Inteligencia Artificial Explicable para sistemas de gestión de incidencias
El campo de la Inteligencia Artificial ha sufrido una gran revolución en los últimos años. Con la mejora de las técnicas y los resultados obtenidos con ellas, son muchas las empresas que han buscado incorporar la Inteligencia Artificial como uno de sus pilares fundamentales. Debido a ello, este trab...
| Autor: | |
|---|---|
| Tipo de recurso: | tesis de maestría |
| Fecha de publicación: | 2024 |
| País: | España |
| Institución: | Universidad Complutense de Madrid (UCM) |
| Repositorio: | Docta Complutense |
| Idioma: | español |
| OAI Identifier: | oai:docta.ucm.es:20.500.14352/101639 |
| Acceso en línea: | https://hdl.handle.net/20.500.14352/101639 |
| Access Level: | acceso abierto |
| Palabra clave: | 004(043.3) Inteligencia artificial IA explicable Valores SHAP Permutation importance Explainerdashboard Regresor Clasificador Scikit-learn Random Forest Artificial Inteligence Explainable AI SHAP values Regressor Classifier Informática (Informática) 33 Ciencias Tecnológicas |
| Sumario: | El campo de la Inteligencia Artificial ha sufrido una gran revolución en los últimos años. Con la mejora de las técnicas y los resultados obtenidos con ellas, son muchas las empresas que han buscado incorporar la Inteligencia Artificial como uno de sus pilares fundamentales. Debido a ello, este trabajo de fin de Máster busca utilizar técnicas de Inteligencia Artificial en el campo empresarial. Concretamente con el fin de obtener información relevante que ayude en la gestión de la resolución de incidencias TI de la empresa Bosch. El proyecto se divide en dos objetivos principales. El primero consiste en la construcción y optimización de modelos de regresión con el fin de estimar los tiempos de resolución de las incidencias. El segundo objetivo, consiste en la creación de modelos de clasificación para estimar si una incidencia tendrá una resolución correcta, es decir de menos de un día, o anómala, si se tardará más de un día en corregir. La creación de estos modelos irá acompañada del uso de técnicas de Inteligencia Artificial explicable, las cuales permiten dotar de interpretabilidad a los algoritmos de caja negra. Gracias a esta capacidad de interpretación, seremos capaces de comprender el funcionamiento de los modelos de aprendizaje automático y entender por qué toman las decisiones, lo cual no sería posible sin el uso de la IA explicable. Conocer esta información, nos permite realizar cambios en el modelo en función de la información adquirida y entender mejor nuestro conjunto de datos, permitiéndonos tomar decisiones estratégicas con el conocimiento obtenido. |
|---|