e migliorare le prestazioni. Anche modelli come Gradient Boosting, AdaBooth e XGBOost utilizzano tecniche di ottimizzazione iterativa per regolare semplici forme di modello tra cui alberi decisionali in sequenza. Ogni iterazione corregge errori dal modello precedente, minimizzando una funzione di perdita cumulativa.
Ottimizzazione del supporto Vector Machines
SVM sono algoritmi con prestazioni basate sull'uso del kernel. Un kernel K (x e) è una funzione di valore reale N: X × X→ R che agisce come prodotto incrementale nello spazio vettoriale effettivo Z. A tal fine, c'è un ruolo:
0: X → Z, ( 2.1 )
in modo che K (x, e) = 0 [g] TΦ {y}. X e Z sono rispettivamente conosciuti come spazi di ingresso con caratteristiche.
SVM appartiene al tipo di algoritmi basati sulla teoria della regolarizzazione Mocorro et al ( 2006 ). Questi metodi permettono la costruzione di funzioni di classificazione per risolvere un problema di ottimizzazione in Tikhonov e Arsenwith ( 1977 ):
N. X
# In f 1 g
I = 1 L (yi, f) e g 2 K (K) 2.2 )
dove μ 0; HK denota lo spazio del kernel di riproduzione di Hilbert (RKHS) associato al k-kerel, e pdg come regola di f a Rekys. 1, + 1 } indica che le due classi possibili di xi e infine L (yi, f) è una funzione di errore. In questo contesto, f (x) = 0 E' una superficie di decisione a HK. Il tipico approccio SVM utilizza la funzione di errore specifico L chiamata perdita di cerniera, come definito da:
L (yi, f) = 1 − yi f (xi) e 2.3 )
con (x) e = m ′ ax 0 ).
Il problema ( 2.2 ), μ aiuta a mettere in atto un impegno tra una regolazione della f-solution con i dati quantificati da L e quanto complesso sarà la funzione.
E' giusto dimostrare che 2 K = ‡ 2, dove w = pn i αiΦ (xi) e 0 è la mappatura come definita 2.1 ). Inoltre, il problema ( 2.2 ) può essere riformulato come:
N. X
# In w, b 1 g
I = 1 ( 1 − yi (wTΦ) + b e 2. ( 2.4 )
Il problema ( 2.4 ) è equivalente a risolvere il seguente problema di doppia ottimizzazione Mocerza et al. ( 2006 ):
g ′ n.n. 1 2 β TQß − eTS
( 2.5 )
s.t. e Tβ = 0,
0 ≤ β < C
dove β = (β1,..g) T e 0 E' un vettore di zeri, ed e' un
alcuni, Q è definito come N × g una matrice simmetrica positiva con Qi j = yiy JK (xi e x). 1 2 μn è costante. Quel problema era convesso e quadratico, con ogni minimo locale così come un livello globale.
Per la semplicità, g (β) è definito come un gradiente per una funzione oggettiva con questo problema. 2.5 ), cioè g (β tema = Qß − e.
Un vettore β è un punto stazionario ( 2.5 ) se e solo se c'è un numero d con due vettori non negativi λ o μ in modo che:
g (β) + dy = λ − μ,
λiβi = 0, i = 1..n,
( 2.6 )
μi (C − β) = 0, i = 1..n,
λi, μI ≥ 0, i = 1 No.
Può essere mostrato, Chen et al. ( 2006 ), che un vettore β come 0 ≤ β i < C soddisfa le condizioni ( 2.6 ) Se e solo se
− yig (β) i ≤ d,
− yig (β) i ≥ d, 2.7 )
dove Iup (β) ∞ 124; βg < C e lt = 1 o > 0, e t = − 1 E' cosi'.
Ilow (β) 1 o > 0, 1 }. ( 2.8 )
Di 2.7 ), che m (β) ≤ M {α} è sostenuto dove:
m (β)
M (β) ∞ m ′ ın i ̃ Ilow e {α} yig, 2.9 )
Nella letteratura SVM, il problema ( 2.5 ) viene risolta utilizzando la cosiddetta ottimizzazione minima sequenziale (SMO e Joachims, 1999; Platt, 1998 ). Questi algoritmi sono essenzialmente metodi quadratici di tipo Newton che, al fine di rendere il problema computazionalmente trattabile sono stati considerati solo un sottoinsieme di variabili ad ogni iterazione e così chiamato ensemble di lavoro piuttosto che lavorare con un'intera Qmatrix.
Teorema 1. Lasciate che {β k} sia una sequenza infinita generata dall'essere la sequenza infinita creata con un metodo di tipo BMO per il problema ( 2.5 ). Quindi se Q è una matrice definita positiva, il punto limite {β k} è un problema minimo complessivo e unico ( 2.5 ).
Prova. Vedere Chen et al. ( 2006 ). □
Il corollario seguente è quindi mantenuto.
Corollario 1.1. Se {β k} è una sequenza infinita, esistono i seguenti due limiti e sono uguali: l ′ ım K → ∞ ma (βks) = L ́ μ.g. 2.10 )
Tenendo conto della definizione di Iup e Inlow da un'equazione ( 2.8 ), e in particolare di β k coinvolti all'interno di ogni set (all'interno dei confini) per g abbastanza grande con una piccola tolleranza > 0 La condizione seguente deve essere soddisfatta: m (β k) − M [σg] ≤ ∞, 2.11 )
E'...
L ′′ ım k →
m (βk) − M [β ks] = 0.
Sulla base di questi risultati, gli algoritmi di tipo SMO implementano i loro
Criterio di pensionamento:
m (β k) − M [βg] ≤ ∞. 2.12 )
2.3 Elaborazione della lingua naturale
Natural Language processing, PLNs è una subarea di intelligenza artificiale che si concentra sul computer e l'interazione umana attraverso il linguaggio. Consente alle macchine di comprendere, interpretare e produrre il linguaggio naturale. Lo sviluppo di questo campo è in rapida evoluzione e dinamica, generando progressi abbastanza significativi negli ultimi anni con applicazioni a diversi domini come la traduzione dalle lingue all'analisi dei sentimenti o dell'interfaccia focalizzata su Agarwal ( 2019 ).
PLNs sviluppa un vasto insieme di tecnologie e approcci, compresa la comprensione con una generazione dal linguaggio naturale e come condurre il discorso. Queste tecniche spesso utilizzano la capacità di MOIs e deep learning così come altre tecnologie informatiche per l'analisi, la comprensione o la generazione del linguaggio umano. Attualmente PLNs mostra progressi molto significativi, uno di loro è la capacità di comprendere strutture e significati per datasets in lingua naturale. Tecniche come l'analisi o la separazione) l'etichettatura ma l'analisi semantica sono il modo in cui un computer può comportarsi quasi sull'uomo da una prospettiva Young et al ( 2017 ).
Deep Learning (DLs) ha rivoluzionato il campo dei PLN, consentendo di creare modelli che imparano su rappresentazioni d'informazione complesse e su larga scala. Molte volte le reti neurali hanno una performance più di altri metodi, compiti come la traduzione o la generazione di testo sono molto efficienti con questo tipo di modelli Lan et al. ( 2024 ).
Recenti progressi a PLNs includono l'introduzione di LLM, grandi modelli di lingua come SOFTWARE-TH-003 e GPT, hanno mostrato una capacità impressionante in un multititolo di Yenduri et al. ( 2023 ). Questi modelli pre-trained possono essere regolati mediante un processo di fine-tunnning per compiti specifici, aumentando efficacemente la ricca conoscenza della lingua acquisita durante il pre-ingresso.
PLNs, continua a evolversi e ricercatori o utenti stanno attualmente affrontando sfide come migliorare i modelli con prestazioni robuste.
formazione con altri campi, come l'apprendimento multimodale e la rappresentazione di Khurana et al. ( 2022 ).
2.3.1 Identificazione del genere nei testi
La classificazione del genere di un testo ha una ricerca avanzata nel settore. Una delle applicazioni più comuni è quello di rilevare il genere di una persona che ha scritto un testo Mukherjee e Balat ( 2017 ); Huang et al. ( 2014 ), e-mail Corney et al. 2002 ), Kucukyilmaz et al. ( 2006 ) messaggi ai siti web di Yan e Ja ( 2006 ), contributori ai progetti collaborativi online Vasilescu et al. ( 2014 ); B. Lin e Seebrenik ( 2016 ); Terrell et al. 2017 ); M. Das et al. 2019 ) o per rilevare il genere di feedback degli utenti su piattaforme CRM Lau e al. ( 2005 ); Amado et al. 2018 ). La produzione dei testi degli autori è stata eseguita in diverse lingue Kocher e Savoy ( 2017 ); Fatima et al. 2017 ); Lotipez- Santillan et al. ( 2020 ), che conferma i benefici dei metodi basati sui contenuti. Altri approcci per risolvere questo problema potrebbero essere utilizzando l'analisi dei grafici Kretschmer e Needle ( 2005 ); Rangel e Rosso ( 2016 ) nonché l'etichettatura della parte di discorso (POS. 2019 ).
A Krüger e Hermann ( 2019 ), gli autori sono stati 215 lavori precedenti pubblicati tra 2017 e 2019 circa l'identificazione del genere degli autori. Secondo questa recensione, il miglior esperimento nella letteratura di ricerca precedente indica una precisione di 93.4 % dei casi estratti da SERVICE-005 Markov et al. 2017 ). Vale la pena menzionare che tutte le pubblicazioni di ricerca considerate da questo sondaggio conducono procedure di apprendimento automatico standard per preparare l'ingresso del testo, tra cui la topenizzazione e la standardizzazione dell'Eisengstein ( 2019 ) (come lemizzazione o stemming. Proprio come spieghiamo in una sezione 5.3 con questo approccio, abbiamo introdotto modifiche alle procedure standard per migliorare le prestazioni nell'identificazione di genere come suggerito da altre ricerche precedenti Uysal e Gunat ( 2014 ). Oltre a questo, uno dei limiti comuni per altri studi è che solo considerando l'indentificazione binaria (approfondirà queste idee nella sezione 3 ) 5.4.4 ).
Secondo Krüger e Hermann ( 2019 ), c'è un'elevata variabilità nell'accuratezza dell'identificazione di genere con lingue diverse. Uno sguardo più approfondito ai lavori precedenti in questa recensione rivela che gli esperimenti con le lingue che forniscono una ricca informazione sul gener, come lo spagnolo e il portoghese hanno prestazioni migliori dell'inglese. Il nuovo metodo, utile per SYSTEM-TH-001 Cerchiamo di confermare se è possibile con alcune caratteristiche linguistiche specifiche al fine di eseguire l'identificazione del genere.
Identificazione del genere di un testo, cioè decidere su un individuo.
descritto in un testo, sono stati dati una cura comparativa con gli studi precedenti. Tuttavia, ci sono applicazioni per pubblicità mirata Jansen et al. ( 2013 ), valutazione delle differenze di genere nei mercati dei posti di lavoro online Fung et al. ( 2018 ) e riconoscimento delle entità designate (NER. 2013 ). In contrasto con gli approcci precedenti, predominati dai servizi di database Wais ( 2016 ); Santamaria e Mihaljevi ́ c 2018 ), il più recente da S. Das e paik ( 2021 ), mostrare l'utilità di applicare algoritmi di apprendimento automatico che analizzano le informazioni contestuali. La proposta di regolamento (CEE) n. SYSTEM-TH-001 Questo è quello di combinare algoritmi di machine learning con la ritenzione di elementi morfologici che contengono informazioni sul genere in alcune lingue, per una migliore prestazione di tagging da una persona descritta dal testo.
2.4 Sistemi di gestione della conoscenza
Sistemi di gestione della conoscenza, sistemi di gestione delle conoscenze (KMMs) è un'area con un approccio specializzato e spesso integrata in altri sistemi basati sulla conoscenza più completi per la gestione delle risorse informative di Grace & Butler. 2005 ). Questi sistemi sono progettati per memorizzare, elaborare e utilizzare le conoscenze necessarie per abilitare Thampi ( 2008 ). Più specificamente, i KMM sono in genere il paradiso per la conoscenza di un'organizzazione utilizzando repository come database e data lake o altre strutture, ma ci permettono anche di analizzare queste informazioni che sono state memorizzate alla ricerca di tendenze, supportando il suo processo decisionale da una prospettiva strategica Sensuse et al. ( 2018 ).
Una delle funzioni chiave per KMMs è aumentare l'efficacia e l'efficienza di un'organizzazione superando le sfide che derivano dal fornire informazioni sulla sua rilevanza, un processo raggiunto con competenze di sistema partir al fine di generare più livelli al meglio non appena nuove conoscenze acquisite Thampi è stato integrato ( 2008 ). KMics ha più applicazioni in diversi domini, tra cui i sistemi di gestione dei documenti e dei contenuti con piattaforme e-learning, nonché una rete di comunicazione o un sistema di lavoro collaborativo Grace's ( 2005 ).
Ad esempio, i responsabili dei documenti e dei contenuti si concentrano sul fornire agli utenti l'accesso in tempo reale ai contenuti memorizzati dell'Organizzazione tipicamente organizzati da temi. Questi sistemi sono implementati con strutture di metadati che facilitano il recupero e la navigazione tra Sensuse et al. 2018 ). I sistemi E-learning sono focalizzati sull'educazione e sulla formazione degli utenti, fornendo conoscenze strutturate e organizzate
Un modo amichevole. Questi sistemi sono progettati per migliorare il processo di apprendimento incoraggiando l'impegno degli utenti, consentendo nuove competenze e capacità di ottenere la loro migliore parte di sviluppo nel suo insieme con la capitale umana di Grace ( 2005 ) Malingkas e Ce ( 2020 ). I KMM sono stati anche ristabiliti come un approccio molto popolare per le organizzazioni che cercano di promuovere la collaborazione, la socializzazione e l'integrazione del loro team umano. K. Lee e Hawamdeh ( 2002 ). Questi sistemi possono essere trovati in un certo numero di domini di applicazione, tra cui abbiamo utilizzato Thampi ( 2008 ), giochi educativi Grace and Butler ( 2005 ) e l'aumento delle applicazioni di realtà C K. Lee e Hawamdeh ( 2002 ). Essi sono anche integrati come reti di comunicazione, e servono a condividere con loro la conoscenza di Iiriemiokhale ( 2020 )
Tuttavia, una riuscita implementazione dei KMM e la loro integrazione con o anche la condivisione di processi di apprendimento interno possono essere complessi in quanto richiede considerare più fattori critici per il successo, tra cui l'allineamento del sistema per obiettivi strategici, ma un'interazione attiva sui dipendenti. K. Lee e Hawamdeh ( 2002 ).
Un esempio di KMMs è la struttura ' SYSTEM-TH-001 Questo è anche un documentario e content manager che organizza informazioni relative a diverse attività nel settore del turismo con l'obiettivo di facilitare il rilevamento delle conoscenze pure.
La squisita implementazione di un KMM richiede una profonda conoscenza e comprensione dei fattori sociali o economici che possono influenzare la condivisione delle informazioni con un'organizzazione, così come l'allineamento strategico sarà raggiunto agli obiettivi per imparare da loro mentre gestiscono la loro familiarità. K. Lee e Hawamdeh ( 2002 ). Inoltre, con un'enfasi sull'importanza della comprensione e delle motivazioni del livello individuale dopo le azioni di condivisione della conoscenza attualmente in corso studi hanno identificato diversi fattori che possono influenzare il successo di questa tecnologia, comprese le caratteristiche dell'utente, come la sua direzione per condividere informazioni o la loro fiducia nel suo sistema, ma anche dinamiche di potere. 2019 ). Per garantire un'efficace implementazione dei KMM, le organizzazioni devono considerare attentamente questi fattori critici e sviluppare strategie che aumentano la cultura come mezzo per consentire loro. Essi allineano il loro sistema con i suoi obiettivi strategici mentre interagiscono agli utenti utilizzando attività su come sono interessati alle imprese H. Lin (Lingue) 2007 ).
2.4.1 Sistemi di raccomandazione
I sistemi di raccomandazione sono progettati per fornire suggerimenti personalizzati per gli utenti creando un profilo unico con ogni individuo, basato su una serie di diversi parametri che riflettono i loro interessi e preferenze. Questi profili utente sono stati cruciali per consentire ai sistemi di raccomandazione di adattare e soddisfare la natura dinamica delle esigenze o preferenze degli utenti. Peng e Xu ( 2022 )
Il processo di costruzione dei profili degli utenti comporta in genere la raccolta di dati da diverse fonti, come le informazioni di registrazione e la cronologia di navigazione. 2016 ). Tale dataset viene analizzato per identificare i modelli che renderanno possibile agli utenti Hung e Huynh ( 2019 ). Dal momento che le preferenze dell'utente possono cambiare nel tempo, la costruzione del profilo consente un migliore adattamento a quel cambiamento generando migliori raccomandazioni e creando un'esperienza di utilizzo più avanzata degli utenti Zhuhadar con Nasraoui ( 2010 ).
I sistemi di raccomandazione possono essere messi in atto per utilizzare diversi metodi di raccomandazione, ad esempio un approccio con una buona reputazione o pertinenti paudel et al ( 2016 ). Considerando questi diversi fattori, possono fornire agli utenti una serie diversificata di raccomandazioni che coprono i loro interessi e le loro preferenze. Peng (Pen) 2022 )
Lo sviluppo di un profilo utente adattativo e preciso è quindi una componente critica nel design efficace per i sistemi di raccomandazione in quanto consente a questi sistemi di adattarsi con loro, fornendo suggerimenti personalizzati allineati dalle preferenze degli utenti di Kanoje et al. 2015 )
Per questi motivi, la capacità di creare e mantenere un insieme di profili utente nel tempo è una chiave per il successo finale con un sistema endpoint perché è per questo che permette di fornire suggerimenti efficienti migliorando la soddisfazione degli utenti paudel et al. ( 2016 ).
Per il quadro SYSTEM-TH-001 Si tratta di un sistema di raccomandazione che può fare raccomandazioni all'agente di viaggio circa i clienti con più propensione per l'acquisto, e quindi può essere classificato come un approccio basato sulla rilevanza.
2.5 Agenti intelligenti
Gli agenti intelligenti sono entità software che possono interagire con il loro ambiente e altri attori all'interno di essi, scambiando informazioni o mostrando condotta simula la complessità del mondo reale S.-M. Lee e pritchett ( 2008 ). Gli agenti intelligenti, che hanno autonomia e capacità di interagire con il loro ambiente, possono svolgere efficacemente compiti organizzativi per raggiungere Itaiwi et al. 2012 ).
La natura dinamica dei sistemi basati su agenti, in cui gli agenti li assegnano con più ruoli e responsabilità possono simulare scenari complessi che stanno cercando di modellare il mondo. Modellando agenti basati sulle caratteristiche della società di oggi, i ricercatori possono studiare condotta che appare con l'interazione tra attori e questo offre una preziosa conoscenza delle proprietà dei sistemi di adattamento complessi Ahmed et al. ( 2005 )
Gli agenti intelligenti attualmente progettati come robot fisici o chatbot sono una promettente alternativa agli assistenti umani di alto livello, dal momento che hanno le capacità di navigazione autonoma attraverso ambienti complessi e dinamici che utilizzano la loro conoscenza con le sue abilità di ragionamento per raggiungere un Zset. Peng (Pen) 2021 ). Questi agenti sono proattivi, indipendenti e indipendenti basati sulla propria conoscenza di regole predefinite per risolvere i problemi Burgin o Dodig-Crnkovi ́ c ( 2009 ). La vostra capacità di gioco può essere utilizzata per risolvere problemi complessi o distribuire carichi di lavoro con un grado di Burgin e Dodiga-Crnkovi ́ c ( 2009 ). La durata di vita degli agenti intelligenti comprende l'incontro di un insieme e obiettivi attraverso la conoscenza disponibile con un'associazione ( 2.1 ) Burgin e Dodiga-Crnkovi ́ c ( 2009 ). Questi obiettivi possono essere indipendenti o sono stati organizzati con subocjectivates che permettono loro di completare obiettivi di alto livello quando sono raggiunti. Gli obiettivi sono legati alle attività svolte dagli agenti, sia gli obiettivi che i posti di lavoro sono stati elementi dello stato mentale di un agente. Questo serve come mezzo per memorizzare regole o conoscenze che permettono di eseguire sfide con gli obiettivi di Burgin & Dodig-Crnkovi ′ c ( 2009 ).
L'organizzazione sotto forma di Multi Agent MASs Systems è aperta alla collaborazione, alla concorrenza e alla negoziazione utilizzando standard per la modellazione delle tecnologie con l'ingegneria software basata su Zagent. Peng (Pen) 2021 ); Francis et al. 2023 ); Halhenborg (in inglese) 2009 ).
La modellazione basata sull'agente, Modellazione basata sull'agente (ABM) Uddin et al. 2021 ) e l'ingegneria software orientata agli agenti, Agens - Oriented Software Engineering
Figura 2.1: Principali concetti di SOFTWARE-TH-001 per lo sviluppo di MASs.
anello (AOSE) Garro et al. 2018 ), sono standard nel dominio che gli elementi e le entità forniscono la loro attuazione. Alcuni approcci noti utilizzando MASs per risolvere problemi complessi o simulare ambienti reali sono, le esercitazioni del traffico stradale Fernandez- Isabel et al. ( 2020 ), i sistemi di sostegno distribuiti alla decisione Migulez-Fernández et al. ( 2020 ), sistemi di formazione della macchina di ispirazione bio et al. ( 2020 ) e videogiochi J. Wang, Hong e al. ( 2022 ).
I MAS sono di solito progettati utilizzando manufatti specifici e pa-
Per condurre le diverse fasi di sviluppo del sistema complesso. Questo permette di generare relazioni e interazioni tra agenti che sono rappresentati graficamente, quindi automaticamente trasformati in codice sorgente. SOFTWARE-TH-001 GAIA, Probetheus e Troils sono le metodologie di agente più conosciute a Siswahyudi et al. ( 2018 ).
Le piattaforme di agente, librerie di codice sorgente di alcuni linguaggi di programmazione sono in genere la soluzione per l'applicazione di MAS che sono stati precedentemente modellati. I punti salienti in questa zona sono SOFTWARE-TH-004 Bergenti et al. 2020 e MESA (Python) Kazil et al. 2020 ).
Per lo sviluppo di SYSTEM-TH-001 La metodologia dell'agente utilizzata è stata INGE- NIES, adattando il modello di strumento al quadro MESA per la sua attuazione. Il modello dell'agente è un modello bio-ispirato e distribuito basato sull'organizzazione di una colonia di formiche, per generare MAS con più formiche che lavorano insieme o indipendentemente secondo il carico di lavoro del sistema.