Clasificación de alertas de incidentes por niveles de prioridad en estaciones de comando y control usando técnicas de Word Embeddings. Caso de Uso: ECU-911.
Cubero Lupercio, Jonnathan Emmanuel,
Clasificación de alertas de incidentes por niveles de prioridad en estaciones de comando y control usando técnicas de Word Embeddings. Caso de Uso: ECU-911. - 25 páginas Digital
Ingeniero en Sistemas y Telemática
Este trabajo de investigación se enfoca en analizar el contenido textual de llamadas de emergencia que llegan a los centros de comando y control para clasificarlas según su grado de prioridad. El objetivo es dar una respuesta oportuna y tomar decisiones adecuadas en situaciones que requieran atención inmediata. Se utiliza minería de textos para construir un modelo computacional con técnicas de preprocesamiento como: tokenización, case folding, stop words; para luego representar con Word Embeddings con la arquitectura skip-gram y obtener la vectorización de palabras, y el algoritmo de Clusterización para clasificación. Los resultados muestran una mejora en la precisión de la clasificación, alcanzando un 95% de precisión en pruebas de clasificación usando categorías de alta y baja prioridad y un 81% en pruebas de clasificación usando cuatro categorías de alerta. Estas técnicas mejoran la comprensión sintáctica y semántica de las llamadas y reducen el riesgo de pérdida de vidas humanas.
APRENDIZAJE
CLASIFICACIÓN
ECU 911
LLAMADA DE EMERGENCIA
MÁQUINA
MINERÍA DE TEXTOS
Clasificación de alertas de incidentes por niveles de prioridad en estaciones de comando y control usando técnicas de Word Embeddings. Caso de Uso: ECU-911. - 25 páginas Digital
Ingeniero en Sistemas y Telemática
Este trabajo de investigación se enfoca en analizar el contenido textual de llamadas de emergencia que llegan a los centros de comando y control para clasificarlas según su grado de prioridad. El objetivo es dar una respuesta oportuna y tomar decisiones adecuadas en situaciones que requieran atención inmediata. Se utiliza minería de textos para construir un modelo computacional con técnicas de preprocesamiento como: tokenización, case folding, stop words; para luego representar con Word Embeddings con la arquitectura skip-gram y obtener la vectorización de palabras, y el algoritmo de Clusterización para clasificación. Los resultados muestran una mejora en la precisión de la clasificación, alcanzando un 95% de precisión en pruebas de clasificación usando categorías de alta y baja prioridad y un 81% en pruebas de clasificación usando cuatro categorías de alerta. Estas técnicas mejoran la comprensión sintáctica y semántica de las llamadas y reducen el riesgo de pérdida de vidas humanas.
APRENDIZAJE
CLASIFICACIÓN
ECU 911
LLAMADA DE EMERGENCIA
MÁQUINA
MINERÍA DE TEXTOS