Comparación de modelos de Machine Learning para determinar qué modelo se aproxima más a una asignación manual en ServiceDesk

Descripción del Articulo

Realiza una comparación de algoritmos de aprendizaje automático para categorizar automáticamente los tickets del ServiceDesk debido al enorme número generado. Esto se debe a un problema con el tiempo necesario para generar tickets (solicitudes, incidentes y requerimientos). Mediante la utilización d...

Descripción completa

Detalles Bibliográficos
Autor: Paullo Montes, Flor de Milagro
Formato: tesis de grado
Fecha de Publicación:2023
Institución:Universidad Nacional Mayor de San Marcos
Repositorio:UNMSM-Tesis
Lenguaje:español
OAI Identifier:oai:cybertesis.unmsm.edu.pe:20.500.12672/21853
Enlace del recurso:https://hdl.handle.net/20.500.12672/21853
Nivel de acceso:acceso abierto
Materia:Algoritmos
Aprendizaje automático (Inteligencia artificial)
https://purl.org/pe-repo/ocde/ford#1.02.01
id UNMS_6b7eab07c98a6f6eb48cd4126442c534
oai_identifier_str oai:cybertesis.unmsm.edu.pe:20.500.12672/21853
network_acronym_str UNMS
network_name_str UNMSM-Tesis
repository_id_str 410
dc.title.es_PE.fl_str_mv Comparación de modelos de Machine Learning para determinar qué modelo se aproxima más a una asignación manual en ServiceDesk
title Comparación de modelos de Machine Learning para determinar qué modelo se aproxima más a una asignación manual en ServiceDesk
spellingShingle Comparación de modelos de Machine Learning para determinar qué modelo se aproxima más a una asignación manual en ServiceDesk
Paullo Montes, Flor de Milagro
Algoritmos
Aprendizaje automático (Inteligencia artificial)
https://purl.org/pe-repo/ocde/ford#1.02.01
title_short Comparación de modelos de Machine Learning para determinar qué modelo se aproxima más a una asignación manual en ServiceDesk
title_full Comparación de modelos de Machine Learning para determinar qué modelo se aproxima más a una asignación manual en ServiceDesk
title_fullStr Comparación de modelos de Machine Learning para determinar qué modelo se aproxima más a una asignación manual en ServiceDesk
title_full_unstemmed Comparación de modelos de Machine Learning para determinar qué modelo se aproxima más a una asignación manual en ServiceDesk
title_sort Comparación de modelos de Machine Learning para determinar qué modelo se aproxima más a una asignación manual en ServiceDesk
author Paullo Montes, Flor de Milagro
author_facet Paullo Montes, Flor de Milagro
author_role author
dc.contributor.advisor.fl_str_mv Guzman Rea, Omar Stevenson
dc.contributor.author.fl_str_mv Paullo Montes, Flor de Milagro
dc.subject.es_PE.fl_str_mv Algoritmos
Aprendizaje automático (Inteligencia artificial)
topic Algoritmos
Aprendizaje automático (Inteligencia artificial)
https://purl.org/pe-repo/ocde/ford#1.02.01
dc.subject.ocde.es_PE.fl_str_mv https://purl.org/pe-repo/ocde/ford#1.02.01
description Realiza una comparación de algoritmos de aprendizaje automático para categorizar automáticamente los tickets del ServiceDesk debido al enorme número generado. Esto se debe a un problema con el tiempo necesario para generar tickets (solicitudes, incidentes y requerimientos). Mediante la utilización de tecnologías de aprendizaje automático que permiten la asignación automatizada de grupos de soluciones de proveedores que atienden a empresas de alto consumo, el modelo sugerido pretende mejorar el procedimiento de designación de tickets del ServiceDesk. Para la verificación se utilizaron los datos de los tickets de la empresa y se realizaron pruebas para validar el modelo. Los datos recopilados se utilizaron para construir un modelo de aprendizaje automático que proporcionó los datos necesarios para clasificar los tickets en varios grupos de soluciones (SupportMG, SupportDevmente, SupportTI y ProjectsTI) y categorizarlos en función del tipo.
publishDate 2023
dc.date.accessioned.none.fl_str_mv 2024-03-27T16:22:14Z
dc.date.available.none.fl_str_mv 2024-03-27T16:22:14Z
dc.date.issued.fl_str_mv 2023
dc.type.es_PE.fl_str_mv info:eu-repo/semantics/bachelorThesis
format bachelorThesis
dc.identifier.citation.es_PE.fl_str_mv Paullo, F. (2023). Comparación de modelos de Machine Learning para determinar qué modelo se aproxima más a una asignación manual en ServiceDesk. [Trabajo de suficiencia profesional de pregrado, Universidad Nacional Mayor de San Marcos, Facultad de Ciencias Matemáticas, Escuela Profesional de Computación Científica]. Repositorio institucional Cybertesis UNMSM.
dc.identifier.uri.none.fl_str_mv https://hdl.handle.net/20.500.12672/21853
identifier_str_mv Paullo, F. (2023). Comparación de modelos de Machine Learning para determinar qué modelo se aproxima más a una asignación manual en ServiceDesk. [Trabajo de suficiencia profesional de pregrado, Universidad Nacional Mayor de San Marcos, Facultad de Ciencias Matemáticas, Escuela Profesional de Computación Científica]. Repositorio institucional Cybertesis UNMSM.
url https://hdl.handle.net/20.500.12672/21853
dc.language.iso.es_PE.fl_str_mv spa
language spa
dc.relation.ispartof.fl_str_mv SUNEDU
dc.rights.es_PE.fl_str_mv info:eu-repo/semantics/openAccess
dc.rights.uri.es_PE.fl_str_mv https://creativecommons.org/licenses/by-nc-sa/4.0/
eu_rights_str_mv openAccess
rights_invalid_str_mv https://creativecommons.org/licenses/by-nc-sa/4.0/
dc.format.es_PE.fl_str_mv application/pdf
dc.publisher.es_PE.fl_str_mv Universidad Nacional Mayor de San Marcos
dc.publisher.country.es_PE.fl_str_mv PE
dc.source.es_PE.fl_str_mv Universidad Nacional Mayor de San Marcos
Repositorio de Tesis - UNMSM
dc.source.none.fl_str_mv reponame:UNMSM-Tesis
instname:Universidad Nacional Mayor de San Marcos
instacron:UNMSM
instname_str Universidad Nacional Mayor de San Marcos
instacron_str UNMSM
institution UNMSM
reponame_str UNMSM-Tesis
collection UNMSM-Tesis
bitstream.url.fl_str_mv https://cybertesis.unmsm.edu.pe/bitstreams/5e2b9ac8-fb0b-49e3-8814-82ab022a42a0/download
https://cybertesis.unmsm.edu.pe/bitstreams/ddb0a8c2-e2c9-4a7c-ad0b-59a4e8e78943/download
https://cybertesis.unmsm.edu.pe/bitstreams/3efd3506-663f-46c5-aebe-5c5e3b26f87b/download
https://cybertesis.unmsm.edu.pe/bitstreams/836028f1-8996-4302-a92e-961d16bb9385/download
https://cybertesis.unmsm.edu.pe/bitstreams/60b42007-2ae3-4a8e-ad78-618aa99c99e4/download
https://cybertesis.unmsm.edu.pe/bitstreams/298ac09e-668e-4dc6-bbfa-d7f784cbb0c3/download
bitstream.checksum.fl_str_mv 075be92b67716511a2c6b339dc2483e1
626ae1835f9f8e036714fc49fc335da2
4e3aab7c53ee125f7bc1575bd9c4c1d4
013cb77f7f97d5a9a7e4a2f362f1c437
b076e1d79cc1ae8f2d1d2372334aeac8
8a4605be74aa9ea9d79846c1fba20a33
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
MD5
MD5
MD5
MD5
repository.name.fl_str_mv Cybertesis UNMSM
repository.mail.fl_str_mv cybertesis@unmsm.edu.pe
_version_ 1841552042373414912
spelling Guzman Rea, Omar StevensonPaullo Montes, Flor de Milagro2024-03-27T16:22:14Z2024-03-27T16:22:14Z2023Paullo, F. (2023). Comparación de modelos de Machine Learning para determinar qué modelo se aproxima más a una asignación manual en ServiceDesk. [Trabajo de suficiencia profesional de pregrado, Universidad Nacional Mayor de San Marcos, Facultad de Ciencias Matemáticas, Escuela Profesional de Computación Científica]. Repositorio institucional Cybertesis UNMSM.https://hdl.handle.net/20.500.12672/21853Realiza una comparación de algoritmos de aprendizaje automático para categorizar automáticamente los tickets del ServiceDesk debido al enorme número generado. Esto se debe a un problema con el tiempo necesario para generar tickets (solicitudes, incidentes y requerimientos). Mediante la utilización de tecnologías de aprendizaje automático que permiten la asignación automatizada de grupos de soluciones de proveedores que atienden a empresas de alto consumo, el modelo sugerido pretende mejorar el procedimiento de designación de tickets del ServiceDesk. Para la verificación se utilizaron los datos de los tickets de la empresa y se realizaron pruebas para validar el modelo. Los datos recopilados se utilizaron para construir un modelo de aprendizaje automático que proporcionó los datos necesarios para clasificar los tickets en varios grupos de soluciones (SupportMG, SupportDevmente, SupportTI y ProjectsTI) y categorizarlos en función del tipo. application/pdfspaUniversidad Nacional Mayor de San MarcosPEinfo:eu-repo/semantics/openAccesshttps://creativecommons.org/licenses/by-nc-sa/4.0/Universidad Nacional Mayor de San MarcosRepositorio de Tesis - UNMSMreponame:UNMSM-Tesisinstname:Universidad Nacional Mayor de San Marcosinstacron:UNMSMAlgoritmosAprendizaje automático (Inteligencia artificial)https://purl.org/pe-repo/ocde/ford#1.02.01Comparación de modelos de Machine Learning para determinar qué modelo se aproxima más a una asignación manual en ServiceDeskinfo:eu-repo/semantics/bachelorThesisSUNEDULicenciada en Computación CientíficaUniversidad Nacional Mayor de San Marcos. Facultad de Ciencias Matemáticas. Escuela Profesional de Computación CientíficaComputación Científica44528250https://orcid.org/0000-0003-2951-264370899052611026Timoteo Sánchez, Martha HildaPérez Salvatierra, AlfonsoPérez Ortiz, Joaquin Omarhttps://purl.org/pe-repo/renati/level#tituloProfesionalhttps://purl.org/pe-repo/renati/type#trabajoDeSuficienciaProfesional257022790644573910525884TEXTPaullo_mf.pdf.txtPaullo_mf.pdf.txtExtracted texttext/plain56566https://cybertesis.unmsm.edu.pe/bitstreams/5e2b9ac8-fb0b-49e3-8814-82ab022a42a0/download075be92b67716511a2c6b339dc2483e1MD53THUMBNAILPaullo_mf.pdf.jpgPaullo_mf.pdf.jpgGenerated Thumbnailimage/jpeg9755https://cybertesis.unmsm.edu.pe/bitstreams/ddb0a8c2-e2c9-4a7c-ad0b-59a4e8e78943/download626ae1835f9f8e036714fc49fc335da2MD54ORIGINALPaullo_mf.pdfPaullo_mf.pdfapplication/pdf1918541https://cybertesis.unmsm.edu.pe/bitstreams/3efd3506-663f-46c5-aebe-5c5e3b26f87b/download4e3aab7c53ee125f7bc1575bd9c4c1d4MD51C904_2023_Paullo_mf_autorizacion.docxapplication/vnd.openxmlformats-officedocument.wordprocessingml.document148607https://cybertesis.unmsm.edu.pe/bitstreams/836028f1-8996-4302-a92e-961d16bb9385/download013cb77f7f97d5a9a7e4a2f362f1c437MD55C904_2023_Paullo_mf_reporte.pdfapplication/pdf4692920https://cybertesis.unmsm.edu.pe/bitstreams/60b42007-2ae3-4a8e-ad78-618aa99c99e4/downloadb076e1d79cc1ae8f2d1d2372334aeac8MD56LICENSElicense.txtlicense.txttext/plain; charset=utf-81748https://cybertesis.unmsm.edu.pe/bitstreams/298ac09e-668e-4dc6-bbfa-d7f784cbb0c3/download8a4605be74aa9ea9d79846c1fba20a33MD5220.500.12672/21853oai:cybertesis.unmsm.edu.pe:20.500.12672/218532024-07-17 10:15:48.589https://creativecommons.org/licenses/by-nc-sa/4.0/info:eu-repo/semantics/openAccessopen.accesshttps://cybertesis.unmsm.edu.peCybertesis UNMSMcybertesis@unmsm.edu.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
score 13.448595
Comparación de modelos de Machine Learning para determinar qué modelo se aproxima más a una asignación manual en ServiceDesk
Nota importante:
La información contenida en este registro es de entera responsabilidad de la institución que gestiona el repositorio institucional donde esta contenido este documento o set de datos. El CONCYTEC no se hace responsable por los contenidos (publicaciones y/o datos) accesibles a través del Repositorio Nacional Digital de Ciencia, Tecnología e Innovación de Acceso Abierto (ALICIA).

Ejemplares Similares