Facultad de Ingeniería

URI permanente para esta comunidadhttps://hdl.handle.net/11182/27

Examinar

Examinando Facultad de Ingeniería por Autor "Arias Barahona, María Ximena"

Seleccione resultados tecleando las primeras letras
Mostrando 1 - 1 de 1
  • Miniatura
    Ítem
    Modelo de clasificación de incidencias utilizando aprendizaje de máquina para la empresa sigma ingeniería s.a en la línea de soporte técnico
    (Universidad Autónoma de Manizales, 2022) Arias Barahona, María Ximena; Tabares Soto, Reinel; Orozco Arias, Simón; Flórez, Juan Camilo
    La Inteligencia Artificial es uno de los componentes reconocidos por su potencial para transformar radicalmente el modo en el que vivimos actualmente. Hace posible que las máquinas aprendan de la experiencia, se ajusten a nuevas aportaciones y realicen tareas emulando a seres humanos. Esta investigación se centra en el ámbito empresarial y propone el desarrollo de un modelo computacional de clasificación de incidencias utilizando Aprendizaje Automático (ML por sus siglas en inglés) y Procesamiento de Lenguaje Natural (NLP por sus siglas en inglés) enfocado al área de soporte técnico en una empresa de desarrollo de software que actualmente resuelve los requerimientos de los clientes de forma manual. A través de técnicas de ML y NLP aplicadas a los datos de la empresa, es posible conocer la categoría de una solicitud dada por el cliente. Este proceso permite aumentar la satisfacción del cliente al revisar los registros históricos para analizar su comportamiento y proporcionar correctamente el protocolo de solución esperada a las incidencias presentadas. Además, reduce el coste y el tiempo dedicado a la gestión relacional con el consumidor potencial. Este modelo evalúa diferentes técnicas de ML como Máquinas de Vectores de Soporte (SVM por sus siglas en inglés), Árboles Adicionales, Bosques Aleatorios, Regresión Logística, Árboles de Decisión, Análisis Discriminante Lineal, Naïve Bayes y K Vecinos más cercanos. El algoritmo SVM entrega el mayor desempeño, con un 90.47% de exactitud, una precisión de 91.21%, un Recall de 90.47% y un F1-Score de 90.29%, aplicando técnicas de preprocesamiento, balanceo de clases y optimización de hiperparámetros.