Apoyo básico para una aproximación teórica sobre el Aprendizaje Automático en SEGD.

1. Aprendizaje Automático en
Sistemas Electrónicos de Gestión
de Documentos
Máster Universitario en Bibliotecas, Archivos y Continuidad Digital
Trabajo Fin de Máster
Tutor Ricardo Eito-Brun Madrid, 2023
Arturo Delgado Ruiz

2. OBJETIVOS
 ¿cuándo un modelo de aprendizaje automático genera la confianza para ser
implementado en un sistema de gestión de documentos electrónicos?
 Aplicabilidad y viabilidad del ML en la gestión de documentos.
 ¿es posible lograrlo actualmente?
 IA en el ámbito de la gestión documental, revisión de contribuciones no solo académicas.
 Elaboración de un repertorio bibliográfico: identificación, análisis y resumen de
contribuciones recientes.
 Experimentación con una herramienta de aprendizaje automático.

3. FUENTES
 FUENTES
 Normas ISO
 Google Académico
 ResearchGate
 Repositorio institucional de la Universidad de Cornell
 InterPares Trust
 Guía de Microsoft Machine Learning Studio (MMLS)
 Internet

4. METODOLOGÍA
 BIBLIOGRAFIA
 Investigación
 Recopilación / Búsqueda / Selección de artículos
 Consulta de normas ISO / Unificación de terminología
 Diseño de fichas descriptivas
 HERRAMIENTA: Microsoft Machine Learning Studio
 Lectura de la GUIA
 Experimentación con la herramienta

5. RESULTADOS
 Del análisis de la bibliografía
 Falta de visión crítica
 Ausencia de fuentes
 Huella de carbono y Tecnologías verdes.
 un correo electrónico puede generar aproximadamente cincuenta gramos de carbono y cada búsqueda realizada un 0,2
 sexto más contaminante (alrededor del 7% de la energía que se consume en el planeta deriva de la demanda energética asociada al consumo
de internet).
 Publicación de las Normas
 ISO/IEC TR 24368: 2022 / Tecnología de la Información – Inteligencia Artificial – Visión general de consideraciones éticas y sociales.
 ISO/IEC 22989:2022 / Conceptos y terminología.
 UNE-EN ISO/IEC 23053:2022 / Marco para sistemas de inteligencia artificial (IA) que utilizan Machine Learning.
 ISO/IEC 23894:2023 / Tecnología de la información — Inteligencia Artificial — Gestión del riesgo.
 ISO/IEC TR 24028:2020 / Tecnología de la Información – Inteligencia Artificial — Visión general de la confiabilidad en Inteligencia Artificial
 Aplicaciones más frecuentes

6. FUNCIONALIDADES de MMLS
Preprocess text
Extract Features
Split data
Multiclass Logistic Regression
Score model
Evaluación del modelo

7. Scored label
Precisión del método
de clasificación

8. CONCLUSIÓN y
FUTURAS LÍNEAS DE TRABAJO
 Las ventajas de la IA solo pueden adquirirse si se aplican a problemas concretos.
 Sostenibilidad
 Es necesario combinar el progreso en la aplicación de algoritmos IA con la valoración de su coste
energético y contaminante.
 Especialización
 Hablar el mismo lenguaje
 Legislación
 Ley de Inteligencia Artificial (Junio).