IMPACTO SOCIAL DE LOS SISTEMAS DE INTELIGENCIA ARTIFICIAL EN

LA GESTIÓN Y EN LA TOMA DE DECISIONES EMPRESARIALES.

Ing. Danny Manuel Díaz
Ing. Mario Alcides Calo Muela
Ing. Cristóbal Gabriel Culqui Mullo.
Ing. Luis Humberto Pavón Chaquinga
Universidad Técnica de Cotopaxi.
Palabras Clave:
Inteligencia Artificial Aprendizaje automático; algoritmos genéticos;
razonamiento lógico difuso, minería de datos, Impacto social, y Toma de
Decisiones.
RESUMEN.
La inteligencia artificial (IA) presenta en la actualidad un gran avance en
el desarrollo de diferentes frameworks en el ámbito de aprendizaje
automático, algoritmos genéticos, redes neuronales, y minería de datos sin
embargo ese impacto social servirá a las empresas para rendir cuentas de
su desempeño social, poner en valor externamente su contribución a la
sociedad, mejorar la toma de decisiones estratégicas y la gestión de
expectativas y resultados, y generar una mayor credibilidad en grupos de
interés tales como clientes, proveedores, inversores o administraciones
públicas y privadas. No obstante, se cuestiona si la IA aporta valor y
desarrollo en el entorno laboral para el ser humano, si crea más empleos o
todo lo contrario.
El presente artículo técnico tiene como objetivo general presentar
investigaciones relevantes sobre la inteligencia artificial y su impacto
sistemas de inteligencia artificial en la gestión y en la toma de decisiones
empresariales de razonamiento, entendimiento e interacción. Así el análisis
de las diferentes perspectivas y su aplicación.
La relevancia del tema a presentar es la IA y su toma de decisiones
empresariales en las industrias, al generar resultados positivos en las
utilidades, reducción de costos, eficiencias en los procesos y rentabilidad.
Asimismo, el uso de las diversas herramientas que proporciona como por
ejemplo el uso de los Chatbots; sin embargo, también hay consecuencias
desfavorables de su implementación en las empresas, como el prescindir de
mano de obra o puestos de trabajo, generándose así la controversia.

INTRODUCCIÓN.

La revisión sistemática presenta y analiza el impacto social que tiene la

inclusión de la IA en la gestión y toma de decisiones empresariales. En la
actualidad las tecnologías de información y comunicación son herramientas
muy valiosas para el desarrollo económico, educativo, empresarial,
industrial, residencial y cultural de todas las sociedades dentro de un
mundo tan globalizado las empresas buscan ser más competitivas y mejorar
sus procesos para generar una mayor rentabilidad.
Es importante analizar el buen uso y manejo que pueda darse a la IA. El
avance tecnológico debe ir de la mano con la comunicación por el beneficio
de la sociedad, ya que desde la perspectiva ética podría tener implicaciones
y afectar la vida laboral de las personas.

La sociedad actual se encuentra envuelta en una nube de datos que son

generados por segundo, donde se ha tenido que emplear herramientas para
poder manipular esta nube de datos.
La inteligencia artificial también es fundamental como apoyo en la toma de
decisiones gerenciales soportado en las tecnologías de la información y la
comunicación, puesto que ayuda en el análisis de las fortalezas y
debilidades de la organización.
Un ejemplo de un caso de un hospital, donde se ha tenido un millón de
datos de recién nacidos, y que actualmente, tienen la edad de 8 años, y
donde el 60% de los niños/as están enfermos, el gerente del hospital, debe
investigar el conjunto de datos de los niños para conocer si recibieron la
vacuna, esto puede conllevar a que se dé una situación de una toma de
decisión, donde la computadora central del hospital, puede reflejar un
conjunto de datos, el administrador puede interpretarlos, pero necesita un
informe detallado que le permita poder tomar una decisión acerca de la
situación que está pasado, pero actualmente otro de los problemas que se
generan en la empresa es la contracción de una persona que sea capaz de
reaccionar ante este tipo de imprevistos.
Por lo que la presente investigación, se encuentra orientada a indagar el
papel que tendrá la Inteligencia Artificial dentro del contexto de la Gestión
de la Toma de Decisiones dentro de Organizaciones Empresariales,
indagando en el futuro de la IA como un mecanismo que permita conocer la
posible solución a un problema dentro de la organización.

DESARROLLO.
Dentro de la presente investigación, se busca los futuros entornos que serán
explotados con el objetivo de mejorar los procesos de la Toma de Decisiones
dentro de Empresas aplicando IA, y a continuación los campos que serán
indagados:

El futuro de la Inteligencia Artificial en las empresas

Para imaginar hacia dónde evolucionará es interesante prestar atención a

cómo se está abordando su desarrollo por las grandes corporaciones de la
informática. Por ejemplo, el gigante Microsoft ha desvelado en 2018 cómo se
está posicionando respecto a la IA y el aprendizaje automático. Hay que
aclarar que el aprendizaje automático es la rama de la Inteligencia Artificial
que se encarga de estudiar la forma en la que las máquinas aprenden y de
desarrollar las aplicaciones necesarias para ello. Algo en lo que Microsoft
quiere seguir siendo líder.

Razonamiento, entendimiento e interacción

Las tres grandes áreas de la IA para empresas en las que está trabajando
Microsoft son el razonamiento, el entendimiento y la interacción. El
razonamiento se utiliza en aplicaciones para extraer información relevante
de los datos. La compañía afirma que con la IA de su aplicación Azure se
han dado casos de hasta un 40% de reducción en los costes. El
entendimiento se aplica a la interpretación de los datos que sirve, por
ejemplo, para el reconocimiento facial de un usuario utilizando su fotografía
almacenada en la nube. Esto ya lo está aplicando la multinacional Uber.

El impacto social de la IA en las empresas

Poco a poco se puede vislumbrar cómo será la empresa del futuro a medio
plazo y cómo afectarán las nuevas tecnologías inteligentes al desempeño de
sus trabajadores. Diseñar mejores estrategias, destacar sobre la
competencia o conocer mejor a los clientes y a los propios productos son
algunos de los beneficios. Nada desdeñable será el impacto en la vida de los
empleados y en la reconfiguración del mercado laboral.

1. Aumento de la productividad

El aumento del rendimiento de los trabajadores y de la capacidad productiva

de las empresas parece ser el principal beneficio de la implantación de la
Inteligencia Artificial. Enseñar a las máquinas a encargarse de los procesos
rutinarios servirá para que los trabajadores puedan aprovechar mejor su
tiempo.

Pero el gran beneficio que se espera de esta tecnología tiene que ver con la
mejora en el desarrollo de estrategias empresariales. Sobre el terreno, las
labores que más se relacionan con la IA son las del intercambio de
información y el análisis de datos desestructurados. También afectarán a
otras actividades más sencillas y al análisis estructurado de datos. En
menor medida, serán útiles en las destrezas manuales o en la resolución de
problemas en tiempo real.

2. Mejora de la calidad de vida de los trabajadores

Como ya sucedió cuando comenzó la robotización de la industria, la IA

permitirá a las personas desarrollar capacidades menos mecánicas. A la
larga hará que cobren mayor importancia los factores emocionales, la
creatividad, la intuición o la imaginación. En el desempeño de sus tareas,
cada trabajador sentirá que aporta algo diferente al resto y se podrá sentir
más valorado. Está por ver cómo se plasma este ideal en el entorno de la
empresa y si realmente sirve para mejorar la calidad de vida de los
operarios, pero es una puerta que también se abre gracias a la innovación
tecnológica.

3. Mejor conocimiento de los clientes

La implantación de programas informáticos inteligentes servirá para dar
mejores respuestas automatizadas a las demandas de los clientes. También
serán útiles para conocerlos mejor y para diseñar estrategias de fidelización.
Esto ya se está poniendo en práctica, por ejemplo, mediante los últimos
sistemas de planificación de recursos empresariales, llamados ERP por sus
siglas en inglés.

4. Mejor conocimiento de los propios productos

El análisis de grandes cantidades de datos que propicia la IA y sus distintas

aplicaciones no solo permite gestionar un gran volumen de clientes, sino
también de los productos que se les ofrecen. Conocer en profundidad todos
los detalles de cada artículo, de su almacenamiento, distribución y venta es
una ayuda esencial para las empresas del siglo XXI. La Inteligencia Artificial
permitirá simplificar todos los procesos de control y gestión de los datos
para brindar información relevante en tiempo real.

5. Influencia en el mercado laboral

Los expertos de recursos humanos creen que las nuevas tecnologías

basadas en la IA no van a aumentar el desempleo. Lo que sí parece
inevitable es que los trabajadores deberán actualizarse porque
desaparecerán algunas ocupaciones y surgirán otras. Es decir, el número
neto de puestos de trabajo seguirá siendo aproximadamente el mismo, lo
que cambiará será el tipo de empleo. Así, la edad y la formación serán dos
aspectos claves para encontrar trabajo, incluso más que en la actualidad. [1]

Tipos de Inteligencia Artificial que liderarán en los Próximos Años

1.- Toma de Decisiones. Viene del concepto derivado de la IA, y son
máquinas capaces de introducir reglas y lógicas y su aplicación se usa en
mantenimiento continuo, optimización de procesos
2.- Generación de lenguaje general (GNL). Es una sub unidad de la IA que
transforma los datos en texto permitiendo a las computadoras ideas
precisas. Servicio al cliente generación de informes.
3.- Reconocimiento de voz. Es la disciplina de la IA permite la
comunicación hablada entre seres humanos y computadoras Siri, es uno de
los sistemas que hoy puede entender lo que se dice.
4.- Agentes virtuales. - Es Agente Informático capaz de interactuar con los
humanos Se usa como agentes informáticos para áreas de servicio al cliente
y soporte.
5.- Plataformas Machine Learning. Sub disciplina de las ciencias de la
computación y de la IA, desarrollar técnicas de aprendizaje. Se usa para
predicción y clasificación ejemplo Amazon, Google, Microsoft. Por ejemplo
Uber utiliza el aprendizaje automático para calcular viajes o tiempos de
entrega de comidas para UberEATS.
6.- Hardware optimizado con IA. La tecnología de IA que hace el sistema
más amigable y su aplicación de Acceso a Google, Intel e IBM.
7.- Plataformas de Aprendizaje Profundo. Es la Plataforma de Deep
learning uso de redes neuronales y su aplicación para reconocimiento de
patrones y clasificaciones de aplicaciones.
8.- Biométricas. Es la Toma de medida estandarizada a los seres vivos
para Identificar, medir y analizar el comportamiento humano.
9. Automatización de Procesos robóticos. Es el uso de la IA que imitan y
automatizan tareas humanas y es útil para situaciones en las que contratar
humanos resulta ineficiente.

MINERÍA DE DATOS
Es la Extracción de patrones (“conocimiento”) en grandes cantidades de
datos.
Extracción de conocimiento en bases de datos K.D.D
 Limpieza de datos
(eliminación de ruido e inconsistencias)
 Integración de datos
(combinación de múltiples fuentes de datos)
 Reducción/Selección de datos
(identificación de datos relevantes para el problema)
 Transformación de datos
(preparación de los datos para su análisis)
  Minería de datos
(técnicas de extracción de patrones y medidas de interés)
 Presentación de resultados
(técnicas de visualización y de representación del conocimiento)

APRENDIZAJE AUTOMÁTICO
También llamado Aprendizaje de Máquina (AM), es una ramificación de la
Inteligencia Artificial, que está relacionado con el diseño y desarrollo de
algoritmos y técnicas que permiten que un computador “aprenda”.
El principal enfoque de la investigación en AM es extraer automáticamente
información de un conjunto de datos, por medio de
métodos computacionales y estadísticos.
Herramientas de Aprendizaje de Maquina
En los últimos años la comunidad de investigadores se ha beneficiado con la
disponibilidad de numerosas herramientas tipo open source. Ofrecen
implementaciones eficientes de algoritmos de amplia aplicación. En esta
sección se presentan algunas de estas herramientas disponibles.
DARWIN.- ha sido desarrollado para cumplir con dos metas: en primer
lugar, proporcionar una biblioteca estable, robusta y eficiente de aprendizaje
automático para los profesionales; y, en segundo lugar, proporcionar la
infraestructura para que estudiantes e investigadores puedan experimentar
y extender los métodos del estado del arte. Con este fin, proporciona la
infraestructura de gestión de datos, registro y configuración, una interfaz
MLPACK es una librería estado-del-arte de aprendizaje de máquina,
escalable, multiplataforma escrita en C++. Se lanzó a finales de 2011 y
ofrece tanto una API simple, consistente, accesible a usuarios noveles, pero
de alto rendimiento y flexibilidad para los usuarios expertos, aprovechando
las características modernas del lenguaje C++.
Scikit-learn es un módulo en Python que integra una amplia gama de
algoritmos de aprendizaje de máquina del estado del arte, para problemas
medianos supervisados y no supervisados. Este paquete se centra en ofrecer
aprendizaje de máquina a los no especialistas incorporando el uso de un
lenguaje de alto nivel de propósito general. Se hace énfasis en la facilidad de
uso, rendimiento, documentación, y la coherencia de la API.
Cuenta con dependencias mínimas y se distribuye bajo la licencia BSD
simplificada, fomentando su uso tanto en entornos académicos y
comerciales.
SHOGUN, Que está diseñado para el aprendizaje unificado a gran escala
para una amplia gama de tipos de fenómenos y situaciones de aprendizaje.
Ofrece un gran número de modelos de aprendizaje de máquina tales como
máquinas de soporte vectorial, modelos ocultos de Markov, aprendizaje
múltiple núcleo, análisis discriminante lineal, y más. La mayoría de los
algoritmos específicos son capaces de tratar con varias clases de datos
diferentes. Esta caja de herramientas se ha utilizado en varias aplicaciones
de biología computacional, algunas de ellas vienen con no menos de 50
millones de ejemplos de entrenamiento y otras con 7 mil millones de
ejemplos de prueba.
WAFFLES. Es un conjunto de herramientas que buscan brindar una amplia
diversidad de operaciones útiles en el aprendizaje de máquina y campos
relacionados, sin imponer procesos innecesarios o restricciones de una
interfaz de usuario. Esto se hace proporcionando una sencilla interfaz de
línea de comandos (CLI), que realizan tareas básicas. La CLI es ideal para
este propósito, ya que está bien establecida, está disponible en los sistemas
operativos más comunes, y es accesible a través de la mayoría de los
lenguajes de programación. Dado que estas herramientas realizan
operaciones en un nivel bastante granular, se pueden utilizar en formas no
previstas por el diseñador de la interfaz.
WEKA.- Es una colección de algoritmos de aprendizaje automático para
tareas de minería de datos. Los algoritmos bien se pueden aplicar
directamente a un conjunto de datos o ser llamados desde su propio código
Java. Weka contiene herramientas para preprocesamiento de los datos,
clasificación, regresión, clustering, reglas de asociación, y la visualización.
También es muy adecuado para el desarrollo de nuevos sistemas de
aprendizaje de máquina.

ALGORITMOS GENETICOS
En la inteligencia artificial, se han utilizado las ideas de la evolución
biológica y la selección natural para resolver tareas complejas por medio de
la computadora a través de AG. Los AG trabajan encontrando individuos
con el mejor desempeño en sus tareas y utilizan sus características para
producir individuos “mejor adaptados” en cada generación, es decir que
sean mejores en su tarea que los individuos anteriores.
Los Algoritmos Genéticos trabajan en el espacio del genotipo del código de la
Información: Se selecciona una población de individuos, cada uno de los
cuales representa una solución factible a un problema dado. Cada
individuo es codificado como una cadena de caracteres binarios
(cromosomas), y se le asigna un valor de aptitud relacionado con la bondad
de la solución que representa Cuanto mayor sea la aptitud de un individuo,
mayor será la probabilidad de que el mismo sea seleccionado para
reproducirse, intercambiando aleatoriamente su material genético con otro,
seleccionado de igual forma. Este cruce producirá nuevos individuos,
descendientes de los anteriores, los cuales pueden tener características
mejores que las de sus ancestros. Cuanto menor sea la aptitud de un
individuo, menor será la probabilidad de que sea seleccionado para la
reproducción, y por tanto de que su material genético se propague en
sucesivas generaciones.
Ocasionalmente, una variante nueva es probada, cambiando aleatoriamente
un gen de algún cromosoma descendiente, como una
medida de posible mejora (mutación).

REDES NEURONALES

Aprendizaje Supervisado.

Un escenario supervisado se caracteriza por el concepto de un supervisor o maestro

cuya tarea principal es proporcionar al agente una medida precisa de su error
(directamente comparable con los valores de salida). Con algoritmos reales esta funció n
es proporcionada por un conjunto de entrenamiento compuesto por parejas (entrada y
salida esperada). A partir de esta informació n, el agente puede corregir sus pará metros
para reducir la magnitud de una funció n de pérdida global. [21]

En el aprendizaje supervisado, los datos de entrenamiento que ingresan al algoritmo

incluyen las soluciones deseadas, llamadas etiquetas. Una tarea típica de aprendizaje es
la clasificació n. El filtro del Spam es un buen ejemplo de esto: está entrenado con
muchos correos electró nicos de ejemplo junto con su clase (spam o ham), y deben
aprender có mo clasificar nuevos correos electró nicos. [6]

Ilustración 1: conjunto de capacitación etiquetado para el aprendizaje supervisado (por

ejemplo, clasificación de spam).

Elaborado por: Por definir

Es la tarea de aprendizaje automá tico de inferir una funció n del conjunto de ejemplos
etiquetados, un conjunto de entrenamiento. En el aprendizaje automá tico y las
estadísticas, la clasificació n en el problema identificar a qué grupo de categorías
pertenece una nueva observació n, sobre la base de un conjunto de datos de
entrenamiento que contiene observaciones cuya pertenencia a la categoría es conocida.
En la terminología del aprendizaje automá tico, la clasificació n se considera una
instancia de aprendizaje supervisado. [23]

El aprendizaje supervisado es empleado en los siguientes aspectos:

1. Analisis predictivo basado en regresiones o clasificació n de categorías.

2. Detecció n de Spam.
3. Detecció n de patrones.
4. NLP (Neuro-Linguistic Programming).
5. Aná lisis de sentimientos.
6. Clasificació n automá tica de imá genes.
7. Procesamiento automá tico de secuencias (ejemplo: mú sica, deletreo, etc).

Aprendizaje No Supervisado.

Este enfoque se basa en la ausencia de cualquier supervisor y por lo tanto, de medidas

de error absoluto. Es ú til cuando es necesario aprender có mo se agrupa un conjunto de
elementos segú n la similitud o medida de distancia. Usando una metá fora, un escenario
ideal, es un mar con algunas islas que pueden estar separadas una de otras,
considerando solo su posició n mutua y cohesió n interna. [21]
Claramente el aprendizaje no supervisado proporciona un aná lisis descriptivo implícito
porque todas las piezas de informació n descubiertas por el algoritmo de agrupamiento
pueden usarse para obtener una visió n completa de los datos. [21]

El aprendizaje no supervisado consiste en bá sicamente encontrar patrones en un

conjunto de datos. Normalmente, poca o nada de informació n es obtenida para esta
técnica y el proceso debería ser automá tico como la informació n está organizada, y
reconocida las diferentes estructuras en los datos de la organizació n. [24]

Reinforcement/ Aprendizaje Reforzado.

Se puede ver el aprendizaje por refuerzo o reforzado como una extensió n del
aprendizaje porque ambas son formas utilizadas el en mismo enfoque para aprender
con datos son etiquetar para lograr objetivos similares. Sin embargo, el aprendizaje por
esfuerzo agrega un bucle de retroalimentació n a la mezcla. [25]
Artificial Neuronal Networks o Redes Neuronales.

Las Redes Neuronales se inspiraron en la arquitectura de las neuronas en el cerebro

humano. Una simple “neurona N” acepta la entrada de otras neuronas, cada una de las
cuales, cundo se activa (o “dispara”), emite un voto ponderando a favor o en contra de si
la neurona N debería activarse. El aprendizaje requiere un algoritmo para ajustar estos
pesos en funció n de los datos de entrenamiento; un algoritmo simple (denominado
“disparar juntos, conectar juntos”) aumenta el peso entre dos neuronas conectadas de
una activació n exitosa de otra. [26]

Las Redes neuronales se pueden implementar para problemas de predicció n de precios

debido a algunas características distintivas. Par empezar, las redes neuronales han sido
un modelo autoajustable basado en datos de entrenamiento, y tiene la capacidad de
solucionar el problema con solo un poco de conocimiento sobre su diseñ o y sin ninguna
compulsió n al modelo de predicció n con la adició n de cualquier extra suposició n. [27]

En segundo lugar, las redes neuronales tienen una capacidad de generalizació n, lo que
implica que después del entrenamiento, puede identificar los nuevos patrones incluso si
no tienen ningú n conjunto de datos de entrenamiento. Dado que, en la mayoría de los
problemas de reconocimiento de patrones, la predicció n de eventos futuros se basa en
datos pasados. Debido a la alta volatilidad en la criptomoneda, ANN se considera una
técnica ú til para este tipo de problemas. [27]

Procesos comerciales.
Pronóstico de la demanda de ventas mediante LSTM Network.

El objetivo es potenciar el modelo de red neuronal con el modelo de

arquitectura profunda llamado LSTM Network a través del cual el modelo
puede reducir el error en mayor medida. EL modelo propuesto supera a los
modelos existentes, ya que los modelos de perceptrón multicapa actuales
utilizados para la predicción de carecían de minimizar los errores y adquirir
en los mínimos locales que finalmente son superados por nuestro enfoque.
Logrando pronosticar las ventas con mayor precisión que anteriores
algoritmos. [1]
LSTM NETWORK.
Las LSTM son un tipo especial de redes recurrentes. La característica
principal de las redes recurrentes es que la información puede persistir
introduciendo bucles en el diagrama de la red, por lo que, básicamente,
pueden recordar estados previos y utilizar esta información para decidir cuál
será el siguiente. Esta característica las hace muy adecuadas para manejar
series cronológicas. Mientras las redes recurrentes estándar pueden modelar
dependencias a corto plazo (es decir, relaciones cercanas en la serie
cronológica). [2]
Diseño del algoritmo de LSTM Network para Predecir la Demanda de
Ventas.
Ilustración 1: Diseño del algoritmo de LSTM Network.

Análisis de sentimientos para las finanzas.

El Natural Languaje Processing, Procesamiento Natural del Lenguaje, es una
rama de la IA que permite a las computadoras analizar el lenguaje humano
(natural) para resolver tareas como el reconocimiento de voz, la traducción
automática y la comprensión del lenguaje natural. Los primeros modelos de
PNL se basaban en reglas escritas a mano. Luego, la adopción del ML
permitió la aplicación de modelos más complejos que explotaban las
cantidades de datos disponibles. [3]
The Efficient-Market Hypothesis (EMH).
La hipótesis del mercado eficiente (EMH) es una teoría de inversión que
establece que los precios de mercado reflejan completamente toda la
información disponible. Esto significa que las noticias tienen un impacto
significativo en los precios del mercado de valores. Las buenas noticias
generalmente inducen al mercado a subir, mientras que las malas noticias
tienden a hacer bajar los precios. En los últimos años, los estudios de
investigación han concluido que el estado de ánimo del público a través de las
publicaciones en las redes sociales, especialmente desde Twitter, también
influye en los movimientos del mercado de valores. Por lo tanto, estas
fuentes de datos alternativas pueden respaldar fuertemente el proceso de
toma de decisiones de comprar o vender una acción en particular. [3]
Por otro lado, los numerosos reportajes que se lanzan al día y el rápido
desarrollo de las redes sociales contienen una gran cantidad de información
financiera que es imposible de analizar manualmente. En finanzas, no solo
es importante tomar decisiones efectivas, sino que también es importante
tomarlas lo más rápido posible para maximizar su rentabilidad. DL puede
ayudarnos con eso. [3]
Podemos entrenar algoritmos DL sobre noticias financieras titulares,
artículos y publicaciones en redes sociales para proporcionar puntuaciones
de opinión que se pueden utilizar para generar mejores decisiones
comerciales automáticamente. [3]
Desde el criterio del investigador, la
Las Redes Sociales y el impacto dentro del Marketing de la Empresa.
Desde el criterio del investigador, se encontró que uno de los desafíos que se
puede encontrar es el impacto que tendrá el Análisis de Sentimientos con el
impacto dentro de las organizaciones. Donde esta rama de la Inteligencia
Artificial, será capaz de interpretar las emociones, sentimientos, estado de
ánimo de las personas con respecto a un determinado hecho.
Una descripción general de las metodologías y los desafíos en el
Análisis de Sentimientos en las Redes Sociales.
El rápido aumento de la adopción de redes sociales durante la última
década, determinando y analizando la actitud y la opinión de las masas
relacionadas con una entidad en particular, ha ganado una gran
importancia. Con el aterrizaje de la Web 2.0, muchos productos de Internet
como blogs, salas de chat comunitarias, foros, microblogs sirven como una
plataforma para que las personas se expresen. Dicha opinión se encuentra
en forma de mensajes, comentarios de usuarios, artículos de noticias, blogs
personales, tweets, encuestas, actualizaciones de estado, etc. [4]
Con sentimiento análisis, es posible eliminar la necesidad de revisar
manualmente todos y cada uno de los comentarios de los usuarios
centrándose en la polaridad contextual del texto. El análisis de los
sentimientos podría ser útil para varias aplicaciones como anuncios,
recomendaciones, análisis de calidad, monetización proporcionadas en los
web servicios, análisis de datos en tiempo real, análisis de nociones
relacionadas con candidatos durante campaña electoral, etc. [4]
Definir la opinión es uno de los mayores desafíos en el análisis de
sentimientos. Muchos lingüistas de diferentes épocas han intentado definir
la subjetividad. Una de las principales definiciones entre las definiciones
existentes la da Randolph Quirk. Quirk ha definido el estado privado como
"algo que no es accesible a verificación u objetivo" (Quirk, Greenbaum y
Syartyik, 1985). En términos generales, los sentimientos son opiniones
individuales positivas o negativas con varias propiedades únicas que los
distinguen del texto general. [4]
Métodos de Análisis de Sentimientos.
El análisis sentimental se puede realizar principalmente de 3 formas
diferentes: técnicas supervisadas, semi supervisadas y no supervisadas. Los
árboles de decisión, SVM y Naïve Bayesian son los enfoques supervisados
más utilizados. [4]
Construcción del diccionario de polaridad. [4]
Para determinar la polaridad sentimental de cualquier noticia o respuesta de
blog en línea, primero creamos un diccionario de polaridad, que consta de
términos y sus respectivas polaridades. Este diccionario de polaridad utiliza un
enfoque de diccionario en el que primero se construye un diccionario de tamaño
considerablemente pequeño utilizando palabras semilla. La polaridad de las
palabras semilla se asigna manualmente. Después de lo cual, agregamos
nuevas palabras a el diccionario de polaridad usando frecuencia de ocurrencia
conjunta con palabras en un diccionario de polaridad. [4] Desde el criterio de
los investigadores, en relación al Análisis de Sentimientos dentro de las Redes
Sociales y con respecto al enfoque de investigación del presente documento, se
debe resaltar que la aplicación del Análisis de Sentimientos, que es una rama
de la IA; puede ser aplicada a otros campos, como es el caso de la oferta y
demanda, cambios de la bolsa, ventas de acciones de empresas, etc., Donde
juega un papel importante las redes sociales. Porque se puede aplicar el
Analisis de Sentimientos orientado a
conocer la polaridad del grupo de personas, en vez de hacer este análisis de
forma individual, con el objetivo de conocer la tendencia con la que se
encuentra manejando el grupo de personas. En palabras claras, cuando se
realiza una buena campaña de marketing de un producto nuevo dentro de
las redes sociales, se puede obtener una polaridad positiva de las personas
interesadas en el producto, donde ellos darán opiniones positivas del
producto, y generando una que más personas consuman el producto y den
una opinión positiva, y dando el impulso que más personas se lancen por el
nuevo producto. Con esta iniciativa, se puede conocer el comportamiento de
la población con el mecanismo de marketing, por ende, puede crear nuevas
formas de crear marketing más personalizado y enfocado a determinados
grupos de personas.

Conclusiones.
De la presente investigación se concluyó con lo siguiente:
- El Natural Languaje Processing, es uno de los campos de la IA que se
encuentra orientado a comprender el lenguaje de las personas de
forma Natural, comprender cada una de las frases empleadas por la
persona dentro de un determinado contexto. Donde sea capaz de
comprender el mensaje que se está transmitiendo, sin tener que
emplear algún mecanismo de traducción o un decodificador.
- Dentro del campo de la IA, se encuentra el Análisis de Sentimientos,
que se encuentra orientada a comprender la tendencia de polaridad
que se puede dar dentro de un grupo de personas.
Recomendaciones.
De la presente investigación se puede recomendar lo siguiente:
- Es importante conocer las diferentes herramientas de IA que puede
ser aplicada en la resolución de determinadas tareas de IA, donde
existen actualmente bibliotecas, lenguaje de programación, Entornos
de Desarrollo Integrados, que cuentan con cada una de las
características enfocadas al desarrollo de proyectos de IA.
Bibliografía.

Bibliography
[1] D. y. R. APD, "El gran impacto de la inteligencia artificial en las empresas," REvista APD, p. 5, 2018.
[2] G. Bonaccorso, Machine Learning Algorithms, Birmingham: Packt Publishing, 2018.
[3] A. Gerón, Hands-On Machine Learning with Scikit-Learn & TensorFlow: Concepts, Tools, and Techniques to
Build Intelligent Systems, 1ra ed., N. Tache, Ed., California: O´Reilly, 2017.
[4] K. Stapor, I. Roterman-Konieczna and F. Piotr, Machine Learning Methods for the Protein Fold Recognition
Problem, vol. 149, Cham, Suiza: Springer, 2019.
[5] R. Bonnin, Building Machine Learning Projects with TensorFlow, Birmingham: Packt Publishing Ltd., 2016.
[6] R. Hack, Deep Learning: The Ultimate Beginner´s Guide to Artificial Intelligence and Neural Networks.
Intermediate, Avanced and Expert Concepts and Techniques., 2020.
[7] L. Sanders, Artificial Intelligence Generation: A complete undestanding of AI world, I. Published, Ed., 2020.
[8] D. Kumar and S. K. Rath, "Predicting the Trends of Price for Ethereum Using Deep Learning Techiques.,"
Artificial Intelligence and Evolutionary Computations in Engineering Systems., vol. 1056, pp. 103-114, 11
Febrero 2020.

[1] L. Balakrishnan, S. N. V. R. Palaniappan and K. Viswanathan, "Sales Demand

Forecasting Using LSTM Network," Artificial Intelligence and Evolutionary
Computations in Engineering Systems, vol. 1056, pp. 125-132, 2020.

[2] J. I. Garzón, "Cómo usar redes neuronales (LSTM) en la predicción de averías

en las máquinas," 6 Noviembre 2018. [Online]. Available:
https://blog.gft.com/es/2018/11/06/como-usar-redes-neuronales-lstm-en-
la-prediccion-de-averias-en-las-maquinas/. [Accessed 14 Diciembre 2020].

[3] L. Troiano, A. Bhandari and E. M. Villa, Hands-On Deep Learning for Finance.
Implement deep learning techniques and algorithms to create powerful
trading strategies, Packt Publishing, 2020.

[4] S. S. Aditya and V. C. Pallavi, "An Overview of Methodologies and Challenges

in Sentiment Analysis on Social Networks," in Handbook of Research on Big
Data Clustering and Machine Learning, La Mancha, España: IGI Global.

[5] A. Rashmi, "Technologies for Handling Big Data," in Handbook of Research

on Big Data Clustering and Machine Learning, IGI Global, 2020.

[6] A. M. Jorge, Q. G. M. Carlos and P. G. M. Fausto, "Predictive Analysis of

Robotic Manipulators Through Inertial Sensors and Pattern Recognition," in
Handbook of Research on Big Data Clustering and Machine Learning, Spain,
IGI Global, 2020.