O avanço da inteligência artificial (IA) revolucionou muitos setores e o turismo não é exceção. A crescente digitalização do setor permitiu tecnologias avançadas de IA para melhorar a experiência do usuário, otimizar a gestão de serviços e facilitar a tomada de decisão estratégica. É assim que temos um sistema. SYSTEM-TH-001 uma solução inovadora que integra aprendizagem automática, sistemas de gestão do conhecimento e agentes inteligentes para melhorar a personalização com eficiência na indústria do turismo.
Automatic Learning (ML) é uma das principais tecnologias nesta área. Inspirada na aprendizagem humana, a ML permite a detecção de padrões em grandes volumes de dados e fornece previsões precisas ou recomendações. Modelos de qualificação como Máquinas de Suporte Vetorial (SVM) e redes neurais têm se mostrado eficazes na personalização de ofertas com segmentação do cliente para o setor de turismo.
Além disso, os sistemas de gestão do conhecimento (KMS) desempenham um papel importante na organização e recuperação eficaz da informação. Esses sistemas permitem uma produção de dados elevada e um acesso mais fácil a informações úteis sobre a tomada de decisões.
Por outro lado, agentes inteligentes projetados sob metodologia SOFTWARE-TH-001 elas permitem interação dinâmica com e entre o meio ambiente, oferecendo soluções automatizadas que SYSTEM-TH-001. Essa abordagem bioinspirada facilita a otimização do trabalho e uma distribuição eficiente da carga de trabalho.
Em geral, estas tecnologias recorrem a SYSTEM-TH-001 em um sistema robusto e escalável que redefine como o turismo pode se beneficiar da inteligência artificial, melhorando a experiência do usuário com a melhor gestão dos recursos disponíveis.
2.1 Introdução
As tecnologias de inteligência artificial utilizadas no sistema são exploradas com este capítulo SYSTEM-TH-001 e com ênfase no estado da arte no turismo, até agora. A aprendizagem automática é abordada comparando sua semelhança com o treinamento humano e sua aplicação para identificar padrões em grandes volumes de dados, melhorando a tomada de decisão. Modelos de classificação como SVM e redes neurais são discutidos em detalhes. Além disso, foram discutidos sistemas de gestão da informação e recomendação com vista a optimizar a experiência turística. Agentes inteligentes, sua capacidade de interagir com o ambiente e sua implementação também são abordadas SYSTEM-TH-001 utilizando a metodologia SOFTWARE-TH-001.
O estado da arte será analisado em cada área, fornecendo um quadro teórico e prático que nos permitirá entender como a inteligência artificial importante pode ter um impacto na evolução do turismo digital.
2.2 Aprendizagem Automática
Humanos e autoaprendizagem, embora pareçam diferentes têm um conjunto de princípios ou processos semelhantes. Basicamente, requerem aquisição de informação e interiorização que conduz ao desenvolvimento de competências, conhecimento com a capacidade de adaptá-los para novas situações de Langley ( 2022 ) Botvinick et al. ( 2017 ).
Do ponto de vista filosófico, a aprendizagem humana vai além da mera aquisição de habilidades e envolve a formação de caráter com desenvolvimento ético enquanto capacidade de pensamento crítico. Aristoteles, em sua obra: "Etima de Nicomac '(A Ética de Nicamaco) olha para a importância e a prática no que diz respeito ao desenvolvimento de virtudes, concluindo que a aprendizagem é um processo contínuo para melhorar o desenvolvimento pessoal. Wang, Guo e Chen ( 2022 )
Aprendizagem automática, ML poderia entender como uma extensão atualmente complementar à aprendizagem humana. Na ML máquinas aprendem, adquirindo conhecimento e algumas habilidades através de software chamamos-lhes algoritmos para simplificá-lo que permitem o aprendizado incremental da máquina ao longo do tempo por meio da prática. ML é a área que, usando dados e modelos matemáticos como um meio para identificar padrões para melhorar a tomada de decisão por Meltzoff et al. ( 2009 ).
Esse paralelismo não é uma dublagem recente, e na verdade um dos pioneiros em um nível de inteligência intertidal (Alan Toring) já reconheceu seu potencial.
máquinas programáveis para aprender com a experiência e melhorar o desempenho em tarefas de expectativas Naha ou Murphy ( 2015 ). Se aprofundarmos mais o conhecimento da inteligência artificial, podemos observar grandes esforços para desenvolver sistemas de aprendizagem que emulam ou mesmo excedem as habilidades cognitivas de Lake et al aprendizagem humana. ( 2016 ) Romero-Mendez et al. ( 2023 ).
Uma das características ML mais apreciadas hoje, é a sua capacidade de analisar grandes quantidades e dados para a forma como olhamos para padrões que estão longe do que os humanos Russell ou Norvig têm desfrutado ( 2010 ).
Isso faz do ML um avanço muito significativo na área da inteligência artificial, pois permite que as máquinas aprendam como defini-las e melhor se adaptarem com mudanças. Essa capacidade oferece o potencial de construir soluções inovadoras e eficientes em várias áreas, incluindo o turismo. Usando ML o setor de turismo pode se beneficiar de processos de análise de dados melhorados, reconhecimento de padrões e recomendações personalizadas com processamento automático de tarefas que podem levar a uma melhor experiência do cliente, bem como o melhor que eles foram conseguidos através de um maior desempenho por Afsahhosseini ou Al-Mulla ( 2020 )
A área ML inclui três tipos de abordagens de aprendizagem: monitoradas, não supervisionadas e suportadas. Na aprendizagem supervisionada, o modelo é treinado com um conjunto de dados onde os insumos estão ligados aos seus valores de saída relativos esperados e permitindo modelos de como eles podem aprender padrões ou relacionamentos existentes em dados. Esse conhecimento será, portanto, aplicado para previsões sobre o novo Liu-Wu ( 2012 ). O sistema não monitorado foca na descoberta de padrões e relacionamentos em um conjunto de dados que não foi marcado, ou seja, sem orientar os valores predefinidos de saída de Hinton ou Sejnowsky ( 1999 ). A aprendizagem reforçada permite que os modelos interajam com o ambiente, recebendo feedback como recompensas ou penaliza e inclinando suas ações para que possam maximizar um retorno esperado de François-Lavet. ( 2018 )
O sucesso de um modelo ML é medido pela sua capacidade de resolver eficazmente uma tarefa concreta, como pode ser classificação e previsão. Tarefas que têm alto valor agregado em todas as indústrias, como pode ser o turismo com o uso de tecnologias de análise de dados e classificação. 2020 ) Afsahhosseini e Al-Mulla ( 2020 ).
A realização da análise dos dados utilizando ML permite descobrir padrões e relações ocultas complexas no conjunto de dados, facilitando assim a tomada de decisão das informações.
Mada. Por exemplo, através do reconhecimento de padrões e técnicas de classificação permitem-lhes identificar muitas variáveis da experiência de uma viagem como aquelas que vêm com preferências do cliente ou como compramos, mas também as características para Shafiee & Varjani contratado serviços ( 2016 ). As técnicas de projecção utilizam dados históricos das empresas para prever comportamentos futuros, permitindo uma melhor adaptação da empresa à mudança, respondendo às alterações da procura e dos preços entre muitos outros factores de Norbert ( 2011 ). Também com ML você pode automatizar tarefas e processos da empresa de forma inteligente. Além disso, os sistemas de recomendação que usam algoritmos ML e fornecem as melhores recomendações levando a uma melhoria na experiência do mercado com a sua satisfação. ( 2014 ).
Embora o potencial da ML no sector do turismo seja significativo, continua a ser vital utilizá-los e considerar algumas implicações éticas, bem como no respeito pelo desenvolvimento sustentável desta tecnologia. Deve-se prestar atenção à privacidade dos dados, aos vieses algorítmicos e ao impacto social destes sistemas para que os benefícios desta tecnologia estejam disponíveis de forma sustentável e benéfica para todos os decisores Vesni ′′ c-Ultievi ́ c et al. ( 2020 ).
2.2.1 Modelos de classificação
Os modelos de classificação são uma categoria fundamental de algoritmos na área e estatísticas. O principal objetivo dessa informação é atribuir um rótulo ou categoria para uma observação, com base em algumas características preditivas e variáveis. Esses modelos são amplamente utilizados em diversas áreas, como medicina e assistência financeira. Eles foram aturados com informações sobre sua capacidade de prever ou categorizar com precisão em uma fase anterior)
Principais modelos de classificação
Existem vários modelos de classificação, cada um com seus benefícios e desvantagens dependendo de quão ruim o problema é ou quais dados estão disponíveis. Alguns dos mais comuns incluem:
Regresso logístico
A regressão logística é um dos modelos mais simples e eficazes para problemas de classificação binária. Ele calcula a probabilidade de uma observação pertencer a uma determinada classe usando sua função signmoid. É particularmente útil quando as relações entre predição e variáveis-alvo são lineares.
Máquinas de suporte vetorial (SVM)
Os SVM são modelos poderosos que buscam um hiperplano ideal para separar classes do espaço de recursos. Eles usam "kernel" para gerenciar dados não lineares, tornando-os versáteis e precisos em muitos contextos.
Suporte Máquinas Vetor, SVM foram restabelecidos como um poderoso e versatil algoritmo de aprendizado de máquina para um conjunto variado de aplicações, desde reconhecimento de imagem até processamento de linguagem natural em previsão financeira com bioinformática. Eles foram colocados lá durante os anos. 90 e como resultado de sua implementação com sucesso, devido à grande variedade de problemas que pode analisar ainda mais eficazmente do que outras tecnologias. A principal vantagem da SVM é sua capacidade de encontrar um ótimo separador de hiperplano que maximize o intervalo entre as classes, gerando uma solução envolvendo apenas poucos vetores de suporte e sua propriedade que irá simplificar sua aplicação em problemas de longa escala Mocerza y Muñoz ( 2006 ).
No domínio financeiro, a SVM tem demonstrado sua eficácia na detecção de fraudes de cartões de crédito. Em comparação com outros classificadores, a SVM pode resolver problemas binários de classificação linear e não-liner identificando o hiperplano que melhor separa dados de entrada C Li et al. ( 2021 ). Por exemplo, o uso de SVM em técnicas de risco de crédito tem mostrado uma alta capacidade de adaptação e uma solução global eficiente para a tomada de decisão com este problema S.-L. Li et al. ( 2006 ). Outros desafios com o seu sucesso têm sido os problemas de solvência ou mesmo estudos sobre Nazareth e Reddy criptomonedas ( 2023 ). A capacidade da SVM para gerenciar dados com alta dimensionalidade e ruído coloca esta técnica como uma ferramenta útil no ambiente financeiro, mas seu sucesso também veio para outras áreas, incluindo o reconhecimento de imagens ou problemas sobre segurança cidadã, entre muitos outros que mostram sua grande versatilidade Mocorro y Muñoz ( 2006 ).
A SVM tem se mostrado uma técnica altamente eficaz, mas a seleção adequada de sua função do kernel e uma seleção apropriada com hiperparametros são cruciais para otimizar seu desempenho, conforme afirma Bing-yu et al. ( 2009 ). Especificamente no âmbito do projecto SYSTEM-TH-001, esse método tem sido investigado como uma ferramenta para a detecção de gênero a partir do texto e sua funcionalidade, mas que pode ser fundamental para o seu futuro. A área de pesquisa da SVM permanece totalmente avançada e podemos esperar novos avanços com aplicações liderando seus limites ainda mais.
Árvores de Decisão
Árvores de decisão são modelos intuitivos que classificam observações através de uma estrutura hierárquica de decisão. São fáceis de interpretar e úteis para problemas com dados categóricos ou numéricos. Quando são combinadas em florestas aleatórias (Floresta de Random), sua precisão e Robustness melhoraram muito.
Redes neuronais
As redes neurais são modelos inspirados no cérebro humano, ideais para problemas complexos e não lineares. Eles usam múltiplas camadas de neuroons para aprender representações hierárquicas a partir de dados, tornando-os altamente eficazes na classificação de imagem e processamento de linguagem natural.
Avaliação dos Modelos
A eficácia dos modelos de classificação é avaliada por meio de métricas como acurácia, memória e escore F1 com uma área sob REC (AUC-ROC). Além disso, foi fundamental evitar problemas como sobreposições usando tecnologias como validação cruzada e regularização.
2.2.2 Modelos de otimização
Os modelos de classificação e otimização são uma categoria fundamental de algoritmos no que diz respeito à aprendizagem automática, bem como em nível estatístico. O principal objetivo dessas informações é atribuir um rótulo ou categoria para uma observação, com base em algumas características preditivas e variáveis, ao mesmo tempo em que buscam melhores parâmetros de modelo com ótimo desempenho. Esses modelos são amplamente utilizados em diversas áreas, como medicina e assistência financeira. Eles foram aturados com informações sobre sua capacidade de prever ou categorizar com precisão em uma fase anterior) Existem vários modelos usando tecnologias de otimização para melhorar seu desempenho. Alguns dos mais comuns incluem Máquinas de Suporte Vetorial (SVM), que são modelos poderosos que procuram um hiperplano ideal para separar classes do espaço característico. A otimização da SVM depende da maximização do intervalo entre as classes, garantindo uma melhor generalização. Para gerenciar dados não lineares, SVM usa "kernel" como Gaussian ou Kerel Polinômico que transformam os conjuntos de dados em espaços mais dimensionais onde as classes são inseparáveis. Além disso, a regressão logística é um dos modelos mais simples e eficazes para problemas de classificação binária. Otimização é alcançada minimizando uma função de custo com entropia cruzada, usando métodos como o declínio do Gradiente Estocástico (GDS). Essa abordagem garante que os parâmetros do modelo convergem para um ideal global.
As árvores de decisão são modelos hierárquicos que classificam as observações através de uma série de decisões baseadas em características específicas. A otimização nesses modelos envolve selecionar divisões que minimizem métricas como entropia ou Gini Index. Em florestas aleatórias, o desempenho é otimizado combinando múltiplas árvores com técnicas de ensacamento e reduzindo o risco de sobreajustamento. As redes neurais são modelos inspirados no cérebro humano, ideais para problemas complexos e não lineares. Eles usam técnicas de otimização como declínio de gradiente, franjas com momento e algoritmos avançados como Adam. Essas técnicas se adequam aos pesos das conexões entre neurônios para minimizar a função de perda e melhorar o desempenho. Também modelos como Gradient Boosting, AdaBooth e XGBOost usam técnicas de otimização iterativa para ajustar formas de modelo simples, incluindo árvores de tomada de decisão em sequência. Cada iteração corrige erros do modelo anterior, minimizando uma função de perda cumulativa.
Otimização de suporte Vector Machines
SVM são algoritmos com desempenho baseado no uso do kernel. Um kernel K (x, e) é uma função de valor real N: X × X→ R que atua como um produto incremental no espaço vetorial real Z. Para tal, há um papel:
0: X → Z, 2.1 )
para que K (x, e) = 0 [g] Tδ y. X e Z são respectivamente conhecidos como espaços de entrada com características.
SVM pertence ao tipo de algoritmo baseado na teoria da regularização de Mocorro et al ( 2006 ). Estes métodos permitem a construção de funções de classificação para resolver um problema de otimização em Tikhonov e Arsenwith ( 1977 ):
N X
m ́ ın f 1 g
i = 1 L (yi, f) e g 2 K ( 2.2 )
em que μ > 0; HK denota o espaço do kernel de reprodução de Hilbert (RKHS) associado com o k-kerel, e pdg como uma regra de f em Rekys. 1, + 1 } indica as duas classes possíveis de xi e finalmente L (yi, f) é uma função de erro. Neste contexto, f (x) = 0 É uma questão de decisão em Hong Kong. A abordagem típica SVM utiliza a função de erro L-específica chamada perda de dobradiça, como definido por:
L (yi, f) = 1 − yi f (xi) e 2.3 )
com x) e = m ′′ ax 0 ).
O problema ( 2.2 ), μ ajuda a estabelecer um compromisso entre um ajuste da solução f com os dados quantificados por L e quão complexa será a sua função.
É certo provar isso. 2 K = ‡ w 2, em que w = pn i αiδ (xi) e 0 é o Mapeamento como definido em 2.1 ). Além disso, o problema ( 2.2 ) podem ser reformuladas como:
N X
m ́ ın w, b 1 g
i = 1 ( 1 − yi (wTδ) + b e 2. ( 2.4 )
O problema ( 2.4 ) é equivalente a resolver o seguinte problema de otimização dupla Mocerza et al. ( 2006 ):
g ′′ n.n β 1 2 β TQß − eTS
( 2.5 )
s.t. e Tβ = 0,
0 ≤ β < C,
em que β = (β1,.g) T e 0 É um vetor de zeros, e é um
alguns, Q é definido como N × g uma matriz simétrica positiva com Qi j = yiy JK (xi e x). 1 2 μn é uma constante. Esse problema era convexo e quadrático, com todos os mínimos locais, bem como um nível global.
Por uma questão de simplicidade, g (β) é definido como um gradiente para uma função objetiva com este problema. 2.5 ), isto é g (β tema = Qß − e.
Um vetor β é um ponto estacionário de ( 2.5 ) se e somente se houver um número d com dois vetores não negativos λ ou μ de modo 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 Não.
Pode ser mostrado, Chen et al. ( 2006 ), que um vetor β como o 0 ≤ β i < C satisfaz as condições ( 2.6 ) Se e apenas se
− yig (β) i ≤ d,
− yig (β) i ≥ d, 2.7 )
em que Iup (β) 124; βg < C, e lt = 1 ou β t > 0, e t = - 1 } e
Ilow (β) 1 ou β t > 0, e 1 }. ( 2.8 )
De ( 2.7 ), que m (β] ≤ M {α} é argumentado onde:
m (β)
M (β) m ′′ n i llow e {α} yig, 2.9 )
Na literatura SVM, o problema ( 2.5 ) é resolvido utilizando a chamada Otimização Sequencial Mínima (SMO e Joachims, 1999; Platt, 1998 ). Estes algoritmos são essencialmente métodos quadráticos tipo Newton que, a fim de tornar o problema computacionalmente tratável têm sido considerados apenas um subconjunto de variáveis em cada iteração e assim chamado conjunto de trabalho em vez de trabalhar com um Qmatrix inteiro.
Teorema 1. Deixe {β k} ser uma seqüência infinita gerada por ser a sequência infinita criada com um método tipo BMO para problema ( 2.5 ). Então, se Q é uma matriz definida positiva, o ponto limite {β k} é um problema mínimo global e único ( 2.5 ).
Prova. Ver Chen et al. ( 2006 ). □
Por conseguinte, mantém-se o seguinte corolário.
Corolário 1.1. Se {β k} é uma sequência infinita, então existem os dois limites seguintes e são iguais: l ′′ ım K → ع ma (βks) = L ́ μ.g. 2.10 )
Tendo em conta a definição de conjuntos Iup e Inlow de uma equação ( 2.8 ), e particularmente de β k envolvido dentro de cada conjunto (dentro dos limites) para g suficientemente grande com uma pequena tolerância ′′ > 0 Devem ser satisfeitas as seguintes condições: m (β k) − M [σg] ≤ □, 2.11 )
Isso é:
L ′′ ım k →
m (βk) − M [β ks] = 0.
Com base nesses resultados, algoritmos do tipo SMO implementam seus
Critérios de reforma:
m (β k) − M [βg] ≤. 2.12 )
2.3 Processamento de Linguagem Natural
Processamento de linguagem natural, PLNs é uma subárea de inteligência artificial que se concentra em computador e interação humana através da linguagem. Permite que as máquinas compreendam, interpretem e produzam linguagem natural. O desenvolvimento deste campo está sendo dinâmico e evoluindo muito rapidamente, gerando avanços bastante significativos nos últimos anos com aplicações em diferentes domínios, como a tradução de línguas para análise sobre sentimentos ou interface focada em Agarwal ( 2019 ).
As PLNs desenvolvem um extenso conjunto de tecnologias e abordagens, incluindo a compreensão com uma geração da linguagem natural, bem como como como conduzir a fala. Essas técnicas muitas vezes usam a capacidade de MOIs e aprendizagem profunda, bem como com outras tecnologias de informática para análise de linguagem humana, compreensão ou geração. Atualmente as PLNs apresentam avanços muito significativos, um deles é a capacidade de compreender estruturas e significados para conjuntos de dados em linguagem natural. Técnicas tais como análise ou separação) rotulagem, mas análise semântica é como um computador pode se conduzir quase sobre o ser humano a partir de uma perspectiva de Young et al ( 2017 ).
O Deep Learning (DLs) revolucionou o campo das PLNs, possibilitando a criação de modelos que aprendam sobre representações de informação complexas e em larga escala. Muitas vezes as redes neurais têm um desempenho mais do que outros métodos, tarefas como tradução ou geração de texto são muito eficientes com este tipo de modelos Lan et al. ( 2024 ).
Os avanços recentes nos PLNs incluem a introdução de LLM, modelos de linguagem grandes como SOFTWARE-TH-003 e GPT, mostraram uma capacidade impressionante em um multitítulo de Yenduri et al. ( 2023 ). Esses modelos pré-treinados podem ser ajustados por meio de um processo de ajuste fino para tarefas específicas, efetivamente aumentando o rico conhecimento sobre a linguagem adquirida durante a pré-entrada.
PLNs, continua a evoluir e pesquisadores ou usuários estão atualmente enfrentando desafios como melhorar modelos com desempenho robusto.
formação com outras áreas, como a aprendizagem multimodal e representação de Khurana et al. ( 2022 ).
2.3.1 Identificação do género nos textos
A classificação de gênero de um texto tem pesquisas avançadas na área. Uma das aplicações mais comuns é detectar o gênero de uma pessoa que escreveu um texto Mukherjee e Balat ( 2017 ); Huang et al. ( 2014 ), e-mail Corney et al. ( 2002 ), Kucukyilmaz et al. ( 2006 ) postagens em sites de Yan e Ja ( 2006 ), contribuidores para projetos colaborativos online Vasilescu et al. ( 2014 ); B. Lin e Seebrenik ( 2016 ); Terrell et al. ( 2017 ); M. Das et al. 2019 ) ou para detectar o gênero de feedback dos usuários em plataformas CRM Lau e al. ( 2005 ); Amado et al. ( 2018 ). A produção de textos dos autores foi realizada em várias línguas Kocher e Savoy ( 2017 ); Fatima et al. ( 2017 ); Lotipez- Santillan et al. ( 2020 ), que confirma os benefícios dos métodos baseados no conteúdo. Outras abordagens para resolver este problema podem ser usando Kretschmer e análise de gráfico da agulha ( 2005 ); Rangel e Rosso ( 2016 ), bem como a rotulagem de Parte do Discurso (POS. 2019 ).
Em Krüger e Hermann ( 2019 ), os autores foram 215 trabalhos anteriores publicados entre 2017 e 2019 sobre a identificação do gênero dos autores. De acordo com esta revisão, o melhor experimento da literatura anterior indica uma acurácia de 93.4 % dos casos extraídos de SERVICE-005 Markov et al. ( 2017 ). Vale ressaltar que todas as publicações de pesquisa consideradas por esta pesquisa realizam procedimentos padrão de aprendizado de máquina para preparar a entrada do texto, incluindo a topenização e padronização do Eisengstein ( 2019 ) (como lemização ou derivação. Assim como explicamos em uma seção 5.3 com esta abordagem, introduzimos mudanças nos procedimentos padrão para melhorar o desempenho na identificação de gênero, conforme sugerido por outras pesquisas anteriores Uysal e Gunat ( 2014 ). Além disso, uma das limitações comuns para outros estudos é que apenas considerando a identificação binari (aprofundará essas ideias na Seção 3 ) 5.4.4 ).
Segundo Krüger e Hermann ( 2019 ), há uma alta variabilidade na precisão da identificação de gênero com diferentes línguas. Uma análise mais aprofundada dos trabalhos anteriores nesta revisão revela que as experiências com línguas que fornecem uma rica informação sobre o gene, como o espanhol e o português, têm melhor desempenho do que o inglês. O novo método, útil para SYSTEM-TH-001 buscamos confirmar se é possível com algumas linguagens características específicas com o propósito de realizar a identificação de gênero.
Identificação do gênero de um texto, ou seja, decidir sobre um indivíduo.
descritos em um texto, têm sido prestados cuidados comparativos com estudos anteriores. No entanto, existem pedidos de publicidade específica Jansen et al. ( 2013 ), avaliando as diferenças de género nos mercados de emprego em linha Fung et al. ( 2018 ) e reconhecimento das entidades designadas (NER. 2013 ). Contrariamente às abordagens anteriores, predominaram os serviços de base de dados Wais ( 2016 ); Santamaria e Mihaljevi ́ c ( 2018 ), mais recente por S. Das e paik ( 2021 ), mostrar a utilidade de aplicar algoritmos de aprendizado de máquina que analisam informações contextuais. Proposta de SYSTEM-TH-001 Isso é para combinar algoritmos de aprendizado de máquina com retenção de elementos morfológicos que contêm informações sobre gênero em algumas línguas, para um melhor desempenho de marcação de uma pessoa descrita por texto.
2.4 Sistemas de gestão do conhecimento
Sistemas de Gestão do Conhecimento, sistemas de gestão do conhecimento (KMMs) é uma área com uma abordagem especializada e muitas vezes integrada em outro sistema baseado no conhecimento mais abrangente para gerenciar os recursos de informação da Grace & Butler. 2005 ). Estes sistemas são projetados para armazenar, processar e usar o conhecimento necessário para permitir Thampi ( 2008 ). Mais especificamente, os KMMs são tipicamente o paraíso para o conhecimento de uma organização usando repositórios, como bases de dados e lagos de dados ou outras estruturas, mas também nos permitem analisar essas informações que foram armazenadas em busca de tendências, apoiando sua tomada de decisão sob uma perspectiva estratégica Sensuse et al. ( 2018 ).
Uma das principais funções para os KMMs é aumentar a eficácia e eficiência de uma organização, superando os desafios que surgem ao fornecer informações sobre sua relevância, um processo alcançado com habilidades de sistema partir, a fim de gerar múltiplos níveis, na melhor das hipóteses, assim que novos conhecimentos adquiridos Thampi tenha sido integrado ( 2008 ). O KMics tem várias aplicações em vários domínios, incluindo sistemas de gestão de documentos e conteúdos com plataformas de e-learning, bem como uma rede de comunicação ou sistema de trabalho colaborativo Grace's ( 2005 ).
Por exemplo, os gestores de documentos e conteúdo estão focados em fornecer aos usuários acesso em tempo real aos conteúdos armazenados da Organização tipicamente organizados por temas. Estes sistemas são implementados com estruturas de metadados que facilitam a recuperação e navegação entre Sensuse et al. ( 2018 ). Os sistemas de E-learning concentram-se na educação e formação dos utilizadores, fornecendo conhecimentos estruturados e organizados.
Uma maneira amigável. Estes sistemas são concebidos para melhorar o processo de aprendizagem, incentivando o compromisso do utilizador, permitindo que novas competências e capacidades ganhem a sua melhor quota de desenvolvimento no seu conjunto com o capital humano da Grace ( 2005 ) Malingkas e Ce ( 2020 ). Os KMMs também foram restabelecidos como uma abordagem muito popular para organizações que buscam promover a colaboração, socialização e integração de sua equipe humana. K. Lee e Hawamdeh ( 2002 ). Estes sistemas podem ser encontrados em uma série de domínios de aplicação, entre eles temos usado Thampi ( 2008 ), jogos educacionais Grace e Butler ( 2005 ) e aplicações de realidade aumentadas C K. Lee e Hawamdeh ( 2002 ). Eles também são integrados como redes de comunicação, e servem para compartilhar com eles o conhecimento de Iiriemiokhale ( 2020 )
No entanto, uma implementação bem sucedida de KMMs e sua integração com ou mesmo compartilhar processos de aprendizagem internos pode ser complexa, pois requer considerar múltiplos fatores críticos para o sucesso, incluindo o alinhamento do sistema para objetivos estratégicos, mas uma interação ativa sobre os funcionários. K. Lee e Hawamdeh ( 2002 ).
Um exemplo de KMMs é o framework ' SYSTEM-TH-001 Trata-se também de um gestor documental e de conteúdo que organiza informações relacionadas a várias atividades no domínio do turismo com o objetivo de facilitar a detecção do conhecimento também.
A implementação requintada de um KMMs requer um profundo conhecimento e compreensão sobre fatores sociais ou econômicos que podem influenciar o compartilhamento de informações com uma organização, bem como como o alinhamento estratégico será alcançado para os objetivos de aprender com eles ao gerenciar sua familiaridade. K. Lee e Hawamdeh ( 2002 ). Além disso, com ênfase na importância da compreensão e motivações de nível individual após ações de compartilhamento de conhecimento atualmente ocorrendo estudos identificaram vários fatores que podem impactar o sucesso desta tecnologia, incluindo características do usuário, como sua direção para compartilhar informações ou sua confiança em seu sistema, mas também dinâmica de poder. também sobre a natureza do conhecimento compartilhado e como Njiraine ( 2019 ). Para garantir uma implementação eficaz dos KMMs, as organizações têm de considerar cuidadosamente estes factores críticos e desenvolver estratégias que aumentem a cultura como um meio para lhes permitir. Eles alinham seu sistema com seus objetivos estratégicos enquanto interagem com os usuários usando atividade sobre como eles estão interessados em empresas H. Lin ( 2007 ).
2.4.1 Sistemas de recomendação
Sistemas de recomendação são projetados para fornecer sugestões personalizadas para os usuários, criando um perfil único com cada indivíduo, baseado em uma matriz de diferentes parâmetros que refletem seus interesses e preferências. Esses perfis de usuários têm sido cruciais para permitir que sistemas de recomendação se adaptem e atendam à natureza dinâmica das necessidades ou preferências dos usuários. Peng e Xu ( 2022 )
O processo de construção de perfis de usuários normalmente envolve coleta de dados de várias fontes, como informações de registro e histórico de navegação. 2016 ). Este conjunto de dados é analisado para identificar padrões que permitirão aos utilizadores Hung e Huynh ( 2019 ). Como as preferências do usuário podem mudar ao longo do tempo, a construção de perfil permite uma melhor adaptação a essa mudança, gerando melhores recomendações e criando uma experiência de uso mais avançada de usuários Zhuhadar com Nasraoui ( 2010 ).
Os sistemas de recomendação podem ser implementados para utilizar diferentes métodos de recomendação, por exemplo uma abordagem com boa reputação ou recuperação de conteúdo relevante paudel et al. ( 2016 ). Ao considerar esses diferentes fatores, eles podem fornecer aos usuários um conjunto diversificado de recomendações que cobrem seus interesses e preferências. Peng ( 2022 )
O desenvolvimento de um perfil de usuário adaptativo e preciso é, portanto, um componente crítico no projeto eficaz para sistemas de recomendação, pois permite que estes sistemas se adaptem com eles, ao mesmo tempo que fornece sugestões personalizadas alinhadas pelas preferências dos usuários Kanoje et al. ( 2015 )
Por estas razões, a capacidade de criar e manter um conjunto de perfis de usuários ao longo do tempo é uma chave para o sucesso final com um sistema de endpoint, porque é por isso que permite fornecer sugestões eficientes, melhorando a satisfação dos usuários paudel et al. ( 2016 ).
Pelo enquadramento SYSTEM-TH-001 É um sistema de recomendação que pode fazer recomendações ao agente de viagens sobre os clientes com mais propensão para compra, e assim ele pode ser classificado como uma abordagem baseada na relevância.
2.5 Agentes inteligentes
Agentes inteligentes são entidades de software que podem interagir com seu ambiente e outros atores dentro deles, trocar informações ou mostrar conduta simula a complexidade do mundo real S.-M. Lee e Pritchett ( 2008 ). Os agentes inteligentes, que têm autonomia e capacidade de interagir com o seu ambiente, podem realizar eficazmente tarefas organizacionais para alcançar Itaiwi et al. ( 2012 ).
A natureza dinâmica dos sistemas baseados em agentes, onde os agentes os atribuem com múltiplos papéis e responsabilidades pode simular cenários complexos que estão tentando modelar o mundo. Ao modelar agentes baseados nas características da sociedade atual, pesquisadores podem estudar condutas que aparecem com interação entre atores e isso oferece um conhecimento valioso sobre propriedades de sistemas complexos de adaptação Ahmed et al. ( 2005 )
Agentes inteligentes atualmente projetados como robôs físicos ou chatbots são uma alternativa promissora para assistentes humanos de alto nível, uma vez que eles têm as capacidades de navegação autônoma através de ambientes complexos e dinâmicos que usam seu conhecimento com suas habilidades de raciocínio para alcançar um Zset. Peng ( 2021 ). Estes agentes são proativos, independentes e independentes com base em seu próprio conhecimento de regras predefinidas para resolver problemas Burgin ou Dodig-Crnkovi ́ c ( 2009 ). Sua capacidade de interação pode ser usada para resolver problemas complexos ou distribuir cargas de trabalho com um grau de Burgin e Dodiga-Crnkovi ́ c ( 2009 ). O tempo de vida dos agentes inteligentes inclui o cumprimento de um conjunto e metas através do conhecimento disponível com uma associação ( 2.1 ) Burgin e Dodiga-Crnkovi ́ c ( 2009 ). Esses objetivos podem ser independentes ou ter sido organizados com subojetivos que lhes permitem completar metas de alto nível quando são alcançados. Os objetivos estão ligados às tarefas desempenhadas pelos agentes, tanto as metas como os empregos têm sido elementos do estado mental de um agente. Isso serve como meio para armazenar regras ou conhecimentos que permitem realizar desafios com os objetivos de Burgin & Dodig-Crnkovi ′′ c ( 2009 ).
A organização sob a forma de Multi Agent MASs Systems está aberta à colaboração, concorrência e negociação usando padrões para modelar tecnologias com engenharia de software baseada em Zagent. Peng ( 2021 ); Francis et al. 2023 ); Halhenborg ( 2009 ).
A modelagem baseada em agentes, Agent-Based Modelling (ABM) Uddin et al. 2021 ) e engenharia de software orientada a agentes, Agens - Engenharia de Software Orientado
Figura 2.1: Principais conceitos de SOFTWARE-TH-001 para o desenvolvimento de MASs.
Anel (AOSE) Garro et al. 2018 ), são normas no domínio que elementos e entidades fornecem a sua implementação. Algumas abordagens bem conhecidas usando MASs para resolver problemas complexos ou simular ambientes reais são, as brocas de tráfego rodoviário Fernandez- Isabel et al. ( 2020 ), os sistemas distribuídos de apoio à decisão Migulez-Fernández et al. ( 2020 ), sistemas de formação de máquinas bio-inspirados heads et al. ( 2020 ) e jogos de vídeo J. Wang, Hong e al. ( 2022 ).
MASs são geralmente projetados usando artefatos específicos e pa-
Conduzir as diferentes fases do desenvolvimento complexo do sistema. Isso permite gerar relações e interações entre agentes que são representados graficamente, em seguida, automaticamente transformados em código fonte. SOFTWARE-TH-001 GAIA, Probetheus e Troils são metodologias de agentes mais conhecidas em Siswahyudi et al. ( 2018 ).
As plataformas de agentes, bibliotecas de código fonte de algumas linguagens de programação são normalmente a solução para aplicar MAS que foram previamente modeladas. Os destaques nesta área são SOFTWARE-TH-004 (Java) Bergenti et al. 2020 e MESA (Python) Kazil et al. 2020 ).
Para o desenvolvimento de SYSTEM-TH-001 A metodologia do agente utilizada tem sido a INGE-NIES, adaptando o modelo de instrumento ao quadro MESA para sua implementação. O modelo de agente é um modelo bio-inspirado e distribuído baseado na organização de uma colônia de formigas, para gerar MAS com várias formigas que trabalham juntas ou independentemente como por carga de trabalho do sistema.