Ingeniería y Aprendizaje Automático
URI permanente para esta colección:
Artículos en la categoría Ingeniería y Aprendizaje Automático publicados en las Actas de las XVII Jornadas de Ingeniería de Ciencia e Ingeniería de Servicios (JCIS 2022).
Notificar un error en esta colección
Examinar
Envíos recientes
Resumen RIADA: a machine-learning based infrastructure for recognising the emotions of Spotify songsAlvarez, Pedro; García de Quirós, Jorge; Baldassarri, Sandra. Actas de las XVII Jornadas de Ingeniería de Ciencia e Ingeniería de Servicios (JCIS 2022), 2022-09-05.En el campo de la computacion afectiva existe un interés creciente en torno al reconocimiento de las emociones que produce la música. En la literatura científica distintos sistemas han sido propuestos y aplicados a problemas relacionados con la recomendación y/o personalización de contenidos musicales. Estas soluciones se centran especialmente en reconocer las emociones que produce una canción en el oyente, pero no en las que realmente siente al escuchar la canción (emociones producidas versus emociones percibidas). Estas últimas tienen una componente más personal y suelen estar influenciadas por el estado de ánimo y el contexto actual del oyente, entre otros factores. En este artículo se propone una infraestructura de servicios capaz de anotar emocionalmente las canciones atendiendo a las emociones percibidas. El proceso de anotación está basado en técnicas de inteligencia artificial y deduce las emociones a partir de las características acústicas de las canciones. Otra de las contribuciones de la solución con respecto a los sistemas existentes es que se puede aplicar sobre grandes colecciones de canciones, por ejemplo, sobre la discografía completa de Spotify. El trabajo muestra cómo se ha realizado este etiquetado masivo a partir de las listas de reproducción publicadas por los propios usuarios en el proveedor de música, dotando a Spotify de una dimensión emocional que no disponía.Resumen Empowering conformance checking using Big Data through horizontal decompositionValencia Parra, Álvaro; Varela Vaca, Ángel Jesús; Gómez-López, María Teresa; Carmona, Josep; Bergenthum, Robin. Actas de las XVII Jornadas de Ingeniería de Ciencia e Ingeniería de Servicios (JCIS 2022), 2022-09-05.Conformance Checking is a key technique in the Process Mining paradigm. It allows to detect anomalies and deviations in business processes, being the cornerstone of the diagnose of business processes, promoting the improvement of the quality of these. It becomes especially critical in scenarios in which (i) business processes are highly complex (i.e., containing multiple loops and casuistry), and (ii) there are large amounts of event logs. The diagnose of anomalies in this type of scenarios is challenging, requiring the use of Big Data techniques. In this work, we present a innovative approach to successfully execute Conformance Checking algorithms in Big Data environments. The approach proposes reducing the complexity of business processes through horizontal acyclic decomposition, where end-to-end cuts of the model are obtained, generating partial representations of the model that, taken together, are equivalent to the original complex model. These partial models are less complex to process by conformance checking algorithm. On the other hand, the approach enables the combination of these partial models with different segments of the event logs. In this way, the workload is distributed in a Big Data cluster. Finally, this work proposes a new conformance checking approach based on constraint optimisation problems. The proposal has been tested with five different challenging data sets with highly complex petri nets. The results showed a better performance than traditional standalone algorithms.Artículo Extracción de conocimiento basado en técnicas de aprendizaje automático a partir de registros de eventosBenavides Álvarez, Tomás; Mucientes, Manuel; Lama Penín, Manuel. Actas de las XVII Jornadas de Ingeniería de Ciencia e Ingeniería de Servicios (JCIS 2022), 2022-09-05.Uno de los principales objetivos en minería de procesos consiste en entender lo que ha sucedido durante la ejecución de un proceso. Típicamente, este objetivo se alcanza explorando manualmente el modelo real que describe el comportamiento del proceso y las analíticas temporales y de frecuencia sobre las variantes del proceso y los indicadores de negocio. En este artículo se sigue una aproximación diferente: se ha desarrollado una técnica basada en árboles de decisión para la extracción automática de conocimiento sobre la ejecución del proceso. Esta técnica se ha validado con un conjunto de datos sintético y se ha comparado con una aproximación de referencia del estado del arte, obteniendo las mismas reglas de conocimiento en ambos casos, con la diferencia de que nuestra aproximación guía la extracción de las reglas a partir de las necesidades del usuario.Artículo Mecanismos de atención en redes neuronales recurrentes para monitorización predictivaMonteagudo Lago, Pablo; Vidal Aguiar, Juan Carlos; Lama Penín, Manuel. Actas de las XVII Jornadas de Ingeniería de Ciencia e Ingeniería de Servicios (JCIS 2022), 2022-09-05.La monitorización predictiva en minería de procesos tiene como objetivo predecir cómo se va a desarrollar en el futuro una ejecución en curso de un proceso. Uno de los principales retos en este ámbito es la predicción de la secuencia de actividades que tendrán lugar a partir de un cierto instante hasta la finalización de la instancia en ejecución. En este artículo se propone una arquitectura basada en un modelo secuencia-a-secuencia dotado de un mecanismo de atención y de un algoritmo de búsqueda heurística para predecir la secuencia de actividades de un caso en ejecución. Esta arquitectura ha sido validada sobre 12 conjuntos de datos ampliamente usados en la comunidad científica, comparándola, además, con las principales propuestas del estado del arte. Los resultados de la experimentación demuestran que nuestra aproximación obtiene los mejores resultados.