Please use this identifier to cite or link to this item:
https://repositorio.autonoma.edu.co/handle/11182/1375
Full metadata record
DC Field | Value | Language |
---|---|---|
dc.contributor.advisor | Tabares Soto, Reinel | spa |
dc.contributor.advisor | Orozco Arias, Simón | spa |
dc.contributor.advisor | Flórez, Juan Camilo | spa |
dc.contributor.author | Arias Barahona, María Ximena | spa |
dc.date.accessioned | 2023-02-02 | spa |
dc.date.accessioned | 2023-03-02T01:34:31Z | - |
dc.date.available | 2023-03-02T01:34:31Z | - |
dc.date.issued | 2022 | spa |
dc.identifier.uri | https://repositorio.autonoma.edu.co/handle/11182/1375 | - |
dc.description.abstract | 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. | spa |
dc.format | application/pdf | spa |
dc.format.extent | 120 Páginas | spa |
dc.format.mimetype | application/pdf | spa |
dc.language.iso | spa | spa |
dc.publisher | Universidad Autónoma de Manizales | spa |
dc.rights | info:eu-repo/semantics/openAccess | spa |
dc.rights.uri | https://creativecommons.org/licenses/by-nc/4.0/ | spa |
dc.source | Universidad Autónoma de Manizales | spa |
dc.source | RepoUAM-UAM | spa |
dc.title | Modelo de clasificación de incidencias utilizando aprendizaje de máquina para la empresa sigma ingeniería s.a en la línea de soporte técnico | spa |
thesis.degree.name | Magister en Ingenieria | spa |
thesis.degree.grantor | Universidad Autónoma de Manizales | spa |
thesis.degree.level | Maestría | spa |
thesis.degree.discipline | Facultad de Ingenieria. Maestria en Ingenieria | spa |
dc.type.coar | http://purl.org/coar/resource_type/c_bdcc | spa |
dc.type.driver | info:eu-repo/semantics/masterThesis | spa |
dc.type.redcol | https://purl.org/redcol/resource_type/TM | spa |
dc.type.local | Tesis/Trabajo de grado - Monografía - Maestría | spa |
dc.publisher.place | Manizales | spa |
oaire.version | http://purl.org/coar/version/c_ab4af688f83e57aa | spa |
dc.rights.coar | http://purl.org/coar/access_right/c_abf2 | spa |
dc.subject.proposal | Procesamiento del Lenguaje Natural | spa |
dc.subject.proposal | Aprendizaje Automático | spa |
dc.subject.proposal | Servicio al Cliente | spa |
dc.subject.proposal | Clasificación de Requerimientos | spa |
dc.subject.proposal | Clasificación de Texto. | spa |
dc.rights.creativecommons | https://creativecommons.org/licenses/by-nc/4.0/ | spa |
dc.publisher.faculty | Facultad de Ingenieria | spa |
dc.rights.accessRights | http://purl.org/coar/access_right/c_abf2 | spa |
dc.type.hasversion | info:eu-repo/semantics/acceptedVersion | spa |
oaire.accessRights | http://purl.org/coar/access_right/c_abf2 | spa |
dc.description.abstracteng | Artificial Intelligence is one of the components recognized for its potential to transform the way we live today radically. It makes it possible for machines to learn from experience, adjust to new contributions and perform tasks like human beings. The business field is the focus of this research. This paper proposes to implement an incident classification model using Machine Learning (ML) and Natural Language Processing (NLP). The application focuses on the technical support area in a software development company that currently resolves customer requests manually. Through ML and NLP techniques applied to company data, it is possible to know the category of a request given by the client. It increases customer satisfaction by reviewing historical records to analyze their behavior and correctly provide the expected solution to the incidents presented. Also, this practice would reduce the cost and time spent on relationship management with the potential consumer. This work evaluates different Machine Learning models, such as Support Vector Machines (SVM), Extra Trees, Random Forests, Logistic Regression, Decision Trees, Linear Discriminant Analysis, Naïve Bayes y K-Nearest Neighbors. The SVM algorithm demonstrates the highest performance, with 90.47% accuracy, 91.21% precision, 90.47% Recall and 90.29% F1-Score, applying preprocessing, class balancing and hyperparameter optimization techniquess | eng |
dc.subject.keyword | Natural language Processing | eng |
dc.subject.keyword | Machine Learning | eng |
dc.subject.keyword | Consumer Service | eng |
dc.subject.keyword | Requests Classification | eng |
dc.subject.keyword | And Text Classification. | eng |
Appears in Collections: | Maestría en Ingeniería |
Files in This Item:
File | Description | Size | Format | |
---|---|---|---|---|
Modelo_clasificación_incidencias_utilizando_aprendizaje | Texto completo | 3,88 MB | Adobe PDF | View/Open |
Auto_Modelo_clasificación_incidencias_utilizando_aprendizaje | Autorización | 41,41 kB | Adobe PDF | View/Open |
This item is licensed under a Creative Commons License