Esse capítulo de sua tese centrou-se no quadro SYSTEM-TH-001 Um sistema projetado para otimizar a gestão de serviços turísticos em uma agência de viagens usando inteligência artificial e uma arquitetura com agentes bioinspirados. SYSTEM-TH-001 Inclui módulos que atualizam os repositórios de conhecimentos diários de provedores e serviços turísticos. Embora exija intervenção manual, o sistema automatiza e simplifica as tarefas de um administrador.
O quadro foi testado na agência COMPANY-002 com um Sistema Multiagente (MAS) baseado numa organização integrada e bioinspirada, utilizando configurações adaptadas às necessidades da empresa. Foram realizados experimentos que avaliaram parâmetros-chave e a satisfação dos clientes ou agentes de viagens. Os resultados iniciais indicaram que os clientes priorizam atributos como preço e qualidade do serviço.
Os experimentos compararam o desempenho de SYSTEM-TH-001 com métodos tradicionais e outros algoritmos, avaliando sua capacidade de prever propensão para compra. O modelo bi-estágio de SYSTEM-TH-001 têm demonstrado um melhor equilíbrio entre treinamento e testes, evitando problemas com sobreposições ao otimizar recomendações.
Em testes reais, o sistema mostrou melhora significativa na taxa de conversão e redução do tempo de cuidado. Ele aumentou as recomendações precisas com benefícios para ambos os clientes também SYSTEM-TH-001 e uma solução eficaz para a transformação digital no sector do turismo.
3.1 Introdução
Hoje, o turismo é uma das indústrias mais rentáveis em Camilleri ( 2018 ). Todos os anos, exércitos de turistas visitam cidades famosas e vestígios históricos ou simplesmente têm o prazer de conhecer novas culturas com outras formas. Além disso, há outros turistas que simplesmente procuram calma e relaxamento durante suas férias com uma grande oportunidade de desfrutar das paisagens das praias dos sonhos de Tucreac ( 2010 ).
Todos estes eventos humanos resultam na utilização de vários tipos de transporte, tais como aviões, comboios e autocarros. ( 2018 ). Além de gerar milhões de reservas em hotéis, apartamentos e outras propriedades semelhantes que permitem a estes turistas.
Toda esta actividade deve ser gerida pela agência de viagens, com informações sobre destinos e preferências de diferentes tipos turísticos Moliner et al. ( 2007 ). É por isso que o surgimento de sistemas focados para fornecer um suporte ao usuário final (seja ele um turista ou agente de viagens) que facilitará seu processo de reserva é completamente necessário e atualmente à sua disposição.
Além disso, os agentes de viagens devem fazer um esforço adicional para fornecer aos seus potenciais clientes as opções mais interessantes a fim de fechá-los. Devido a esta situação, é natural que eles comecem com o florescimento de sistemas que automaticamente farão recomendações sobre viagens e destinos selecionando o melhor transporte como exigido de Zapata et al. ( 2019 ).
Todos esses sistemas têm suas limitações. Os principais pontos fracos são a dificuldade de elaborar orçamentos por parte das agências de viagens. É uma tarefa que requer um grande investimento de tempo e esforço, aumentando à medida que a complexidade com que compartilhar destinos aumenta durante sua jornada desejada. Outro problema importante é a incapacidade de fornecer feedback sobre os serviços oferecidos aos clientes. Esse problema era vital para as agências de viagens, porque precisavam saber se os empregos gerados eram adequados e os clientes ficaram satisfeitos com eles depois de terem desfrutado de seus serviços contratados. Para esse fim, recomendações que filtram as preferências iniciais do cliente são fundamentais. Eles normalmente marcam a evolução dos serviços de turismo oferecidos, uma vez que tendem a atrair atendimento ao cliente desde uma fase inicial.
O COVID... 19 Outro grande problema para o sector do turismo foi a limitação dos movimentos com vista a limitar a expansão do vírus. Esta medida teve, obviamente, um grave impacto negativo sobre o turismo, reduzindo as viagens e, consequentemente, conduzindo a elevadas perdas no Bakar ( 2020 ). No entanto, os progressos realizados com os programas e as medidas em matéria de vacinas foram postos termo a estes desafios.
A proposta de directiva da Comissão estabelece os seguintes critérios:
Por estas razões, um quadro completo que possa gerir a procura crescente é crucial. Esse sistema deve ser capaz de resolver os pontos fracos identificados, através da melhor gestão de todos os problemas que têm ocorrido desde o interesse do cliente em um serviço turístico, fornecendo apoio ao seu agente de viagens, uma vez que selecionam diferentes possibilidades e com um feedback adequado do cliente após o seu fim.
Assim, esta tese apresenta framewok SYSTEM-TH-001. Esse é um sistema automático que inclui vários assistentes gráficos para fornecer suporte completo para agentes de viagens e turistas. As novidades são as seguintes:
Abrange todos os processos necessários com o processo de venda de serviços turísticos, centrando-se principalmente nos interesses dos clientes e potenciais ofertas que melhor se adequam à política de agências de viagens. O agente de viagens e o cliente são guiados pelas recomendações do sistema em todas as fases do seu processo de venda.
Gera orçamentos rapidamente em tempo real, levando a uma melhor tomada de decisão a nível operacional e como agentes de viagens com uma direção estratégica.
Ele é capaz de aprender através de sua experiência e ajuda a priorizar esses clientes ou potenciais clientes com uma alta propensão para comprar. Um modelo de propensão para comprar ML foi incluído no sistema para esta tarefa.
A inclusão de um MAS e seus agentes inteligentes melhor gerenciam o intercâmbio de conhecimentos com melhor comunicação. Esse MAS foi desenvolvido após a abstração bioinspirada de um antiguer, que gerencia cargas de trabalho em Moreno et al. ( 2022 ), uma característica importante como a maioria das empresas exigem interações em tempo real com vista a satisfazer as necessidades de seus clientes.
Fornece suporte ao agente de viagens, ajudando-os a filtrar entre as melhores opções, dependendo dos interesses do cliente. O sistema poderia ser classificado como uma recomendação, o que simplifica os processos de condução na viagem de uma agência.
Várias experiências foram concebidas para mostrar o valor e as melhores práticas. O módulo dedicado à priorização do cliente foi avaliado em conformidade.
independente para que possamos verificar o seu valor acrescentado. O sistema como um todo foi posto à prova e resultados muito promissores surgiram com esta avaliação.
3.2 Proposta
3.2.1 Gestão automática do turismo
A gestão automática do turismo é uma das tarefas básicas nesta área, devido a um grande número e diferentes processos para considerar as ofertas disponíveis, bem como com as configurações de viagem que foram apresentadas pelos clientes da Kler ( 2009 ).
O processo de gestão baseia-se em duas abordagens: o cliente e o vendedor (por exemplo, recurso final ou agência de viagens). O primeiro é melhor desenvolvido por diferentes estudos e sistemas disponíveis. O problema prende-se com a implementação de novas tecnologias e turimso electrónico (por exemplo, ofertas ou informações de marketing sobre serviços turísticos em linha). Isso significa que um prestador de serviços turísticos tem contato direto com Hamid et al cliente 2021 ).
No que diz respeito a abordagens que automatizam diferentes processos relacionados com o turismo, a maioria dos sistemas são recomendações de ambos.
No caso de uma abordagem de agência de viagens, eles normalmente trabalham com clientes que não sabem onde andar ou quais são as suas preferências. É por isso que os sistemas que são capazes de coletar e processar informações dos clientes podem fornecer suporte de tomada de decisão ou selecionar o melhor provedor com uma agência para um determinado cliente Hsu et al. ( 2013 ). As informações podem ser contidas no texto Loh et al. ( 2003 ) ou gerado pela criação de perfis Adriana ( 2018 ).
Na abordagem do cliente, há muitos desafios para se trabalhar. Por exemplo, sistemas capazes de desenvolver configurações específicas de viagens para clientes com necessidades especiais são realmente úteis Novikova et al. ( 2015 ). Além disso, existem outras abordagens mais generalistas e alguns exemplos disso têm sido aqueles que se concentram em selecionar o melhor caminho como referido no tempo meteorológico com condições de tráfego Suframaniyaswamy et al. ( 2018 ), ou aqueles que recomendam melhores viagens para indivíduos e Herzog et al. ( 2018 ). Eles são todos como designers virtuais de Al Fararni e al planos de viagem. ( 2021 ) que são geralmente baseados nos gostos dos clientes e suas viagens foram feitas Garcia et al. ( 2009 ). Para a selecção dos destinos, foram considerados sistemas semelhantes
Dois. Eles processam as vistas dos turistas para encontrar seus destinos mais populares para eles Zheng et al. ( 2018 ) e também produzem rankings de interesse Alrasheed et al. ( 2020 ). Finalmente, o problema de oferecer acomodação ideal de acordo com as preferências do cliente também foi considerado. Estas preferências são, na verdade, as necessidades dos clientes Forouzandeh et al. ( 2021 ) e sua capacidade econômica Ray et al. ( 2021 ).
O enquadramento SYSTEM-TH-001 Ele está focado principalmente na perspectiva da agência de viagens, fornecendo elementos específicos para interagir com os clientes. No primeiro caso, um vendedor recebe recomendações em tempo real consistentes com informações de clientes sobre seus interesses. O sistema tem um componente realmente novo para notificar o vendedor sobre o que os clientes têm uma tendência aumentada de comprar seu serviço turístico. Isso facilita o trabalho e aumenta os benefícios da agência. No segundo caso, os clientes podem introduzir as suas características e interesses. O sistema usa-os para fornecer informações vazadas com o vendedor.
3.2.2 O enquadramento SYSTEM-TH-001
O principal objectivo do quadro SYSTEM-TH-001 Isso é para apoiar clientes e agentes de viagens. O sistema abrange, portanto, ambas as perspectivas relacionadas com a gestão dos serviços turísticos.
Do ponto de vista turístico, SYSTEM-TH-001 fornece diferentes serviços turísticos consistentes com preferências e características. Para usuários do perfil de modelo de agente de viagens, este sistema oferece o melhor serviço com vista às preferências fornecidas pelo cliente e classificações de desempenho anteriores. Além disso, SYSTEM-TH-001 inclui uma funcionalidade extremamente nova para um pyme, esta é a capacidade de selecionar aqueles clientes com maior propensão sobre a compra em algum momento e que permite que os agentes de viagens tenham suas prioridades de plano de trabalho estabelecidas, bem como ao configurar as ações necessárias em cada caso.
O sistema é alimentado por uma série de fontes de informação que fornecem o conhecimento necessário, tais como: disponibilidade e preço para voos ou hotéis.
As secções seguintes explicam a arquitectura deste quadro SYSTEM-TH-001 considerando diferentes módulos e focando nos processos que cobrem sua funcionalidade.
Figura 3.1: arquitectura do quadro SYSTEM-TH-001.
3.2.3 Arquitetura geral e módulos
A arquitectura do quadro SYSTEM-TH-001 Consiste em cinco módulos diferentes: Gather de informação, Gerente de serviço turístico e Gestão do Cliente. Estes módulos são complementados com duas bases de dados de conhecimento que lhes permitem armazenar esta informação: os fornecedores sabem como e as habilidades de serviços turísticos (ver Fig. 3.1 ). Estes módulos são capazes de realizar estes três processos fundamentais: venda de serviços turísticos, feedback do cliente e atualização de informações.
O módulo gerenciador de manutenção serve como ponto central para a manutenção da informação e parâmetros comuns utilizados pelo outro SYSTEM-TH-001. Tipicamente, alguns exemplos de manutenção da informação estão relacionados com mudanças nos recursos turísticos (por exemplo, nome do hotel e novos prestadores de serviços ou encerramento de eventos). É necessária uma capacidade de mapeamento do mesmo serviço turístico em diferentes fornecedores para facilitar a produção do sistema com uma gama e preços. Para eles, use o módulo Coletor de Informações para realizar essas ações (ver Fig. 3.2 ).
O módulo Gather de Informação recolhe informações do mercado virtual do turismo. O mercado baseia-se no intercâmbio de informações entre fornecedores e consumidores através do uso de tecnologias XML ou JSON. Esse módulo recupera informações de dois tipos, estática e dinâmica. O primeiro não é frequentemente modificado, uma vez que o nome e a descrição destes produtos são relevantes para eles. O segundo muda várias vezes ao dia. Normalmente algumas informações sobre este tipo de dados são aluguel de hotéis ou preços. Todas essas informações são armazenadas no conhecimento de Fornecedores de Repositório de Informação. É importante indicar que algumas dessas informações não podem ser armazenadas, pois são contratuais com os prestadores e só foram consumidas por
Figura 3.2: Uma visão do gerenciador de manutenção e módulo de gather de informação.
este módulo de uma forma passiva.
O conhecimento do Repositório Fornecedores tem como objetivo principal gerenciar informações adquiridas de provedores. Note que esta informação é carregada manualmente no repositório por um ser humano. O sistema utiliza todas estas informações para fazer recomendações de forma automatizada. A interface visual de SYSTEM-TH-001 fornece vários assistentes gráficos que certamente também ajudam o usuário a completar suas tarefas,
O módulo de gestão de serviços turísticos dedica-se a arriscar oportunidades potenciais de clientes e gerar ofertas personalizadas para as melhores recomendações (ver Fig. 3.3 ). Estas recomendações baseiam-se em cálculos feitos para obter os melhores recursos turísticos para uma operação, ordenados por juros. Cada tipo de recurso turístico é agrupado por uma categoria. Inclui-se a categoria de transporte, voos e serviços colectivos (por exemplo, comboios ou autocarros), bem como os serviços de aluguer de automóveis. Na categoria de alojamento, hotéis e locais semelhantes são considerados. Finalmente, na categoria de extras, excisão e seguro eles são classificados ou incluídos.
A expressão que proporciona os melhores recursos turísticos para a criação de um serviço turístico completo (TS) é descrita da seguinte forma:
TS = max k) { 1 A) 124, E 12 e 3 ] TS k = X
C □ {T, A} 3.1 )
onde T é transporte, Para alojamento e E são extras. As propostas da Comissão foram apresentadas com vista ao acompanhamento e avaliação da produção de novas tecnologias. 0 a 1 para indicar relevância. Note que a soma dos pesos deve ser 1. S coreC é então o valor médio dos valores de R e N.
para selecionar os recursos turísticos de um serviço. S coreC j é definido do seguinte modo:
S coreC j = wEC u, g · f e e) 3.2 )
em que j { 1,.). 124 e C p845 foram referidos como Secção 3 do presente regulamento, mas que estão actualmente em vigor após 1 Janeiro 2012 com as seguintes informações: Os valores denotados por w são os pesos das contribuições parciais para o escore global definido.
O elemento f C u, j são as variáveis preferenciais e expressas da seguinte forma:
N X
f C u, j = 1
g
i primerredC j, I ( 3.3 )
onde você prefere C j, i é um valor [ 0, 1 ] indicando feedback pelos clientes com base em experiências anteriores. Além disso, f C ou j é o valor médio das opiniões dos clientes.
Para as rubricas T e j, isto depende das categorias em causa (N):
f T e, j = wt quality · qualityTJ + lt's stopopovers.topotesight JN e WL time 3.4 )
f A e, j = qualidade wa · qualidadeA. J.+ WA. location N. 3.5 )
f E, j = WE qualidade · qualidadeY J + HE acessibilidade N flexibilitiand JM) serviços EN serviçosA 3.6 )
Em cada categoria, é considerado um conjunto de medidas com valores [ 0, 1 ]. Para a categoria Transporte: qualidade mede o desempenho do transporte, as paradas são número de paradas potenciais e o tempo medirá quando chegaremos ao nosso destino. Na categoria Alojamento: a qualidade mede o quão alto é um alojamento, com sua localização expressa em relação a uma área turística e informações sobre seu nível de serviço oferecido por eles. Por último, para a categoria Extras: medidas de qualidade adicionais e flexibilidade significa que têm capacidade de reserva às vezes com os seus métodos. Os serviços expressaram a quantidade de serviços prestados enquanto os preços eram significativos pelos seus custos) 1 para cada categoria.
Através de ações para cada categoria, o sistema tenta enfrentar desafios que são fundamentais com uma jornada:
COMO: definindo a qualidade ou o nível de um recurso.
QUANDO: classificando o tempo necessário para chegar ao seu destino.
ONDE: classificando o local e os seus arredores.
O QUE: por classificar a aceitação de um recurso extra como o que oferece.
PORQUÊ: define o conjunto de extras e segurança oferecidos por um recurso.
O módulo é responsável por filtrar os clientes como eles se propõem a concluir sua compra. Um algoritmo que estima a propensão à compra será encarregado de estabelecer essa classificação. Esse algoritmo utiliza técnicas clássicas de processamento de pontuação e dois métodos ML diferentes em uma arquitetura Two-Layer para categorizar os clientes em cinco grupos de acordo com sua probabilidade de reserva. Mais detalhes deste processo serão apresentados mais tarde.
O módulo inclui três componentes: o organizador de serviços turísticos, o nosso filtro de serviço turístico e o seu coletor de feedback personalizado. O primeiro inclui um MAS para distribuir a carga de trabalho e obter tarefas de tomada de decisão compartilhadas. O segundo é responsável pela filtragem dos recursos de acordo com as peticioines feitas pelos clientes e seu terceiro gerencia feedback subsequente.
Em relação ao MAS, ele pode realizar tarefas relacionadas aos métodos ML utilizando uma estrutura bio- e antiguer-inspirada que inclui uma rainha velha também. O agente reina as diferentes tarefas entre seus soldados e constrói seu resultado final. Os soldados organizam suas petições e as usam para resolver o problema. Essa arquitetura dos agentes inteligentes está interessada, pois permite implementar medidas de balanceamento de carga. Essas medidas consistem na criação de pessoal novo e completo, ou formigas para aumentar a capacidade do sistema. Serão fornecidos mais detalhes sobre o MAS nas seguintes secções.
O Repositório de Serviços Turísticos armazena informações relacionadas aos contratos de serviços turísticos para posterior consulta e modificação por agentes de viagens. Essa informação está sujeita às decisões de gestão e configurações feitas no módulo de gerente do serviço de turismo. Ele serve como um guia para os processos de compulsão ou auto-geração de serviços turísticos. O feedback obtido dos clientes uma vez concluído o serviço também é considerado.
Figura 3.3 Visão do módulo: Gerente de serviço turístico, gerentes de agentes de viagens e gestão do cliente.
O módulo de gestão do cliente tem como principal funcionalidade apoiar os clientes na realização das tarefas necessárias para a criação de serviços turísticos em tempo real. Esse módulo comunica-se com o conhecimento de serviços turísticos e fornecedores de repositórios de know-how através do gerente de serviço de Turismo para realizar composições de diferentes elementos que compõem um atendimento turístico. O serviço criado é armazenado para posterior verificação e aprovação por um agente de viagens.
O módulo de gestor de agentes de viagens visa servir como ponto central de gestão interna para operações de criação de serviços turísticos. Ele também opera uma revisão de serviços criados pelo cliente através do módulo Gerente do Cliente. Ele está diretamente conectado a uma interface gráfica, permitindo que você tenha informações sobre os pedidos de seus clientes. Essas solicitações são utilizadas para consultar com os serviços turísticos conhecimentos e Fornecedores Conhecimento através do módulo de gerente de serviços de Turismo, obtendo assim cuidados turísticos interessantes para os usuários. O módulo pode gerar serviços turísticos do zero, selecionando diferentes opções. Note que a principal diferença deste módulo com o anterior está na configuração de privilégio do usuário (agentes de viagem têm mais privilégios do que clientes).
A interface visual oferece opções diferentes de acordo com duas perspectivas: a do agente de viagens e seu cliente. Para o primeiro caso, a visualização apoia a criação de viagens (por exemplo, um conjunto completo de serviços turísticos). Uma série de assistentes gráficos estão tentando aliviar a complexidade e o design, reduzindo a tomada de decisão do cliente através de um conjunto finito. Quando o cliente aprova o quanto de serviço de viagem, eles são enviados para sua Agência de Viagens para gerenciamento: aprovação e modificação. Várias trocas foram realizadas entre o cliente e sua agência de viagens até uma confirmação firme por nosso cliente
É confirmado pela agência de viagens. Uma vez confirmados os serviços e verificado o pagamento completo, será executado um processo de envio de toda a documentação necessária para apreciá-los. Essa documentação e a sua legislação associada são também disponibilizadas ao cliente na sua área de utilização privada para consulta com o cliente. Para a segunda perspectiva, é fornecida a de um agente de viagens e funções semelhantes. No entanto, as agências de viagens têm aqui uma iniciativa e podem gerar vários serviços turísticos para os clientes. Mais detalhes sobre processos de vendas são descritos nas próximas seções.
3.2.4 algoritmo para a detecção de potenciais clientes
O módulo Tourist service manager contém um algoritmo de estimativa para a propensão à compra. Ele categoriza potenciais clientes, dependendo de sua probabilidade de fechar a reserva de um serviço turístico. Esse algoritmo fornece informações de alto valor para a agência de viagens e permite que os agentes de viagens diferenciem entre clientes bons ou ruins (clientes que finalmente reservaram). O algoritmo é composto por três elementos fundamentais: transformação variável, agrupamento e classificação. O primeiro elemento prepara entradas para estimativa de probabilidade, realizadas por métodos de cluster e classificação. O segundo item fornece uma probabilidade inicial de compra e o último refine-o em algum cluster. O algoritmo de saída categoriza potenciais clientes de acordo com cinco grupos, proporcional à sua taxa de conversão (por exemplo, a proporção de clientes que finalmente reservam um serviço turístico).
O elemento de transformação variável é realizado por um codificador Wight Of Evidence (WoE) Weed 2005 ). Esse tipo de transformação e seus benefícios têm sido estudados no ambiente de risco de crédito profundamente Anderson ( 2007 ); Zdravevski et al. ( 2011 ). Ele ajuda a trabalhar com dados categóricos e numéricos simultaneamente, mas também pode correr de informações ausentes usando uma técnica adicional. Tradicionalmente, a codificação WoE é usada para separar o mau dos bons clientes e que se encaixa perfeitamente com um algoritmo de estimativa para a propensão da compra. A equação da transformação da WoE é:
WoE = % non events
% eventos ( 3.7 )
onde o valor dos eventos se refere aos bons clientes e como o melhor não-evento representa os maus.
Um dos benefícios mais interessantes para a abordagem atual da WIE é que variáveis com valores discretos demais são transformadas em numéricas e serão ordenadas de acordo com uma relação monotônica com variável dependente
Figura 3.4: Um modelo bifásico para estimar a probabilidade de uma propensão e reservar um serviço de aeroporto.
Tit. WoE fornece uma variável numérica que reagrupa este grande número de valores discretos em um array e categorias bem povoadas expressando informações para a nova categoria. Outra grande vantagem que pode ser alcançada com a solução proposta é que a WoE é um valor padronizado. O primeiro permite usar algoritmos de árvore de decisão (DT). Note que em um algoritmo baseado em árvores seu potencial de previsão com variáveis categóricas pode ser reduzido usando muitas categorias Friedman ( 2017 ). O segundo permite usar algoritmo baseado em distância como o algoritmo de agrupamento k-means, que requer variáveis com valores comparáveis porque usa Mohamad e Usman eucliid ( 2013 ).
O algoritmo é um modelo bifásico como e como mostrado na figura 3.4 primeiramente aplicando agrupamento usando k-means para obter três clusters com taxas de conversão diferentes (baixa, regular e alta). Também para obter resultados mais precisos um classificador DT atua em clusters baixos e altos, para dividi-los em menores, mas muito ruins. Assim, o algoritmo proposto fornece cinco categorias de produção: muito baixa e alta. Esse tipo de saída é calculado usando a probabilidade a priori da propensão à compra de pons et al. ( 1997 ) e oferece um resultado interpretativo para um agente de viagens.
A chave do modelo reside em como as variáveis são agrupadas em duas fases. Na primeira fase, a transformação da WIE é aplicada a um conjunto de variáveis que contêm informações sobre quem é seu cliente e de onde ele vem. Alguns exemplos dessas variáveis são: canal de contato (web, email ou presença física) e compra de curto a longo prazo se a viagem se relaciona com um determinado evento. Com estas variáveis, o agrupamento é desenvolvido para obter primeiro três grupos (baixos e regulares) que mais tarde serão divididos em cinco categorias
Finais pretendidos. Em seguida, na segunda fase, os transponders WIE's são aplicados a uma variável inerente de sua jornada como número e lugar que serão visitados por eles. Note-se que a codificação de WoE deve ser aplicada independentemente em grupos de baixa e alta probabilidade, mesmo com a mesma variável relacionada que eles porque seu objetivo é capturar padrões de acordo com cada grupo independente. Finalmente, dois DT's aplicados a clusters de baixa e alta probabilidade dividem esses grupos em mais dois conjuntos cada um com cinco categorias diferentes de buy-offs.
3.2.5 Bio-inspiração da Organização Multiagente (MAS)
Agentes inteligentes são entidades independentes que foram utilizadas por SYSTEM-TH-001 gerir os métodos ML. Eles criaram atividades cooperativas organizadas através de uma arquitetura MAS.
A proposta do MAS consiste em uma formiga que envolve agentes que desempenham três papéis diferentes como formigas: a rainha, soldados e trabalhadores (ver Fig. 3.5 ). Assim, organiza-se seguindo uma estrutura social de formigas bioinspiradas. A rainha (que é o agente gerente) é responsável por um antiguer, recebendo aplicações para analisar. Por favor, note que várias aplicações podem ser enviadas para este agente. O agente realista então nomeia a atividade de avaliar elementos de sua aplicação para um oficial soldado (ou seja, um avaliador). Esse agente é responsável pela distribuição de informações aos trabalhadores. Este último processa informações e aplica métodos ML fornecidos pelo sistema. Note que há uma cópia do modelo ML disponível para cada trabalhador. Uma vez que os agentes trabalhistas tenham concluído seu trabalho, eles se juntam a eles, se necessário (proteção e monitoramento de um empregado ou grupo de trabalhadores) enquanto devolvem seu resultado para ele.
Esse processo se baseia no modelo Belief-Desiri-Attempted (BDI) De Silva et al. 2020 ) onde cada agente tem um objectivo ou um conjunto deles que têm de ser cumpridos para completar o seu ciclo de vida. Para esse fim, a rainha tem um alvo designado e o objetivo de um soldado para avaliar suas informações. Todos os alvos geralmente incluem tarefas associadas que são ações a serem alcançadas. Agentes inteligentes foram colocados em prática com pelo menos uma tarefa, permitindo-lhes alcançar seus objetivos. Essas tarefas são colocadas em prática em um ambiente compartilhado por agentes, e isso inclui oportunidades para potenciais clientes. Cada agente inteligente tem um status mental e seu processador ou gerente, bem como uma série de crenças (motivações). A rainha também tem uma série de regras e um plano de gestão de oportunidades, enquanto, ao mesmo tempo, os soldados têm alguns padrões semelhantes para distribuir conhecimento sobre oportunidades entre os trabalhadores. Não em...
Figura 3.5: Extrato das principais entidades envolvidas em Mas formigas.
brego, os trabalhadores incluem o modelo ML em seus estados mentais para alcançar a avaliação da informação e um plano com algumas regras simples para organizá-las. Por fim, as interações entre os indivíduos seguem a estrutura hierárquica que consiste principalmente em conversas diretas. Note-se que, neste caso, os trabalhadores não têm de se envolver com outros funcionários, uma vez que eles abordam seu compromisso individualmente sob ordens do soldado.
O desenho do modelo concreto tem sido abordado por meio de uma metodologia de agente. SOFTWARE-TH-001. A composição dos resultados foi transformada para atender ao quadro MESA. As conversas e interações do agente foram implementadas seguindo padrões ORG-TH-006 ( ORG-TH-006 ) Melo et al. 2019 ).
3.2.6 Processos internos do sistema
O quadro de trabalho para SYSTEM-TH-001 apresenta três processos principais de acordo com sua arquitetura. O primeiro processo inclui as diferentes ações realizadas tanto pela agência de viagens como pelo cliente até uma venda efetiva de um serviço turístico. O segundo processo refere-se à tarefa de feedback. Finalmente, o terceiro processo inclui etapas para atualizar informações sobre preços e serviços.
Figura 3.6: Os processos de oferta e venda de um serviço para a prestação de serviços turísticos.
Outras informações, consoante o caso.
O processo de venda de um serviço turístico inclui uma matriz e a maioria tem sido comum tanto aos usuários finais (isto é, agente de viagens ou cliente). Isso acontece porque ambos os papéis interagiu várias vezes durante o processo (ver Fig. 3.6 ). Inicialmente, usuários finais se conectam ao sistema. Se os utilizadores já são clientes, podem solicitar um serviço turístico específico e enviá-los para a agência de viagens. No entanto, se os utilizadores forem agentes de viagens, podem tomar a iniciativa (os clientes estiveram fisicamente com eles) ou responder a eventuais pedidos dos clientes mais cedo. Então o sistema analisa
Figura 3.7: O processo de atualização de informações baseado no feedback do cliente.
Os clientes devem decidir se são adequados para venda ou não. Se forem adequados, os agentes de viagens priorizam sua demanda. Se os clientes responderem à resposta fornecida pelas agências de viagens e um dos seus serviços turísticos os interessou, este sistema completará o seu procedimento de envio de documentos com informações de transação sobre o serviço de turismo. No entanto, se os clientes não pudessem responder com os serviços turísticos exigidos pelas agências de viagens. Neste caso, o processo está encerrado. Além disso, os clientes podem estar insatisfeitos com as ofertas da agência de viagens e terão de gerar novos serviços que atendam aos seus desejos.
O processo de feedback segue uma série de etapas com os clientes entrando em comentários sobre um serviço turístico anteriormente comprado e concluído (ver Fig. 3.7 ). É um processo simples e opcional realizado apenas por clientes onde suas opiniões são armazenadas no sistema. As informações que fornecem são utilizadas para otimizar as recomendações contidas em SYSTEM-TH-001.
O processo de atualização de informações é trabalho de manutenção típico do sistema. Ele modifica principalmente o conhecimento armazenado em ambos os repositórios: Os fornecedores de habilidades e os serviços turísticos sabem como. Essa tarefa deve ser executada diariamente para manter o framework atualizado com a data SYSTEM-TH-001. No entanto, enquanto um processo manual o sistema fornece etapas automatizadas para gerenciar ações e simplificar o trabalho com um administrador. Por favor, note que o administrador não é considerado um usuário final pelo seu sistema (ver Fig. 3.6 ),
3.3 Experimentos
A maioria das experiências, pelo menos as mais relevantes para a validação como solução de desempenho, são apresentadas na presente secção. SYSTEM-TH-001 3 os experimentos estão incluídos em ambientes reais. COMPANY-002 1 foi a agência de viagens escolhida para conduzir as suas experiências. Por favor, note que esta é a primeira empresa a ser colocada em produção uma vez que a fase de desenvolvimento está concluída.
O MAS incluído no sistema oferece uma configuração básica adaptada às suas necessidades. Essas necessidades foram previamente testadas ajustando os parâmetros antes desses experimentos. Assim, o MAS consiste em duas formigas com cinco soldados e dez trabalhadores.
O primeiro experimento abrange a configuração de parâmetros e configuração do sistema. Além disso, um teste básico para avaliar o nível de satisfação do sistema entre agentes de viagens e clientes é submetido conforme exigido por recomendações. O segundo experimento detalha o desempenho do potencial algoritmo de detecção do cliente. Uma comparação com outros métodos de status de arte é incluída. O terceiro experimento avalia o desempenho do sistema uma vez colocado em prática na agência de viagens. Comparações entre os benefícios da agência de viagens são abordadas usando e sem o quadro SYSTEM-TH-001. Esse fato ilustrava a relevância de um sistema enquanto gerenciava uma agência para viagens.
3.3.1 Configuração do parâmetro e validação inicial do sistema
O primeiro experimento inclui um conjunto de etapas para mostrar como o sistema proposto funciona. Primeiro, os parâmetros do framework SYSTEM-TH-001 foram criadas para produzir recomendações sobre serviços turísticos para clientes e agentes de viagens. Estes valores foram fornecidos por 3 especialistas no domínio de uma agência de viagens selecta (isto é, pessoas com responsabilidade pela sua empresa). Então... 10 clientes (sem prejuízo do seu anonimato) e 3 As agências de viagens da empresa (ou seja, alguns dos seus trabalhadores) avaliaram as recomendações obtidas para os seus desejos turísticos específicos. Por fim, esses atores deram feedback sobre o desempenho do sistema e sua satisfação com os resultados obtidos. Essa satisfação foi medida por meio de uma Escala Visual Analítica de Satisfação (MSA) Lynsky et al. 2021 ). Esse AVS foi incluído num documento anónimo. O resultado do AVS tornou-se um intervalo de 0 a 1 para obter a opinião resultante.
1 [LINK-REDACTED]
Rol Satis VAS Agente A 0,85 Agente B 0,93 Agente C 0,73 Média ± D.S. 0.84 ± 0.10
Quadro 3.1: Valor de satisfação fornecido pelas agências de viagens.
Rol Satis VAS Cliente 1 0,71 Cliente 2 0,62 Cliente 3 0,89 Cliente 4 0,76 Cliente 5 0,95 Cliente 6 0,58 Cliente 7 0,78 Cliente 8 0,69 Cliente 9 0,92 Cliente 10 0,76 média ± D.E. 0.77 ± 0.12
Quadro 3.2: Valor de satisfação fornecido pelos clientes.
Os parâmetros estabelecidos (ver Secção) 3.2.3 ), os peritos da agência de viagens decidiram os seguintes valores para eles. Por ΔT. ÇA e ΔE, os valores foram fixados em 0,3, 0,45 e 0,25 respectivamente. Esta decisão foi motivada pelo pressuposto de que os clientes dão mais importância ao alojamento e à localização do que outras características de serviço turístico. E então, wCu e jy.g. 0,4 e 0,6 Dando uma relevância moderada aos comentários de clientes anteriores. Os pesos dos elementos de cada categoria (transporte, alojamento e extras) são estabelecidos. Para a categoria de transporte, a qualidade da T e as escalas Wt são estabelecidas em 0,3, 0,1, 0,2 e 0,4 respectivamente. Esta decisão foi motivada pelo pressuposto de que os utilizadores consideram frequentemente que os preços dos transportes são muito importantes acima das suas outras características. Para a categoria de alojamento, a qualidade da WA e a localização foram estabelecidas em 0,35, 0,25, 0,15 e 0,25 respectivamente. Esses valores refletem uma suposição que os usuários muitas vezes consideram relevante o preço e a qualidade de seus reféns, a menos que sua localização ou serviços também sejam muito importantes. Para a categoria de extras, nós qualidade e flexibilidade WE. 0,45, 0,15, 0,15 e 0,25 respectivamente. Essa decisão começa com a premissa de que os usuários colocam mais ênfase nos preços e na qualidade dos extras.
Uma vez que os parâmetros do sistema estão totalmente definidos, os três agentes de viagens fazem pedidos para SYSTEM-TH-001 Para obter recomendações de acordo com suas preferências. Essas preferências foram selecionadas como heterogêneas para validar o sistema por meio de uma ampla gama de possibilidades.
Em seguida, os clientes forneceram indicações de que o sistema estava actualmente a ser assistido por agentes de viagens para resolver potenciais problemas com a forma como funcionavam. As agências de viagens também forneceram aos usuários as melhores configurações obtidas no sistema. Se um cliente concordar com um dos serviços turísticos oferecidos, o seu sistema completou o processo de reserva correspondente.
Por fim, foi apresentado aos participantes um documento anônimo com o AVS. Os resultados são apresentados na tabela 3.1 e na mesa 3.2. A satisfação média dos agentes de viagens foi 0,84 enquanto o número médio de clientes foi 0,77. Em ambos os casos, foram obtidos desvios-padrão semelhantes. Assim, a satisfação média geral do sistema foi 0, 80 ± 0, 11.
Para concluir, podemos dizer que o resultado é bastante aceitável de ambas as perspectivas (clientes e agências de viagens). Além disso, os clientes são mais prementes e exigentes do que as agências de viagens na avaliação da satisfação das recomendações feitas pelo seu quadro de trabalho SYSTEM-TH-001.
3.3.2 Validação do algoritmo de estimação da propensão à compra.
Essa experiência aborda o desempenho de um modelo de estimativa para propor compra (bi-stage). A proposta se compara com a mais típica Sen et al. ( 2020 ); González et al. ( 2020 ): Floresta Random (RF e Gradient Boosting, K-Nighbbour mais próximo.
COMPANY-002 forneceram o conjunto de dados para o desenvolvimento desta experiência. Contém cerca de 104 com uma taxa de conversão inicial de 14 % Ou seja, a porcentagem de clientes que finalmente compraram seu serviço turístico (ou seja, os dados são desequilibrados).Cada instância inclui uma variedade e diversidade com informações sobre o conjunto de dados de contato. Neste caso específico, informações mais precisas sobre os dados estão disponíveis como resultado da confidencialidade. Todos os algoritmos selecionados são treinados com 80 % e são testados com 20 % Fica. Essa divisão é realizada com amostragem estratificada. Os hiperparâmetros das alternativas ML são selecionados por 10 Validação. A saída de cada algoritmo é apresentada em cinco categorias que cuidam da distribuição de probabilidade.
RF GB KNN LR Bi- stage
modelo freq. c. rate frq. tit
Comboio
baixo 75.0 0.0 74.2 5.8 0.0 100.0 72.5 11.5 16.6 1.7 baixo 9.9 0.0 10.3 25.2 54.2 0.0 9.0 17.8 17.1 5.1 regular 9.9 89.1 10.3 34.5 29.8 20.6 13.2 19.6 44.7 10.9 alto 3.9 100.0 4.1 63.4 11.9 42.2 4.2 26.7 15.8 32.8 muito alto 1.2 100.0 1.0 87.3 4.1 100.0 1.1 28.2 5.9 48.0
Ensaio
baixo 57.5 4.9 73.6 7.0 0.0 - 72.3 6.7 17.0 2.5 baixo 17.1 16.5 10.0 25.0 75.2 7.5 2.0 25.0 17.0 6.7 regular 25.2 30.9 9.8 28.8 17.4 26.7 5.8 22.9 46.1 10.2 alto 0.0 - 4.8 41.4 5.3 40.6 7.3 34.1 14.6 34.2 muito alto 0.2 100.0 1.8 63.6 2.0 58.3 12.6 35.5 5.4 51.5
Quadro 3.3: Desempenho de algoritmos de classificação ML com frequência relativa (frq.) expressa em percentagem sobre o total geral e taxa de conversão para cada categoria
do conjunto de treinos. O desempenho é medido em termos de taxa de conversão e frequência relativa para cada grupo de classificação, expressa em percentagem do total geral. O poder preditivo é avaliado pela verificação da taxa de conversão em diferentes grupos e a frequência fornece significância para um grupo. Finalmente, as sobreposições potenciais do treinamento são avaliadas e conformadas com um console de teste realizado.
Os resultados são apresentados na tabela 3.3. RF tem uma má correspondência entre treinamento e testes tanto em frequências como com taxas de conversão. De fato, um grupo não tem representação no conjunto de dados do teste. KNN tem uma conduta semelhante em conjuntos de treinamento e testes com diferenças de 21 %. Nesta situação, não vale a pena avaliar quaisquer outras medidas de desempenho. O GB tem uma correspondência geralmente boa entre as instâncias de treinamento e teste, com exceção das taxas de conversão para categorias altas ou muito baixas que têm diferenças mais do que 20 %. Essas diferenças significam, como no RF e no KNN) que não faz sentido avaliar os demais itens de avaliação. LR tem o melhor simultaneamente entre treinamento e teste, tanto em frequência como com as taxas de conversão. A distribuição dos dados é elevada e desequilibrada em todas as categorias, onde o grupo de baixa probabilidade inclui mais do que 70 % informação. Além disso, as cinco categorias não têm uma distância suficiente entre elas no final da sua taxa de conversão. 2 % Em alguns casos, isso dificulta a diferenciação entre grupos próximos. Eventualmente, o modelo bi-estágio proposto tem uma excelente correspondência entre as instâncias de treinamento e teste com um desvio máximo em relação 3 %. A distribuição de dados é o mais equilibrado dos modelos comprovados, onde a categoria regular com 45 % dados e o muito alto, pelo menos denso com 6 % informações para a formação e 46 % e 5 % para o conjunto de ensaios, respectivamente. As categorias de probabilidade obtidas são definitivamente diferentes com cinco valores de verossimilhança
Serviços tradicionais de inovadores n Time c.rate Re.g.
Web
Costas N 20 3.2 15.0 2 20 2.9 25.0 3 Ilhas N 20 5.2 10.0 2 20 4.8 15.0 3 Dubai 16 10.1 6.3 1 16 9.6 12.5 2 Safaris 12 11.2 16.7 1 12 10.7 16.7 2
Outros
Costas N 8 4.2 37.5 1 8 2.7 50.0 2 Ilhas N 8 5.7 25.0 0 8 3.0 37.5 1 Dubai 4 12.0 25.0 1 4 8.0 50.0 1 Safaris 4 12.5 25.0 0 4 9.0 25.0 1
Quadro 3.4: Resumo dos resultados obtidos para grupos tradicionais e inovadores em relação a cada serviço turístico. N's são quantos clientes potenciais foram encontrados em cada cuidado ou grupo O tempo é a média (em horas) que cada agente de viagens passa processando seu serviço turístico até que seja aceito e excluído. A taxa de conversão e o número de recomendações (Rec.) são apresentados
e é válido no conjunto de dados de ensaio com desvios mínimos.
A experiência realizada mostra que este problema particular necessita de uma abordagem ad hoc, como o modelo bi-estágio apresentado. Esta solução era adequada para resolver o problema da propensão para compra fornecida por COMPANY-002. O modelo bi-estágio classifica melhor em diferentes categorias de probabilidade com frequências equilibradas. Ele também fornece a melhor correspondência entre treinamento e testes, garantindo assim uma ausência de sobreposições. Assim, de acordo com os requisitos de desempenho, o método proposto serve melhor como classificador de última geração para o alvo atual.
3.3.3 Avaliação da eficiência completa do sistema
Neste experimento, podemos verificar a eficiência de SYSTEM-TH-001 numa situação real. A afinação do sistema com configuração de parâmetros foi mantida e eles permaneceram na primeira fase.
O experimento começa organizando de forma aleatória e proporcional aos potenciais clientes de 184 em dois grupos: Tradicionais e Inovadores, para fazer comparações entre eles. Todos eles procuram o mesmo tipo de serviços turísticos: Costa Nacional, terras nacionais e Dubai-Maldives. Além disso, web e outros canais são referidos como chamadas telefônicas com recomendações familiares ou visitas de atendimento facial na agência de viagens. Note-se que estes serviços abrangem uma gama de cuidados turísticos dedicados.
O grupo tradicional consiste em: 92 clientes que foram atendidos mantendo a forma tradicional em que a nossa empresa foi utilizada (ou seja, sem suporte ao framework)
SYSTEM-TH-001 ). Por outro lado, os inovadores foram formados por 92 clientes que foram atendidos usando o frame SYSTEM-TH-001 Realizar os pedidos dos utilizadores e as definições fornecidas por uma agência de viagens. Ambos os grupos trabalharam com a mesma agência de viagens para minimizar possíveis mudanças nos resultados.
O experimento considera três variáveis principais: o tempo médio (em horas) que cada agente dedicado ao processamento de seu serviço turístico oferecido com clientes, taxa de conversão e número de recomendações. Estes resultados são apresentados na tabela 3.4 para ambos os grupos.
Para o grupo tradicional, os resultados mostram que um tempo médio de gestão dos serviços é menor nos destinos nacionais. Isso significa que os clientes são mais exigentes quando o destino de sua viagem não está no mesmo país. A taxa de conversão flutua no canal web com baixo valor para o serviço Dubai-Maldives (ou seja, apenas alguns clientes completam sua compra) enquanto Safaris e Costas Nacionais têm alta porcentagem. Foram feitas recomendações no total 8 para este grupo.
Para o grupo de inovadores, Dubai-Maldives tem a sua taxa de conversão mais baixa e National Coasts tem o seu maior em canais web. Verificaram-se diferenças significativas no número de horas gastas, bem como no que diz respeito às recomendações e a uma taxa de conversão entre tradicionais ou inovadores. O sistema foi um aumento aceitável da taxa de conversão, uma redução significativa das horas e mais recomendações. Um total de 15 Recomendações para o grupo dos inovadores. As mudanças na taxa de conversão e no número de horas dedicadas são motivadas pela propensão para comprar algoritmo de estimativa. Ele permitiu selecionar os melhores clientes para a agência de viagens, e seus clientes com menos interesse em comprá-los foram excluídos. Além disso, as informações visuais fornecidas pelo sistema e as recomendações precisas poderiam também ter sido mais fáceis para os clientes aceitarem o seu serviço turístico.
SYSTEM-TH-001 mostrou que funciona perfeitamente com os problemas diários de uma empresa de viagens. Também pode aumentar a taxa de conversão que se traduz em benefícios para a nossa empresa e reduzir o seu número de horas até que os clientes aceitem ou descartem diferentes oportunidades disponíveis para um determinado serviço turístico. Esse fato se traduz em situações menos estressantes para os funcionários e mais agilidade no processo de reserva.
3.4 Conclusões
O capítulo sobre a gestão dos serviços turísticos através da exploração de clientes utilizando uma arquitectura de agentes bioinspirados conclui que o quadro SYSTEM-TH-001 Representa uma solução inovadora e eficiente para a transformação digital no sector do turismo. O sistema combina ferramentas avançadas de inteligência artificial e uma abordagem bioinspirada para otimizar a interação entre agentes de viagens com clientes. Através da sua arquitectura modular, SYSTEM-TH-001 Facilita a recolha, o tratamento e a actualização das informações relevantes, melhorando tanto a eficiência como a precisão das recomendações.
A análise dos experimentos realizados em COMPANY-002 mostrado que SYSTEM-TH-001 supera métodos tradicionais e algoritmos padrão em termos de taxa de conversão, satisfação do cliente ou menor tempo de cuidado. O modelo bi-stage, integrado no framework e enfatizado sua capacidade de prever propensão para compra com agentes capacitadores de alta precisão Para priorizar o melhor potencial dos clientes.
A implementação de um sistema multiagente bioinspirado acrescentou flexibilidade e escalabilidade, garantindo um equilíbrio de carga eficiente com capacidade de resposta em tempo real. Além disso, a dupla abordagem da SYSTEM-TH-001 Isso beneficia tanto os agentes como os clientes, fortalece seu potencial como uma ferramenta chave para enfrentar os desafios atuais no setor do turismo com seu status de padrão de inovação.