INTRODUCCIÓN

El presente trabajo muestra como la inteligencia artificial aplicada a las organizaciones puede
ser un factor diferenciador para las organizaciones, siendo usada como apoyo, soporte y
facilitadora de procesos esenciales como la toma de decisiones, el control de la calidad de
productos y/ o servicios resultando en la siempre buscada productividad, donde las empresas
pueden lograr obtener la utilidad a través de la optimización de sus recursos dicho beneficio
puede ser conseguido con el uso de la Inteligencia artificial. En un mundo cada vez más
dinámico, de continuos y rápidos cambios, donde cada vez más la competencia es más reñida y
llevada a otros campos; El uso de las tecnologías de la información y las comunicaciones como
producto de la inteligencia artificial se ha convertido también en herramienta fundamental para
el éxito de las organizaciones.
Si bien el fenómeno de la globalización ha impulsado enormemente el desarrollo de tecnologías
de comunicaciones y estas a su vez conllevan al desarrollo de tecnologías informáticas, es ahí
donde la inteligencia artificial se ve representada, haciendo de la tecnología un factor clave en
el desarrollo mundial ya que permite a los países avanzar, ser más productivos, competitivos y
eficientes en la forma de trabajar y generar riqueza y por ende ofrecer una mejor calidad de
vida a todos sus trabajadores.
Se han evidenciado avances importantes en tecnología en lo que respecta a comunicaciones,
aparatos tecnológicos como smartphone, Ipad, Iphone, que van más allá de solo permitir la
comunicación en una forma agil, fácil y a un menor costo, estos aparatos se volvieron formas de
tener empresa, formas de educarse, formas de producir arte, ciencia entre muchos otros usos
como campos en los que se pienses. Internet llego a revolucionar la forma de cómo evoluciona
la humanidad, ha hecho que la información esté al alcance de todo y todos, dando como
resultado nuevos modelos de negocio, de las empresas con todo el mundo y el uso de
transacciones electrónicas.
El avance tecnológico debe ir de la mano con la comunicación y propender por el beneficio de la
sociedad, ya que desde la perspectiva ética podría tener implicaciones y afectar la vida laboral
de las personas. Es así como el presente trabajo tiene como objetivo mostrar como la
inteligencia artificial es fundamental en la competitividad de las organizaciones, sirve como base
para la toma de decisiones y es clave en los procesos de fabricación y calidad de los productos y
facilita los negocios en cuanto a comunicación, información y agilidad se refiere. Igualmente
muestra las implicaciones negativas que esta tiene cuando desplaza el trabajo humano
afectando la calidad de vida de las personas.
1. CONCEPTUALIZACIÓN

El termino inteligencia artificial ha estado presente en el ámbito de la informática y la

ingeniería por más de 60 años, desde la primera definición dada por John Mc Carthy, en
1956) quien define a la INTELIGENCIA ARTIFICIAL como “la ciencia y la ingeniería de
hacer inteligentes a las máquinas” dicha definición e ese tiempo era enfocada en los
nacientes desarrollos robóticos más enfocados al campo militar, fue alrededor de los 70
cuando se comenzó a utilizar en las organizaciones, con el uso de las computadoras, a
partir de este momento las organizaciones descubren las grandes ventajas competitivas
que estas herramientas producían en cuanto al ahorro del factor tiempo, en los procesos
al interior de la organización e incluso reducir costos en las operaciones y hasta servir de
base para la toma de decisiones adecuadas.

En este punto es importante mencionar otras definiciones de inteligencia artificial según

varios autores algo que dieron a este concepto un nuevo enfoque conforme se llegaba a
un nuevo milenio, según Rich y Knight (1994) y Stuart (1996), quienes definen en forma
general la IA como la capacidad que tienen las máquinas para realizar tareas que en el
momento son realizadas por seres humanos; Nebendah (1988)y Delgado (1998), la
definen cómo el campo de estudio que se enfoca en la explicación y emulación de la
conducta inteligente en función de procesos computacionales basadas en la experiencia
y el conocimiento continuo del ambiente

2. ENFOQUES DE LA INTELIGENCIA ARTIFICIAL

 La IA concebida como el intento por desarrollar una tecnología capaz de

proveer al ordenador capacidades de razonamiento similares a los de la
inteligencia humana.
Este enfoque se centra en la utilidad y no en el método como sucede con los
algoritmos, los temas claves de este enfoque son la representación y gestión de
conocimiento.

 La IA en su concepción como investigación relativa a los mecanismos de la

inteligencia humana que se emplean en la simulación de validación de teorías.
Para este segundo enfoque se orienta al concepto de la creación de un sistema
artificial capaz de realizar procesos cognitivos humanos haciendo importante ya no la
utilidad como el método, los aspectos fundamentales de este enfoque se refieren al
aprendizaje y adaptabilidad
La IA al tratar de construir máquinas que se comporten aparentemente como seres
humanos han dado lugar al surgimiento de dos bloques enfrentados: el enfoque
simbólico o top-Down, conocido como la IA clásica y el enfoque sub-simbólico
llamado a veces conexionista.
Los simbólicos simulan directamente las características inteligentes que se
pretenden conseguir o imitar y lo mejor que también se tiene a la mano es el
hombre; para los constructores de los sistemas expertos resulta fundamental la
representación del conocimiento humano donde gracias a estos avances se han
encontrado dos tipos de conocimiento: conocimiento acerca del problema particular
y conocimiento acerca de cómo obtener más conocimiento a partir del que ya
tenemos. El ejemplo más representativo de esta corriente es el Proyecto de Cyc en
1984 de Douglas B. Lenat, que intenta ensamblar una combinación de lenguaje y
códigos formal-comprensiva y una base de datos de conocimiento general con el fin
de permitir a las aplicaciones de inteligencia artificial realizar razonamientos del tipo
humano.
Dentro de la otra corriente: la sub-simbólica; los esfuerzos y los desarrollos se
orientan a la simulación de los elementos de más bajo nivel dentro de los procesos
inteligentes con la esperanza de que éstos al combinarse permitan que
espontáneamente surja el comportamiento inteligente. Un ejemplo claro que trabaja
con este tipo de orientación son las redes neuronales y los algoritmos genéticos
donde estos sistemas trabajan bajo la autonomía, el aprendizaje y la adaptación,
conceptos fuertemente relacionados; Es aquí justamente donde aparecen los
sistemas expertos y las redes neuronales fundamentales en la construcción de
inteligencia artificial al servicio del hombre para ayudar en la gestión administrativa y
productiva de las empresas.
Existen muchas características que hacen que esta herramienta demuestre
excelentes condiciones de ser una tecnología aplicable, que contribuirá a que las
empresas sean más productivas. Uno de los nuevos enfoques es el denominado
basado en el comportamiento tal como lo plantea Hernández, J. (2005) Este enfoque
proporciona una idea amplia del concepto en general de Inteligencia, al suponer que
esta depende totalmente de la forma en que el comportamiento de un sistema
contribuye a realizar sus funciones. Además, existen nuevas técnicas que pueden ser
aplicadas en esta nueva I.A., tales como algoritmos genéticos, redes bayesianas,
aprendizaje, etc.
 Los algoritmos genéticos es una de las nuevas técnicas que más apoyo han recibido,
dado que se basan son modelados y toman como base, los procesos naturales de
selección que se han identificado en organismos vivos. Así como en la naturaleza, las
especies mutan de acuerdo a las características del medio ambiente, del tiempo o de
otros factores externos, los sistemas que manejan este concepto tienen la capacidad
de poder adaptar las respuestas a problemas cambiantes de acuerdo al tiempo. Esto
es que el comportamiento de estos sistemas es mutado de acuerdo a las
características del medio y del problema. Este tipo de algoritmos tienen una ventaja
enorme con respecto a los tradicionales sistemas simbólicos de I.A.
3. LOS TRES TIPOS DE INTELIGENCIA ARTIFICIAL
Es útil para las empresas observar a través del lente de las capacidades empresariales en
lugar de las tecnologías, en términos generales la IA puede satisfacer tres necesidades
comerciales importantes:
 Automatizar los procesos comerciales: esta tal vez sea la más popular de las funciones
que buscan las empresas a la hora de adquirir un sistema inteligente es la
automatización de tareas físicas y digitales (actividades financieras, estadísticas,
administrativas documental, entre otras) utilizando tecnologías robóticas de
automatización de procesos (RPA), estas nuevas tecnologías son mucho más avanzadas
que las herramientas de automatización de negocio anteriores, por medio de los
"robots" (es decir, el código de un servidor) estos actúan como un humano ingresando y
consumiendo información de múltiples sistemas informáticos entre las tareas que
realizan estos robots se incluyen:
 Transferencia de datos desde correo electrónico y sistemas de call center a
sistemas de registro, por ejemplo, actualizando los archivos de cliente con
cambios de dirección o adiciones al servicio.
 Reemplazar la pérdida de crédito o tarjetas de cajero automático, llegando a
múltiples sistemas para actualizar registros y manejar comunicaciones al cliente.
 conciliar fallas en el cobro por servicios a través de sistemas de facturación
mediante la extracción de información de múltiples tipos de documentos.
 “Lectura” de documentos legales y contractuales a extraer. Disposiciones que
utilizan el procesamiento del lenguaje natural.
La implementación de un RPA es menos costosa y la más fácil de implementar de las
tecnologías cognitivas que están a disposición de las empresas e instituciones, por lo
general tiene el beneficio de un retorno rápido aun cuando sea de alta inversión. Sin
embargo posee la desventaja de ser es el menos "inteligente" en el sentido que estas
aplicaciones no están programadas para aprender y mejorar, aunque los desarrolladores
están agregando lentamente más inteligencia y capacidad de aprendizaje.) Es
particularmente adecuado para trabajar a través de múltiples sistemas de back-end.
Caso práctico se puede evidenciar en la NASA, donde las presiones de costos llevaron a
la agencia a lanzar cuatro pilotos de RPA que manejaran procesos financierosen cuentas
 por pagar y por cobrar, gastos en TI y recursos humanos, todos gestionados por un
centro de servicios compartidos. Los cuatro proyectos trabajados bien: en la aplicación
de recursos humanos, por ejemplo, el 86% de las transacciones se completaron sin
intervención humana, y se están desplegando en toda la organización. La NASA ahora
está implementando más robots RPA, algunos con mayores niveles de inteligencia,
conocido como proyecto Jim Walker.
 Visión cognitiva. El segundo tipo más común de proyectos que se desarrollan con
inteligencia artificial, son los que utilizan algoritmos para detectar patrones en vastos
volúmenes de datos e interpretar su significado; Estas aplicaciones de aprendizaje
automático se utilizan para
 Predecir qué es probable que compre un cliente en particular
 Identificar el fraude de crédito en tiempo real y detectar el fraude de
reclamaciones de seguros
 Analizar los datos de la garantía para identificar problemas de seguridad o calidad
en automóviles y otros productos manufacturados
 Automatizar la selección personalizada de anuncios digitales
 Proporcionar a las aseguradoras un modelo actuarial más preciso y detallado.
Las ideas cognitivas proporcionadas por el aprendizaje automático difieren de las
disponibles en los análisis tradicionales, de tres maneras: son mucho más intensivos y
detallados en los datos, los modelos usualmente están capacitados en alguna parte del
conjunto de datos y los modelos mejoran, es decir, su capacidad de usar datos nuevos
para hacer predicciones o poner cosas en las categorías mejoran con el tiempo.
Estos proyectos se apoyan en la arquitectura del conocimiento generado en la IA, los
programadores deben perfeccionar algoritmos que especifiquen un conjunto de
variables para ser lo más precisos posibles en una tarea en concreto. La máquina es
entrenada utilizando una gran cantidad de datos dando la oportunidad a los algoritmos a
ser perfeccionados a partir de estos ser capaces de hacer predicciones y proyecciones,
esto es conocido como Machine learning, durante la última década la evolución del
machine learning ha dado origen a un subconjunto definido como Deep Learning, el cual
predica con la idea del aprendizaje desde el ejemplo. En Deep Learning, en lugar de
enseñarle a ordenador una lista enorme de reglas para solventar un problema, le damos
un modelo que pueda evaluar ejemplos y una pequeña colección de instrucciones para
modificar el modelo cuando se produzcan errores. Con el tiempo esperamos que esos
modelos sean capaces de solucionar el problema de forma extremadamente precisa,
gracias a que el sistema es capaz de extraer patrones.
Aunque existen distintas técnicas para implementar Deep Learning, una de las más
comunes es simular un sistema de redes artificiales de neuronas dentro del software de
análisis de datos.
 Compromiso cognitivo. Los proyectos que involucran a empleados y clientes
mediante el uso de lenguaje natural que procesa chatbots, agentes inteligentes y
aprendizaje automático son los tipos menos comunes, es aún un campo en
desarrollo, prometedor y lleno de mitos.
Esta categoría incluye:
 Agentes inteligentes que ofrecen servicio al cliente las 24 horas del día, los 7
días de la semana, que abordan una amplia y creciente variedad de
problemas, desde solicitudes de contraseña hasta preguntas de soporte
técnico, todo en el lenguaje natural del cliente; sitios internos para
responder a las preguntas de los empleados sobre temas que incluyen TI,
beneficios para empleados y políticas de recursos humanos.
 Sistemas de recomendación de productos y servicios para minoristas que
aumentan la personalización, el compromiso y las ventas, que suelen incluir
imágenes o lenguaje enriquecido.
 Sistemas de recomendación de tratamiento de salud que ayuden a los
proveedores a crear planes de atención personalizados que tengan en
cuenta el estado de salud de los pacientes individuales y los tratamientos
anteriores. Las compañías en nuestro estudio tendieron a usar tecnologías
de compromiso cognitivo más para interactuar con los empleados que con
los clientes.
Grandes empresas en diferentes áreas de servicios y comerciales tales como
SEBank, en Suecia, y el gigante de la tecnología médica Becton, Dickinson, en los
Estados Unidos, están utilizando la avatar de agente inteligente y realista Amelia
para que sirva como un servicio de asistencia interno para el personal de TI. SEBank
ha puesto a disposición de los clientes a Amelia en forma limitada para probar su
desempeño y la respuesta de los clientes. Las empresas tienden a adoptar un
enfoque conservador de las tecnologías de compromiso cognitivo frente al cliente
en gran parte debido a su inmadurez. Facebook, por ejemplo, descubrió que los
chatbots de Messenger no podían responder al 70% de las solicitudes de los clientes
sin la intervención humana. Como resultado, Facebook y varias otras empresas
están restringiendo las interfaces basadas en bots a ciertos dominios de temas o
tipos de conversación.
 4. COMPRESIÓN DE LA TECNOLOGIA
La incorporación de agentes de decisión inteligente, redes neuronales, sistemas expertos,
algoritmos genéticos y autómatas programables para optimización de sistemas de producción
es una tendencia activa en el ambiente industrial de países con alto desarrollo tecnológico y con
una gran inversión en I&D, todos estos componentes de la Inteligencia Artificial tienen como
función principal controlar de manera independiente, y en coordinación con otros agentes,
componentes industriales tales como celdas de manufactura o ensamblaje, y operaciones de
mantenimiento, entre otras. Existe una tendencia creciente a la implementación de sistemas de
manufactura/ensamblaje más autónomos e inteligentes, debido a las exigencias del mercado
por obtener productos con niveles muy altos de calidad, lo cual con operaciones manuales es
complicado y hace que los países subdesarrollados como el nuestro no alcance niveles
competitivos a nivel mundial. Los factores mencionados determinan la estructura del sistema y
su coordinación representa una de las funciones más importantes en el manejo y control de la
producción.
Sin embargo antes de implementar una iniciativa de inteligencia artificial, las empresas deben
comprender qué tecnologías realizan qué tipos de tareas, y las fortalezas y limitaciones de cada
una. No todas las soluciones solucionan los requerimientos que tenemos; Los sistemas expertos
basados en reglas y los RPA, por ejemplo, son transparentes en la forma en que hacen su
trabajo, pero ninguno es capaz de aprender y mejorar. El Deep learning, por otro lado, es
excelente para aprender de grandes volúmenes de datos etiquetados, pero es casi imposible
entender cómo crea los modelos que crea. Este problema de la "caja negra" puede ser
problemático en industrias altamente reguladas, como los servicios financieros, en los que los
reguladores insisten en saber por qué las decisiones se toman de cierta manera, pero si están
armados con una buena comprensión de las diferentes tecnologías, las empresas están mejor
posicionadas para determinar cuál podría abordar mejor las necesidades específicas, con qué
proveedores trabajar y qué tan rápido se puede implementar un sistema. La adquisición de este
entendimiento requiere investigación y educación continuas, generalmente dentro de TI o un
grupo de innovación.
Ya estará en las estrategias de enganche y atracción de desarrolladores que las empresas
puedan sacar ventaja, empleados clave, como los científicos de datos, que tienen las habilidades
estadísticas y de datos necesarios para aprender los aspectos básicos de estas tecnologías.
Tener las capacidades correctas es esencial para progresar, si bien en nuestro país la producción
de talento en tecnología cognitiva es precaria, la mayoría de las organizaciones deben
establecer un conjunto de recursos, tal vez en una función centralizada, como TI o estrategia, y
poner a disposición expertos para proyectos de alta prioridad en toda la organización. A medida
que proliferan las necesidades y el talento, puede tener sentido dedicar grupos a funciones o
unidades de negocios particulares, la formulación de este tipo de estrategias va alineado con
una función de coordinación administrativa, uno de los usos del Business Intelligence si este es
ejecutado con éxito puede ser útil para administrar proyectos y carreras.
Ya identificadas las necesidades que deseamos satisfacer, el siguiente paso que se deberá seguir
para implementar un sistema IA, es la evaluación de las capacidades, jerarquizando estas
capacidades y sus respuesta en una estructura de proyectos, se identificaron a través de la
literatura consultada y los casos de éxito que se siguen tres procesos claves para llegar a la
decisión más acertada acerca del sistema IA más conveniente para la organización.

 IDENTIFICAR OPORTUNIDADES: Determina qué áreas del negocio podrían beneficiarse

más de las aplicaciones cognitivas. Por lo general, son partes de la compañía donde el
"conocimiento" (información obtenida a partir del análisis de datos o una colección de
textos) es primordial, pero por alguna razón no está disponible. Es necesario identificar
los cuellos de botella, desafíos de escalamiento, capacidad de respuesta inadecuada).
 DETERMINACIÓN DE LOS USOS. El segundo proceso evalúa los casos de uso en los
cuales las aplicaciones cognitivas generarían un valor sustancial y contribuirían al éxito
del negocio, hacer preguntas clave como: ¿Qué tan crítico para su estrategia general es
abordar el problema específico? ¿Qué tan difícil sería implementar la solución de AI
propuesta, tanto técnica como organizativamente? ¿Valdrán la pena los beneficios del
lanzamiento de la aplicación?
 SELECCIONANDO LA TECNOLOGÍA. El tercer proceso evaluar examina si las herramientas
de AI que se están considerando para cada caso de uso están realmente a la altura de la
tarea.
PROBLEMÁTICA
La gran cantidad de documentos que se generan durante los procesos judiciales en los juzgados
de la ciudad de Bogotá se ha convertido en un problema INMANEJABLE, es necesario unificar los
criterios de clasificación, búsqueda y presentación de estos documentos a fin de evitar el
desgaste de recursos importantes como:
 Tiempo clasificando los documentos anexos a los procesos, ubicando archivos impresos,
digitalizando estos documentos, retraso en el inicio, evaluación y respuesta de los
procesos/oficios.
 Personal se pierden conocimientos, capacitación y nuevos talentos que se pueden
utilizar para apoyar otras actividades.
 Dinero en contratación de personal, en el costo de duración de los oficios,
mantenimiento del archivo.
SOLUCIÓN
Implementar un SISTEMA IA basado en el principio de las redes neuronales, donde se
programen terminales de Deep learning, esta solución contendrá algoritmos de patrones,
reconocimiento de modelos usando ejemplos de todos los oficios, con sus documentos anexos y
cualquier otro requerimiento que se pudiese tener, se usara también nodos de entrada que se
encargaran de la verificación, instrucciones ocultas y nodos de salida que aseguren que los
oficios son aceptados.

Los sistemas de Análisis automático de texto (Text Analytics) tienen por objetivo entender la
información no estructurada expresada en una lengua y convertirla en información estructurada,
bien como resumen de su contenido, como una relación entre sus elementos más significativos o
clasificando un documento por tu tipología temática. La tecnología IA de este campo se encuentra
fuertemente desarrolla y es de fácil soporte.

Si bien se puede triplicar el volumen de información y se hara necesaria una inversión alta para
su almacenamiento, esta solución simplificara y agilizara el funcionamiento de las entidades
judiciales de la ciudad de Bogotá. Según el estudio publicado por la International Data
Corporation (IDC) (Gantz and Reinsel, 2012), en el año 2012 se generó en internet 2.8 zettabytes
de información digital, esta cantidad fue catorce veces más grande que en los 5 años anteriores.
Esto ha motivado el desarrollo de métodos automáticos de clasificación para dar solución a este
problema, los resultados son óptimos, la productividad ha aumentado, se han generado avances
en la cultura de las organizaciones así como la calidad de los empleos.
Automatización tradicional
La automatización tradicional comienza con una evaluación manual:
1. Un proyecto gestionado adecuadamente requiere un inventario de documentación para
cada tipo de oficio, es necesario que todos queden registrados con código de
identificación.
2. A continuación, el personal recoge ejemplos de todos los tipos de documentos de
diferentes fuentes.
3. Organizan cientos de estos documentos por tipo y los revisan para identificar
características únicas para la identificación automática en un flujo de trabajo de
aprobación típica.
4. Una vez que el personal identifica todas las características de los documentos, un
analista las codifica como reglas dentro de un sistema de captura de documentos.
5. Las reglas deben ser probadas para descubrir cualquier clasificación errónea que
requiera agregar nuevas reglas o afinar las ya existentes.
6. Después de completar las pruebas y ajustes, las reglas entran en el flujo de trabajo de
producción.
7. A continuación, es necesario crear unas reglas que busquen los datos necesarios dentro
de los documentos antes de que se puedan extraer y validar los datos.
8. Se lleva a cabo un proceso similar de análisis, pruebas y ajustes para asegurar que se
extrae la máxima cantidad de datos y para comprender la precisión que rige cuando se
necesita una revisión manual.
9. Debido a que muchos documentos no están estandarizados, se debe crear una amplia
gama de reglas.

Para el descubrimiento inicial de documentos se puede usar una técnica llamado clustering para
automatizar el agrupamiento lógico de documentos similares. Las aplicaciones pueden
agruparse con otras aplicaciones, por ejemplo si se encontrasen archivos fotográficos como
licencias de conducción estas se agrupan con documentos de identificación, y así
sucesivamente.

El resultado es un conjunto de documentos agrupados por similitud que luego pueden ser
evaluados. Estos grupos forman la base de muestras de clases de documentos que se pone en el
sistema, donde el software identifica automáticamente las características de cada uno y crea
reglas.
La creación de reglas de extracción de datos es un enfoque similar. El requisito más importante
es que la organización debe tener un mayor número de muestras, pero también tener datos
reales, que son los resultados reales de lo que debería ser la extracción de datos.

Por ejemplo, un usuario suministra al sistema una muestra junto con los valores reales del
campo que se deben extraer. De esta forma, se entrena automáticamente al software para
localizar los datos coincidentes y derivar reglas de posición para cada campo de datos. Se debe
hacer esto para cada muestra y luego, automáticamente, crear algoritmos basados en la
ubicación exacta, cambios en la colocación de cada ejemplo y posición relativa a otros datos.

VENTAJAS

 La creación de reglas es simple ya que el usuario no codifica las reglas.

 Las reglas son identificadas y calificadas por humanos. La comprensión de por qué el
sistema proporciona cierta salida bajo diversas circunstancias es clara.
 Muchas veces los documentos son altamente estandarizados o son formas
estructuradas. La aplicación de reglas basadas en plantillas asegura que los errores
relacionados con la ubicación de los datos se eliminan en su mayoría. La precisión global
puede ser mucho mayor que la proporcionada por un sistema de machine learning que
intenta generalizar la ubicación de los datos.

 Además, los ajustes pueden ser manejados mediante la adición de muestras de los
nuevos documentos junto con los datos asociados a la realidad.

 Los expertos y personas técnicas para codificar el sistema son menos necesarios.

CONTRAS
 Una desventaja de las reglas codificadas es el tiempo que se tarda en alcanzar un nivel
aceptable de automatización. Desarrollar un rendimiento aceptable de datos
semiestructurados como facturas lleva mucho tiempo.
 Otra desventaja es la necesidad de un experto en la materia para calificar el sistema. La
disponibilidad de expertos puede ser difícil de conseguir, inicialmente, cuando el sistema
debe ser revisado debido a los cambios en los requisitos.

 Los inconvenientes de este tipo de enfoque son imágenes espejo del enfoque del
sistema experto.

 Solucionar problemas de salida incorrecta es un reto y requiere agregar nuevas muestras

y revisar los resultados para ver si han mejorado.
  Tener un sistema de aprendizaje para desarrollar sus propias reglas de ubicación de
campos podría tener más errores que simplemente proporcionar coordenadas
especialmente para formularios estructurados.

CONCLUSIONES

En este trabajo se presentó una nueva propuesta para clasificar e identificar documentos
basados en palabras claves que aprovecha la información semántica, gráfica y de patrones que
existen en los documentos, la identificación de la tipología de documentos, reconocimiento de
los patrones contenidos. La implementación de este sistema clasificador fue motivada por las
características especiales que presentan los textos legales y su pertenencia.
Los resultados obtenidos en los experimentos nos permiten concluir que la información
semántica, gráfica y de patrones ayuda agilizando la captura de palabras clave, mientras que los
algoritmos de reconocimiento permiten que el clasificador cree categorías de documentos para
que finalmente se establezcan patrones que son aprendidos por las máquinas.
Saber cómo funcionan estos enfoques ofrece la posibilidad de seleccionar el mejor con base en
las necesidades específicas que se tengan en cada momento.
BIBLIOGRAFIA
Thomas Davenport, Rajeev Ronanki. (Enero-febrero 2018). Artificial Intelligence for the Real World.
Harvard Business Review, 96, 108-116.

Hermes Ruiz Rincón. (Septiembre 2018). Aplicación de la Inteligencia Artificial En Los Procesos De
Gestión Humana. Gestión Humana, Ed. LEGIS 29, 25-30.

Pedro Domingos. (Noviembre 2018). Nuestros Dobles Digitales. Investigación Y Ciencia, 506, 76-81.

Andres Garcia. (2014). Clasificación De Textos Por Redes De Palabras. 2014, de REVISTA SIGNOS Sitio
web: http://andreseduardogarcia.blogspot.com/2012/01/revisando-gestion-documental-
16012012.html

Roque Enrique López Condori. (2014). Organización de Documentos mediante Grafos de Relaciones
Semánticas. 2014, de Universidad de San Agustín Sitio web: file//41-Article-54-1-10-20170205.pdf,
Organización de documentos mediante grafos de relaciones semánticas

Pino, R., Gómez A. & de Abajo N., Introduccióna la inteligencia artificial univ. De Oviedo. Recuperado
de: https://books.google.es/books?hl=es&lr=&id=RKqLMCw3IUkC&oi=fnd&pg=PA1
0&dq=inteligencia+artificial+aplicada+a+los+negocios&ots=iFKCm0xZbR&sig=L
Qn3AYSfEgpiihwYSzmWwswlzxo#v=onepage&q&f=false

Material de estudio, Modulo Seminario de grado (2016). Especialización en Alta Gerencia, Universidad
Militar Nueva Granada UNMG.

https://scielo.conicyt.cl/pdf/signos/v47n86/a01.pdf
http://andreseduardogarcia.blogspot.com/2012/01/revisando-gestion-documental-
16012012.html
file:///D:/Downloads/41-Article-54-1-10-20170205.pdf, Organización de documentos
mediante grafos de relaciones semánticas
https://repositorio.uam.es/xmlui/bitstream/handle/10486/1279/16384_moreno_lloren
a_jaime.pdf?sequence=1&isAllowed=y