Evaluacion de modelos de inteligencia artificial para priorizar incidencias ciudadanas
Experimento ficticio con procesamiento de lenguaje natural
Palabras clave:
inteligencia artificial, NLP, incidencias ciudadanas, automatizacion, gestion publicaResumen
Resumen. Este articulo ficticio evalua modelos de aprendizaje automatico para clasificar y priorizar reportes ciudadanos. Se construye un conjunto de datos sintetico con categorias de seguridad, limpieza, infraestructura y transporte. La comparacion simulada entre modelos tradicionales y transformadores ligeros sugiere que una estrategia hibrida, con reglas de negocio y supervision humana, reduce falsos positivos y mejora la asignacion temprana de recursos municipales.
Referencias
Binns, R. (2018). Fairness in machine learning: Lessons from political philosophy. Proceedings of FAT*.
Chen, T., & Guestrin, C. (2016). XGBoost: A scalable tree boosting system. KDD.
Devlin, J., Chang, M. W., Lee, K., & Toutanova, K. (2019). BERT: Pre-training of deep bidirectional transformers. NAACL.
Mehrabi, N., Morstatter, F., Saxena, N., Lerman, K., & Galstyan, A. (2021). A survey on bias and fairness in machine learning. ACM Computing Surveys, 54(6), 1-35.
Russell, S., & Norvig, P. (2021). Artificial Intelligence: A Modern Approach. Pearson.
Descargas
Publicado
Número
Sección
Licencia
Derechos de autor 2026 TinkuyTech Innovation Journal
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
Creative Commons Attribution 4.0 International (CC BY 4.0).
