Agrupamiento de escenarios con clustering no supervisado

Autores
Kaplan, Gladys Noemí; Bertín, María Inés; Riera, Gerardo; Blanco, Gabriel Esteban
Año de publicación
2025
Idioma
español castellano
Tipo de recurso
documento de conferencia
Estado
versión publicada
Descripción
Aunque la inteligencia artificial (IA) ha revolucionado muchos aspectos del desarrollo de software y en particular, de la Ingeniería de Requisitos, todavía hay áreas donde su intervención es limitada ya que no puede reemplazar completamente el trabajo humano, como ser áreas de creatividad, negociación, intuición y la toma de decisiones humanas. Particularmente, en la Ingeniería de Requisitos, la IA se utiliza en la forma en que se recopilan, analizan, validan y gestionan los requisitos. Existen varias tecnologías y herramientas de IA aplicadas a esta disciplina, que incluyen Procesamiento del Lenguaje Natural (PLN), Machine Learning (ML), minería de requisitos y automatización de análisis. En el presente artículo se propone una primera aproximación al tema, extrayendo características de los escenarios futuros mediante patrones de similitud semántica. Posteriormente, se aplica el clustering no supervisado, en este caso K-Means, una técnica de Machine Learning que permite agrupar datos de manera automática. Este enfoque permite automatizar y mejorar la validación de requisitos, agrupar requisitos automáticamente en categorías significativas, priorizar requisitos según su relevancia en los escenarios, mejorar la claridad y trazabilidad, facilitar la gestión de cambios con agrupaciones dinámicas.
Red de Universidades con Carreras en Informática
Materia
Ciencias Informáticas
Ingeniería de Requisitos
escenarios futuros
Machine Learning
clustering
Nivel de accesibilidad
acceso abierto
Condiciones de uso
http://creativecommons.org/licenses/by-nc-sa/4.0/
Repositorio
SEDICI (UNLP)
Institución
Universidad Nacional de La Plata
OAI Identificador
oai:sedici.unlp.edu.ar:10915/183916
Acceder
id SEDICI_a1456ed8e168f4039e9e5d8ffa109e9f
oai_identifier_str oai:sedici.unlp.edu.ar:10915/183916
network_acronym_str SEDICI
repository_id_str 1329
network_name_str SEDICI (UNLP)
spelling Agrupamiento de escenarios con clustering no supervisadoKaplan, Gladys NoemíBertín, María InésRiera, GerardoBlanco, Gabriel EstebanCiencias InformáticasIngeniería de Requisitosescenarios futurosMachine LearningclusteringAunque la inteligencia artificial (IA) ha revolucionado muchos aspectos del desarrollo de software y en particular, de la Ingeniería de Requisitos, todavía hay áreas donde su intervención es limitada ya que no puede reemplazar completamente el trabajo humano, como ser áreas de creatividad, negociación, intuición y la toma de decisiones humanas. Particularmente, en la Ingeniería de Requisitos, la IA se utiliza en la forma en que se recopilan, analizan, validan y gestionan los requisitos. Existen varias tecnologías y herramientas de IA aplicadas a esta disciplina, que incluyen Procesamiento del Lenguaje Natural (PLN), Machine Learning (ML), minería de requisitos y automatización de análisis. En el presente artículo se propone una primera aproximación al tema, extrayendo características de los escenarios futuros mediante patrones de similitud semántica. Posteriormente, se aplica el clustering no supervisado, en este caso K-Means, una técnica de Machine Learning que permite agrupar datos de manera automática. Este enfoque permite automatizar y mejorar la validación de requisitos, agrupar requisitos automáticamente en categorías significativas, priorizar requisitos según su relevancia en los escenarios, mejorar la claridad y trazabilidad, facilitar la gestión de cambios con agrupaciones dinámicas.Red de Universidades con Carreras en Informática2025-04info:eu-repo/semantics/conferenceObjectinfo:eu-repo/semantics/publishedVersionObjeto de conferenciahttp://purl.org/coar/resource_type/c_5794info:ar-repo/semantics/documentoDeConferenciaapplication/pdf265-269http://sedici.unlp.edu.ar/handle/10915/183916spainfo:eu-repo/semantics/altIdentifier/isbn/978-987-575-267-2info:eu-repo/semantics/reference/url/https://sedici.unlp.edu.ar/handle/10915/182261info:eu-repo/semantics/openAccesshttp://creativecommons.org/licenses/by-nc-sa/4.0/Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0)reponame:SEDICI (UNLP)instname:Universidad Nacional de La Platainstacron:UNLP2025-09-29T11:50:13Zoai:sedici.unlp.edu.ar:10915/183916Institucionalhttp://sedici.unlp.edu.ar/Universidad públicaNo correspondehttp://sedici.unlp.edu.ar/oai/snrdalira@sedici.unlp.edu.arArgentinaNo correspondeNo correspondeNo correspondeopendoar:13292025-09-29 11:50:13.561SEDICI (UNLP) - Universidad Nacional de La Platafalse
dc.title.none.fl_str_mv Agrupamiento de escenarios con clustering no supervisado
title Agrupamiento de escenarios con clustering no supervisado
spellingShingle Agrupamiento de escenarios con clustering no supervisado
Kaplan, Gladys Noemí
Ciencias Informáticas
Ingeniería de Requisitos
escenarios futuros
Machine Learning
clustering
title_short Agrupamiento de escenarios con clustering no supervisado
title_full Agrupamiento de escenarios con clustering no supervisado
title_fullStr Agrupamiento de escenarios con clustering no supervisado
title_full_unstemmed Agrupamiento de escenarios con clustering no supervisado
title_sort Agrupamiento de escenarios con clustering no supervisado
dc.creator.none.fl_str_mv Kaplan, Gladys Noemí
Bertín, María Inés
Riera, Gerardo
Blanco, Gabriel Esteban
author Kaplan, Gladys Noemí
author_facet Kaplan, Gladys Noemí
Bertín, María Inés
Riera, Gerardo
Blanco, Gabriel Esteban
author_role author
author2 Bertín, María Inés
Riera, Gerardo
Blanco, Gabriel Esteban
author2_role author
author
author
dc.subject.none.fl_str_mv Ciencias Informáticas
Ingeniería de Requisitos
escenarios futuros
Machine Learning
clustering
topic Ciencias Informáticas
Ingeniería de Requisitos
escenarios futuros
Machine Learning
clustering
dc.description.none.fl_txt_mv Aunque la inteligencia artificial (IA) ha revolucionado muchos aspectos del desarrollo de software y en particular, de la Ingeniería de Requisitos, todavía hay áreas donde su intervención es limitada ya que no puede reemplazar completamente el trabajo humano, como ser áreas de creatividad, negociación, intuición y la toma de decisiones humanas. Particularmente, en la Ingeniería de Requisitos, la IA se utiliza en la forma en que se recopilan, analizan, validan y gestionan los requisitos. Existen varias tecnologías y herramientas de IA aplicadas a esta disciplina, que incluyen Procesamiento del Lenguaje Natural (PLN), Machine Learning (ML), minería de requisitos y automatización de análisis. En el presente artículo se propone una primera aproximación al tema, extrayendo características de los escenarios futuros mediante patrones de similitud semántica. Posteriormente, se aplica el clustering no supervisado, en este caso K-Means, una técnica de Machine Learning que permite agrupar datos de manera automática. Este enfoque permite automatizar y mejorar la validación de requisitos, agrupar requisitos automáticamente en categorías significativas, priorizar requisitos según su relevancia en los escenarios, mejorar la claridad y trazabilidad, facilitar la gestión de cambios con agrupaciones dinámicas.
Red de Universidades con Carreras en Informática
description Aunque la inteligencia artificial (IA) ha revolucionado muchos aspectos del desarrollo de software y en particular, de la Ingeniería de Requisitos, todavía hay áreas donde su intervención es limitada ya que no puede reemplazar completamente el trabajo humano, como ser áreas de creatividad, negociación, intuición y la toma de decisiones humanas. Particularmente, en la Ingeniería de Requisitos, la IA se utiliza en la forma en que se recopilan, analizan, validan y gestionan los requisitos. Existen varias tecnologías y herramientas de IA aplicadas a esta disciplina, que incluyen Procesamiento del Lenguaje Natural (PLN), Machine Learning (ML), minería de requisitos y automatización de análisis. En el presente artículo se propone una primera aproximación al tema, extrayendo características de los escenarios futuros mediante patrones de similitud semántica. Posteriormente, se aplica el clustering no supervisado, en este caso K-Means, una técnica de Machine Learning que permite agrupar datos de manera automática. Este enfoque permite automatizar y mejorar la validación de requisitos, agrupar requisitos automáticamente en categorías significativas, priorizar requisitos según su relevancia en los escenarios, mejorar la claridad y trazabilidad, facilitar la gestión de cambios con agrupaciones dinámicas.
publishDate 2025
dc.date.none.fl_str_mv 2025-04
dc.type.none.fl_str_mv info:eu-repo/semantics/conferenceObject
info:eu-repo/semantics/publishedVersion
Objeto de conferencia
http://purl.org/coar/resource_type/c_5794
info:ar-repo/semantics/documentoDeConferencia
format conferenceObject
status_str publishedVersion
dc.identifier.none.fl_str_mv http://sedici.unlp.edu.ar/handle/10915/183916
url http://sedici.unlp.edu.ar/handle/10915/183916
dc.language.none.fl_str_mv spa
language spa
dc.relation.none.fl_str_mv info:eu-repo/semantics/altIdentifier/isbn/978-987-575-267-2
info:eu-repo/semantics/reference/url/https://sedici.unlp.edu.ar/handle/10915/182261
dc.rights.none.fl_str_mv info:eu-repo/semantics/openAccess
http://creativecommons.org/licenses/by-nc-sa/4.0/
Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0)
eu_rights_str_mv openAccess
rights_invalid_str_mv http://creativecommons.org/licenses/by-nc-sa/4.0/
Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0)
dc.format.none.fl_str_mv application/pdf
265-269
dc.source.none.fl_str_mv reponame:SEDICI (UNLP)
instname:Universidad Nacional de La Plata
instacron:UNLP
reponame_str SEDICI (UNLP)
collection SEDICI (UNLP)
instname_str Universidad Nacional de La Plata
instacron_str UNLP
institution UNLP
repository.name.fl_str_mv SEDICI (UNLP) - Universidad Nacional de La Plata
repository.mail.fl_str_mv alira@sedici.unlp.edu.ar
_version_ 1844616361453551616
score 13.070432

Publicaciones similares