Nueva metodología cskt para mejorar los proyectos de implementación de machine learning en ingeniería industrial en una universidad pública
Barra lateral del artículo
Contenido principal del artículo
Resumen
La investigación propone una metodología tomando las mejores partes de los enfoques de CRISP-DM, SEMMA, KDD y TDSP, para ello primero se realizó una revisión sistemática, se orientó a un enfoque empresarial, tomando en consideración la pautas de la minería de datos, en el proceso de la validación piloto se realizó en una universidad pública para evaluar que la satisfacción de la propuesta del modelo, obteniendo un 67%, lo cual implica que el modelo tiene muchas oportunidades de mejorar y madurar para lograr un modelo de referencia. A pesar de haber implementado dentro de la carrera de Ingeniería Industrial, se logró determinar que dicho modelo puede lograr los mismos resultados o mejores en una empresa sea pública o privada. El modelo permite mostrar las actividades a seguir con un enfoque empresarial y se logre ser referente para las implementaciones de Machine Learning
Descargas
Detalles del artículo
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-SinDerivadas 4.0.
El contenido de los articulos es de exclusiva responsabilidad de los autores.
Deberá cumplir con los siguentes aspectos de la Licencia CC BY NC ND :
- Atribución : Debe otorgar el crédito correspondiente, proporcionar un enlace a la licencia e indicar si se realizaron cambios. Puede hacerlo de cualquier manera razonable, pero no de ninguna manera que sugiera que el licenciante lo respalda a usted o su uso.
- No Comercial : No se puede utilizar el material con fines comerciales.
- Sin derivados : Si remezcla, transforma o construye sobre el material, no puede distribuir el material modificado.
- Sin restricciones adicionales : No se pueden aplicar términos legales o medidas tecnológicas que restrinjan legalmente a otros de hacer cualquier cosa que permita la licencia.
Citas
Al-Anqoudi, Y., Al-Hamdani, A., Al-Badawi, M., & Hedjam, R. (2021). Using Machine Learning in business process re-engineering. Big Data & Cognitive Computing, 5(4), 61.
Bhardwaj, G., Singh, S. V., & Kumar, V. (2020). An Empirical Study of Artificial Intelligence and its Impact on Human Resource Functions. En 2020 International Conference on Computation, Automation and Knowledge Management (ICCAKM) (pp. 47-51). Documento en línea. Disponible. doi: 10.1109/ICCAKM46823.2020.9051544.
Cabello, J. (2021) ¿Cuánto cuesta realmente una página web? Descubre su precio justo. Diseñador Web Experto en Funnels
Camargo, J. L. (2022). Propuesta e implementación de un modelo para el rediseño organizacional y su influencia en la transformación digital en el sector público. Un Camino hacia la transformación digital; Road to digital transformation (p. 5). SESU Editorial.
Camargo, J. L., Baca, L. D. H., Valencia, E. T., Aquino, R. E. A., Miranda, A. G. R., & Camargo, L. G. L. (2022). Facial recognition proposal with the use of Python. In 2022 17th Iberian Conference on Information Systems and Technologies (CISTI) (pp. 1-5). IEEE.
Dennis, M. J., & Aizenberg, E. (2022). The Ethics of AI in Human Resources. Ethics and Information Technology, 24(3). Documento en línea. Disponible. https://doi.org/10.1007/s10676-022-09653-y
Lira Camargo, J. (2016). Rediseño e implementación de escalafón y su influencia en la calidad de atención a los usuarios en una entidad del estado, Periodo 2014-2015.
Sampieri, R. H., Collado, C. F., Lucio, P. B., Valencia, S. M., & Torres, C. P. M. (2014). Metodología de la investigación. McGraw Hill España.
Velásquez, F., & Alejandro, D. (2019). Técnicas de Machine Learning aplicado a la predicción de fuga de clientes en una institución de salud previsional bajo la metodología KDD. Universidad Andrés Bello.
Venusamy, K., Krishnan Rajagopal, N., & Yousoof, M. (2020). A study of Human Resources Development through Chatbots using Artificial Intelligence. En 2020 3rd International Conference on Intelligent Sustainable Systems (ICISS) (pp. 94-99). Documento en línea. Disponible. doi: 10.1109/ICISS49785.2020.9315881