REPÚBLICA BOLIVARIANA DE VENEZUELA

MINISTERIO DEL PODER POPULAR PARA LA EDUCACIÓN

UNIVERSIDAD NACIONAL EXPERIMENTAL
POLITÉCNICA DE LA FUERZA ARMADA
UNEFA – NÚCLEO ANZOÁTEGUI

E.A.D DE INVESTIGACIÓN
CARRERA: INGENIERÍA DE SISTEMAS

ESTIMACIÓN DE LA EFICACIA EN LA APLICACIÓN

DEL ALGORITMO DE INTELIGENCIA ARTIFICIAL
BACKPROPAGATION PARA LA FORMACIÓN DE
EQUIPOS DE TRABAJO EN LAS EMPRESAS DE
DESARROLLO DE SOFTWARE

Tutor: Autor:
LCDO. JOSÉ GONZÁLEZ JOSE ANTONIO DIAZ

C.I V-29.798.172

Junio, 2021
 2

INTRODUCCION

El software es parte de casi cualquier proceso que llevamos a cabo en nuestra vida diaria.

Por tal razón su desarrollo es una práctica que dependiendo de qué tan apropiada sea, tendrá un

efecto significativo en los usuarios que utilizan estas aplicaciones. Un claro ejemplo de su

influencia se ve en el gran cambio que han tenido los modelos organizacionales en las últimas

décadas. Anteriormente la forma más práctica de almacenar información era a través de medios

físicos, quizá en algunas recamaras, sin embargo aunque aún es recurrente éste método, hoy en

día es posible almacenar grandes cantidades de información tanto para el uso personal como

laboral en dispositivos del tamaño de nuestro dedo pulgar. De ésta manera vemos la pertinencia

de ésta herramienta y su impacto en la sociedad. Bajo este concepto vemos el resultado del

desarrollo de software como algo más que productos en el mercado, más bien podría

considerarse como un proceso en el que se desarrollan herramientas que ayudan al ser humano a

cumplir con sus actividades, aún con la trascendencia que ha tenido el desarrollo de software, de

manera impresionante miles de proyectos de software por todo el mundo fracasan

constantemente debido al escaso conocimiento que tienen las organizaciones sobre las causas

habituales que promueven estos resultados y por ello es necesario implementar metodologías

que ayuden a concluir los proyectos de manera exitosa. En esta investigación se señala uno de

los factores más resaltantes que contribuye a dichos fracasos y se propone la aplicación de la

inteligencia artificial para abordar esta problemática. Además se podrá apreciar información del

estado actual de la industria de software, y lo pertinente que es éste campo laboral. Al final de

éste trabajo podrá concluir por qué es importante la incursión de la inteligencia artificial en los

procesos del desarrollo de software, las ventajas y los efectos organizacionales que originaría

implementar en tales procedimientos ésta tecnología.

 3

CAPITULO I
(PROBLEMA DE INVESTIGACIÓN)

1.1 Planteamiento del problema

En la actualidad el software se encuentra prácticamente en cualquier lugar, forma parte de

dispositivos móviles, computadoras, electrodomésticos, juguetes, entre otras cosas. La

importancia de ésta herramienta es tanta hoy en día que podemos ver cómo influye en casi todas

las organizaciones ya sea en menor o mayor medida. La razón por la que un conjunto de

dispositivos funcionan correctamente se debe a que en algún momento hubo un equipo de

desarrolladores que formo parte de la creación, gestión, mantenimiento y pruebas del ámbito

lógico y funcional que tendría éste dispositivo, es decir la programación, lo que involucra el

desarrollo de software. Es notable ver a diario como aplicaciones que utilizamos cotidianamente

requieren de forma periódica una actualización, lo cual ocurre debido al constante desarrollo de

nuevas tecnologías en el área informática.

El campo del desarrollo de software crece exponencialmente a medida que pasa el tiempo

y cada vez son más demandadas las organizaciones que puedan cumplir las solicitudes de

desarrollo planteadas por los usuarios. A nivel mundial existen miles de organizaciones que se

dedican al desarrollo de software, algunas empresas reconocidas en esta área son Microsoft,

Oracle, IBM, entre otras. Y aunque el desarrollo de software se ha convertido en un campo

laboral en crecimiento, lo cierto es que de forma trágica alrededor del 70% de estos proyectos

llegan a presentar problemas o inclusive a fracasar según reporta el Standish Group. Tras un

estudio realizado a aproximadamente 50 personas las cuales en su mayoría tienen una trayectoria

bastante extensa de participación en este tipo de empresas según (Iván Rojas e Ingrid Polo,
 4

2020), se demostró que el mayor nivel de incidencia en los fracasos de los proyectos de software

la tiene el equipo del proyecto.

Aunque los Estados Unidos participe mayoritariamente en éste campo laboral, muchas

organizaciones en Latinoamérica también han tomado la decisión de emprender en esta área. Si

bien algunas empresas son más productivas que otras, las deficiencias en el desarrollo de sus

proyectos aún giran en torno a la falta de capacidad y organización de las personas involucradas

para llevar a cabo la ejecución del proyecto. Según un estudio realizado al desarrollo de software

que se llevó a cabo para dos empresas en Latinoamérica se notó que ambos proyectos habían

tenido problemas y por lo tanto fracasaron, dentro de los factores que incidieron en el fracaso, se

ven involucrados la falta de formación académica por parte del equipo del proyecto, su falta de

motivación, comunicación, entre otros factores.

Nacionalmente, según (Rivero, et al, 2014) Aunque la industria nacional de software en

Venezuela es relativamente joven, un estudio determinó que existen más de 150 organizaciones

en el país que se dedican a este campo, además en alrededor de 70 empresas nacionales se estima

que el 26% de ellas tienen más de doce años como empresas constituidas, y el resto tienen en el

mercado entre 1 y 12 años. El 33% de estas organizaciones distribuye sus proyectos a nivel

internacional, mientras que el restante vende sus productos en el mercado nacional. Esto refleja

el claro nivel de participación que posee el estado Venezolano en éste campo tan particular y

complejo.

Esta participación no radica únicamente en la capital del estado si no que en distintas

zonas del país existen algunas de estas organizaciones dedicadas al desarrollo de software,
 5

exclusivamente en el estado Anzoátegui existen algunas tanto formales como informales con

medios publicitarios a través de redes sociales y otras alternativas.

De acuerdo con una investigación llevada a cabo por el Standish Group International

(2014) la cual es aplicada a los proyectos de software a nivel mundial, solo el 16% de los

proyectos son entregados a tiempo con en el costo inicialmente planeado, un 31,3% son

cancelados antes de que se completen y un 52,7% de los proyectos terminan sus costos en 189%

del acordado. Con los datos anteriormente expuestos es claro que ocurre un problema de gran

envergadura en la gestión de proyectos de software, problema el cual recae mayormente sobre la

gestión del recurso humano destinado a elaborar dichos proyectos (Iván Rojas e Ingrid Polo,

2020).

Como es lógico, el equipo de trabajo es uno de los factores que influye en el resultado de

los proyectos, en el desarrollo de software es muy común que se vean deficiencias en estos

equipos debido a la falta de relación interpersonal, comunicación, formación académica,

interacción con los stakesholders de la organización, entre otras cosas. (Pinto J., 2015) menciona

que aspectos como el liderazgo, apoyo de la alta gerencia, motivación del personal y el cliente,

son factores que de no tomarse en cuenta pueden contribuir al fracaso de los proyectos.

El desarrollo de software es considerado por muchos como uno de los campos más

complejos de manejar y esto anidado a la ineficiente gestión de los equipos de trabajo a hecho

que las empresas de desarrollo de software a nivel mundial atraviesen una época que algunos

denominan como “la crisis del software” la cual su nombre deriva de la gran tasa porcentual de

fracaso que tienen muchos de estos proyectos al ponerse en marcha, de hecho, el Standish Group
 6

publica anualmente un reporte estadístico muy reconocido referente a la situación actual de los

proyectos de software a nivel mundial conocido como “Reporte del caos”.

Hoy en día podemos observar una gran variedad de programas informáticos como

resultado de la innumerable formación de proyectos de software, aun así lo cierto es que en su

gran mayoría muchos de estos proyectos no llegan a salir a la luz, la razón principal que produce

que los equipos que desarrollan estos proyectos no tengan el rendimiento adecuado mencionan

(Iván Rojas e Ingrid Polo, 2020) es la falta de comunicación entre el equipo del proyecto. Esto

podría radicar a partir de una vaga selección del personal, el que no se haga una investigación

detallada del impacto que tendría organizar o seleccionar equipos podría ocasionar una serie de

consecuencias que resultarían en rotación del personal, pérdida de la productividad,

insatisfacción, dedicar más tiempo a la búsqueda de personal capacitado, entre otras cosas. Por

supuesto esto representaría un déficit económico para la organización, e impactaría sobre el

resultado de los proyectos y por consiguiente la opinión que tienen los clientes acerca de la

empresa.

Algunas organizaciones recurren a diversas metodologías de reclutamiento a través de

técnicas con las cuales obtienen información detallada sobre las capacidades y personalidad que

tienen los trabajadores, este tipo de test o pruebas son aplicables tanto al personal que se

encuentra laborando en la organización como aquellos que deseen ingresar a ella, por lo general

es más fácil evaluar a quienes tienen ya un historial de trabajo en la empresa ya que a partir de

los resultados que ha demostrado durante su labor diaria es posible deducir con más exactitud

que destrezas y deficiencias tiene. Algunas de estas prácticas incluyen cuestionarios, pruebas de

capacidades, análisis de los formularios de solicitud, y otros métodos novedosos.

Ocasionalmente algunas de estas pruebas pudieran centrarse únicamente en las capacidades

 7

técnicas que tiene una persona, lo que por supuesto sería un error, ya que las cualidades

interpersonales que alguien posee ayuda a que pueda existir un ambiente de conformidad,

comunicación, y flexibilidad ante los problemas. Algunas de éstas características bastante útiles

para la gestión de proyectos son el buen dialecto, flexibilidad, empatía, trabajo en equipo,

manejo de conflictos, dirección, entre otros.

En ocasiones podría suceder que durante la selección del recurso humano se escoja un

grupo de personas que posean las mismas habilidades o especialidades, lo que no es muy

práctico ya que varias investigaciones demuestran que los equipos interdisciplinarios (cuyo

personal está conformado por personas que poseen diferentes disciplinas) son mucho más

eficientes. La interdisciplinariedad es un factor relevante durante el desarrollo de software ya que

éste tipo de proyectos en parte se fundamenta en la creatividad que tiene la organización, y la

diversidad de opiniones que puede aportar un equipo interdisciplinario podría causar un buen

impacto en los resultados. La correcta selección de un equipo interdisciplinario se sustenta en la

elección de profesiones que puedan complementarse unas con otras, y aunque esto no es una

tarea fácil, los datos recolectados a partir de las metodologías de reclutamiento que guardan

dichas organizaciones podrían serles de utilidad para calificar que personas pudieran trabajar

mejor con otras.

La ineficiente gestión de los recursos humanos que participan en los proyectos de

software suelen ser muy recurrentes en esta industria, esto puede ocurrir debido a la complejidad

que representa este sector laboral y a la falta de familiarización que tienen las organizaciones con

ésta área. Otro factor que pudiera impulsar una inadecuada gestión del recurso humano es el

deficiente análisis que se hace sobre las capacidades técnicas e interpersonales de los

participantes para determinar el nivel de productividad que pueden aportar cada uno, y que
 8

dependiendo de las cualidades que éste posea pueda ser agrupado en un equipo de trabajo para

que lo complemente.

El efecto que ha tenido desestimar la importancia que tiene la selección de equipos para

el desarrollo de software ha tenido un impacto directo y significativo sobre el progreso de las

organizaciones y por consiguiente su reputación. Según los reportes que provee el Standish

Group, la alta tasa porcentual de fracaso en los proyectos de software no ha disminuido a través

de los años y a partir de tales reportes se siguen creando nuevos protocolos de mejoramiento de

los procesos organizacionales dentro de una empresa de software. Aunque algunos se han

concentrado en atacar problemas como la falta de inversión, disminución en los tiempos de

entrega de los productos, más patrocinio, entre otros. En ocasiones pudieran no tomarse en

cuenta los aspectos que mejoran significativamente el impacto emocional de los trabajadores,

tales como el ambiente de trabajo, incentivos, reconocimientos, entre otras cosas. Esto quizá se

deba a que en términos jerárquicos por lo general se suele dejar al equipo de trabajo en una

posición bastante baja, y al restarle interés no se toman decisiones en cuanto a optimizar su

productividad.

Para este campo laboral tan complejo algo que podrá ayudar a estas organizaciones a

solucionar la ineficiente selección y agrupación de los equipos de trabajo y tener una mayor

productividad en el desempeño de sus actividades podría ser la implementación de un algoritmo

que identifique y seleccione la mejor agrupación posible de personas a partir de un conjunto de

ellas que posean distintas habilidades y diversas cualidades interpersonales. Por esta razón a

través de una investigación exhaustiva se pretende describir la eficiencia que podría tener la

incursión de la inteligencia artificial en esta problemática.

 9

1.2 Objetivos

1.2.1 Objetivo General

Estimar la eficacia del algoritmo de inteligencia artificial backpropagation

para la selección de equipos de trabajo en las empresas de desarrollo de

software.

1.2.2 Objetivos específicos

 Identificar un modelo de red neuronal artificial idóneo mediante un

estudio documental que permita incorporar un algoritmo de aprendizaje

supervisado.

 Aplicar el algoritmo de aprendizaje supervisado backpropagation

sobre la red neuronal escogida para obtener datos que proyecten su desempeño.

 Recolectar información adicional relevante acerca de la utilidad que

proveería el algoritmo por medio de cuestionarios.

 Comparar los resultados obtenidos con los que ofrecen métodos de

formación de equipos habituales por medio de un cuadro comparativo.

1.3 Justificación

Alrededor del mundo miles de personas han decidido emprender ya sea bajo un pequeño

o gran presupuesto en la industria del desarrollo de software, mantenerse en éste campo laboral
 10

dependerá de las decisiones cruciales que tomen sus dirigentes en cuanto a los factores comunes

que afectan la productividad en éstas organizaciones. Por tanto aprender sobre las causas

habituales que tienen mayor incidencia en el fracaso de las actividades de estas empresas podrá

facilitar a los que la dirigen, idear soluciones a tales problemas de forma directa, éste trabajo no

únicamente identifica uno de los factores más influyentes en la estabilidad de los proyectos de

software, sino que también propone una nueva solución basada en la aplicación de inteligencia

artificial para ayudar a estas organizaciones a gestionar los recursos humanos de forma rápida y

con altas probabilidades de éxito.

Gracias a la información suministrada es posible a partir de ella plantear un plan de

acción con los datos obtenidos que solvente la deficiente gestión de los recursos humanos dentro

de las empresas de desarrollo de software a nivel mundial. Uno de los factores que incentivó esta

investigación fue la exponencial tasa porcentual de fracaso que tienen estas organizaciones en

sus proyectos y debido a ello se hizo un análisis de los elementos que tienen mayor incidencia en

estos fracasos. A partir de esta investigación se determinó que la mayor responsabilidad recaía

sobre los equipos de trabajo que se conformaban para elaborar dichos proyectos.

Además, la pertinencia de ésta investigación radica en la perdurabilidad de la deficiente

gestión de los proyectos de software que se mantiene hasta hoy día. Según el último reporte

publicado por el Standish Group del año 2020, se determinó que la tasa porcentual de fracaso de

los proyectos de software a nivel mundial se había mantenido invariable, es decir que no

disminuyó. El mismo reporte después de considerar la relevancia que tiene un buen equipo

dentro de este tipo de organizaciones, cita: “El buen equipo es el caballo de batalla del proyecto.

Ellos hacen el trabajo pesado. El patrocinador da vida al proyecto, pero el equipo toma ese
 11

aliento y lo usa para crear un producto viable que la organización puede usar y del cual obtiene

el valor.”

Cabe resaltar que a día de hoy existen muchos mecanismos de inteligencia artificial que

resuelven problemáticas organizacionales sin incluir demasiados gastos. Esto podría ser una gran

ventaja debido a que las empresas de desarrollo de software se rigen a base de un modelo laboral

que implica seleccionar personal capacitado y mantener una buena organización, conservar este

funcionamiento podría generar gastos elevados si no se recorren a las metodologías más

prácticas en las que se eviten gastos periódicos.

CAPITULO II
(Marco Teórico)

2.1 Antecedentes

En primer lugar se tiene que en Julio de 2016 fue presentado a través de una revista de

ciencias informáticas la aplicación de una red neuronal multicapa para la evaluación de

competencias laborales, para lo cual se requirió de la implementación del algoritmo de

aprendizaje backpropagation.

La finalidad de este estudio fue la de diseñar una red neuronal que permitiera evaluar las

capacidades técnicas de competitividad laboral de un grupo de personas a partir de los datos

recolectados por la aplicación para la gestión de proyectos XEDRO GESPRO, en la

investigación se delimitaron una serie de clases las cuales se definieron como los indicadores

para la caracterización de las competencias con los cuales se podría calcular o estimar las
 12

capacidades de cada individuo, dentro de ellas se encontraban su competencia respecto a la

eficacia en un periodo, la planificación acumulada, la planificación en el periodo, los costos

acumulados, los costos en un periodo, y la consistencia del conjunto acumulado y el conjunto en

un periodo. Dado que las características planteadas en la investigación partían de una base

cualitativa y no cuantitativa, se determinó que habría que asociar a cada clase un valor estimado

del 1 al 6 que permitiría saber que tan especializado estaría el individuo en esa clase en

particular.

Para procesar estos datos los investigadores seleccionaron un modelo de red neuronal

conocida como perceptrón con conexiones feedforward, existen distintos modelos de redes

neuronales adaptados para diferentes problemáticas, en este caso el perceptron es un tipo de red

neuronal artificial desarrollado por Frank Rosenblatt cuyo funcionamiento es como el de un

sensor, ya sea de temperatura, humedad, nivel de líquidos, entre otros, esto es porque al recibir o

bien sea ‘percibir’ datos de entrada, los procesa de modo que emite una salida que es fácilmente

reconocible, ahora bien al dotar a este tipo de red de varias entradas, es decir dos o más, su

funcionamiento sería mucho más práctico ya que a partir de la interacción de todos estos valores

de entrada podría darnos como salida un criterio diferenciador o resultado obtenido a partir de la

interacción de dichas entradas. A partir de esta teoría los investigadores decidieron ponerla en

práctica y con ello diseñaron un modelo matemático que les ayudaría a conseguir el objetivo de

su investigación.

Este trabajo ayudó a ver la efectividad que tiene aplicar métodos de inteligencia artificial

para la solución de problemas en el ámbito de la gestión de los recursos humanos, acerca de la

investigación los autores citan lo siguiente: “La evaluación de competencias es un proceso que

dentro de las entidades es realizado por el personal de la gestión de los RR.HH. Los mismos para
 13

obtener un resultado satisfactorio de este proceso deben realizar un análisis exhaustivo de las

experiencias y conocimientos previos de los RR.HH de la organización. Por ende, en una

organización donde se gestionen un número considerable de RR.HH puede ser agotador el

proceso de evaluar cada una de estas personas, lo cual puede traer como consecuencias falta de

precisión y objetividad en los resultados.” Con esta investigación demostraron que actualmente

una de las técnicas utilizadas para tener en cuenta las experiencias previas, y con ello minimizar

los problemas de la evaluación de competencias, son las redes neuronales artificiales.

Otra consulta que demuestra la eficiencia de la aplicación de redes neuronales en

actividades relacionadas a la gestión del recurso humano es el trabajo de investigación que en

2018 fue presentado ante el Tecnológico Nacional de México en Celaya por un equipo de

investigadores, titulado Mejora del proceso de selección de personal mediante la aplicación

de redes neuronales: un caso de estudio en el sector textil.

Esta investigación surgió a partir del impacto que tiene la mala selección del factor

humano en diversas empresas, lo que por consecuencia produce elevación de los costos

organizacionales, baja productividad, falta de compromiso y alta deserción. Para nadie es un

secreto que el personal que labora en la organización es uno de los recursos más valiosos dentro

de ella, por no decir el que más lo es para no generalizar las opiniones de muchos. El proyecto

involucro la implementación de una red neuronal perceptron multicapa. Como ya se ha

mencionado existen distintos modelos de redes neuronales, algunas formas en las que se propone

que pueden ser clasificadas estas redes, son para la solución de problemas de predicción,

clasificación, asociación, conceptualización, filtrado y optimización. Dado que éste fue un

problema de clasificación la red neuronal perceptron multicapa resultó ser eficaz para abordar

esta situación.
 14

Durante el desarrollo de la red el equipo de investigación decidió utilizar datos

recolectados a partir documentos previamente elaborados que contenían información del recurso

humano como requisiciones de personal, descripción de sus puesto, antecedentes de entrevistas,

pruebas de personalidad, psicométricas y de habilidades. Posteriormente a partir de dicha

información se seleccionaron diversas variables que serían utilizadas para el entrenamiento de la

red neuronal, el tipo de aprendizaje que tuvo esta red fue el aprendizaje supervisado, cuya

función es la de que la red a partir de un histórico de datos pueda aprender cual es la respuesta

adecuada comparando los análisis previamente hechos. Es decir, en este caso gracias a que ya

existía personal en la organización que había participado en estos procesos de selección, es más

sencillo deducir que elección fue correcta y cual no a partir de los resultados obtenidos en el

rendimiento de cada individuo, a partir de esa información la red neuronal podría al analizar

estos datos determinar que selección podría ser más viable y cual no.

Aunque la orientación de esta investigación fue dirigida a una empresa del sector textil,

esta no es la única organización que requiere de una nómina bastante grande para cubrir todas

sus actividades organizacionales. Ya que la investigación se centró en clasificar los aspectos

cualitativos de cada individuo para determinar su capacidad, este estudio guarda una directa

relación con el presente trabajo, el análisis de las características de cada persona permite

determinar la posible trayectoria que pueda tener ésta en la organización y además ayuda a

precisar qué podría aportar o de qué forma podría complementar a un equipo de trabajo.

Esta investigación aclaró el modo en que una red neuronal funciona y es entrenada a

partir de un tipo de aprendizaje que se adapta a los procesos de gestión del recurso humano. Con

esto el estudio logró demostrar que hacer uso de la inteligencia artificial para solucionar éste tipo
 15

de problemáticas permite procesar grandes cantidades de datos en menor tiempo y además

elimina el sesgo humano.

Se han realizado estudios en los que se hace uso de algunas metodologías que buscan

disminuir la ineficiente conformación de equipos dentro de las organizaciones, uno de estos

casos se ve registrado en el trabajo de investigación titulado: Generador de instancias para el

problema de conformación de equipos, publicado en el año 2020, cuyo procedimiento se basó

en la generación de datos siguiendo una distribución estadística determinada que permitió contar

con una base de datos que contribuyera a la búsqueda de soluciones para la conformación de

equipos de proyectos.

Este estudio tomó como base referencial la problemática que existe en la conformación

de equipos en los proyectos de desarrollo de software, haciendo referencia a esto el trabajo pasa

a decir: “El reto de conformar equipos de proyectos apropiados, resulta de gran importancia para

las empresas de desarrollo de software, dado que el equipo juega un papel importante en el éxito

o fracaso de un proyecto. Es por esto que resultan fundamentales criterios como la

incompatibilidad entre personas, sus características psicológicas, los roles a desempeñar, entre

otros. Al realizar combinaciones entre todos los criterios, este proceso a menudo resulta

complejo, por lo que se hace necesario el uso de herramientas que apoyen la toma de

decisiones.” El desarrollo de nuevas tecnologías ha cambiado el modo que se llevan a cabo los

procesos organizacionales, nuestros entornos laborales y sus actividades funcionan de un modo

distinto a como lo hacían hace algunos años, por tal razón es vital la implementación de nuevas

tecnologías orientadas a la gestión del recurso humano que se adapten a las nuevas condiciones

laborales, bajo esta premisa el trabajo de investigación utilizó modelos matemáticos estadísticos

con los que pudiera generar una base de datos para la conformación de equipos. Gracias a la
 16

información que se recopiló en este estudio es posible diseñar soluciones al problema que se

planteó, tomando como herramienta la aplicación para almacenar datos proporcionada por los

investigadores.

Como hemos visto a medida que pasa el tiempo se van desarrollando nuevas técnicas y

metodologías con las que mejorar los procedimientos relacionados a la dirección de personal

dentro de una organización, esta necesidad surge a causa de evitar mantener metodologías de

gestión que se hayan quedado obsoletas, sean ineficientes y por consiguiente pueda ocurrir lo

que se registró en una investigación (presentada ante el IV Congreso Virtual Internacional

Desarrollo Económico, Social y Empresarial en Iberoamérica en el año 2019) que lleva por

nombre Consecuencias de una mala planificación de los recursos humanos.

En esta investigación se detalló la relevancia que tiene en la actualidad el capital humano

y además se identificó como repercute el hecho de que no se lleve a cabo la correcta

planificación de éste recurso, las afectaciones que recibe la empresa se ven a corto, mediano y

largo plazo y además influye directamente en el capital económico de la organización ya sea

elevando el coste en los procedimientos de gestión de personal o disminuyendo el índice de

ganancias a causa de la improductividad. Es importante conocer el papel que desempeñan los

empleados en la organización y el rendimiento que aportan en dichos cargos, si no se determina

correctamente que parte tendrá cada individuo dentro de las actividades que se llevan a cabo en

la empresa para ofrecer la mejor productividad, lo más probable es que los directivos recurran a

la rotación de personal lo que afectaría la estructura de la organización.

El trabajo concluye en que es necesario que toda organización considere al capital

humano como pilar fundamental de la empresa, y que los procesos de gestión del recurso
 17

humano deben de estar orientados a la retención de personal, para lograrlo es necesario

reconocer el valor de su personal, tomar en cuenta el respeto, el buen trato, incentivos, el salario

justo entre otros factores. La selección, evaluación y agrupación de los miembros de la empresa a

través de la implementación de nuevas tecnologías como la inteligencia artificial permitirá

realizar una buena planificación de los recursos humanos.

2.2 Bases teóricas

Inteligencia Artificial

Uno de los amplios términos que recibe éste concepto hace referencia a la simulación del

modo en que razona y toma decisiones el ser humano, intentando imitar su capacidad cognitiva

empleando modelos informáticos o unidades de procesamiento de datos para realizar dichas

actividades, estos incluyen el aprendizaje, el razonamiento y la corrección. (TutorialsPoint,

2018).

En el ámbito de las ciencias de la computación se denomina como inteligencia artificial a

la facultad de razonamiento que ostenta un agente que no está vivo, tal es el caso de un robot, por

citar uno de los ejemplos más populares, y que le fue conferida gracias al diseño y desarrollo de

diversos procesos gestados por los seres humanos. Cabe destacarse que además del poder de

razonar, estos dispositivos son capaces de desarrollar muchas conductas y actividades

especialmente humanas como puede ser resolver un problema dado, practicar un deporte, entre

otros. (Manuel Díaz, 2017).

 18

En la actualidad a través del desarrollo de software se han implementado nuevas

tecnologías de inteligencia artificial que ayudan a resolver problemáticas que los modelos

matemáticos simples no pueden. Gracias a los estudios avanzados que se han hecho en esta rama

es posible que algunos programas informáticos logren asemejar la capacidad que tiene el ser

humano de tomar decisiones que puedan solucionar algunas problemáticas recurrentes, como la

identificación, clasificación, deducción, pronóstico, entre otras cosas.

Redes Neuronales artificiales

La definición más simplista de este concepto es que las redes neuronales artificiales

provienen directamente de las redes neuronales biológicas, y el objetivo de éstas es imitar el

comportamiento de ellas utilizando una red de nodos que representan las neuronas de una red

neuronal biológica. Según (Jose Sailinas, 2018) las redes neuronales artificiales se constituyen de

un gran número de elementos simples de procesamientos llamados nodos o neuronas que están

organizados en capas. Cada neurona está conectada con otras neuronas mediante enlaces de

comunicación y cada una tiene un peso asociado, este peso es la información que será usada por

la red neuronal para resolver un problema determinado.

Las redes neuronales se podrían considerar como un tipo de sistema de procesamiento

adaptativo que logra concretar o resolver ciertas tareas a partir del aprendizaje o el entrenamiento

que se le suministre, se función principal es la de replicar el funcionamiento del sistema nervioso

biológico para lo cual su estructura consta de una serie de entradas las cuales son procesadas

directamente por otras neuronas o nodos para luego de haber realizado la operación emitir un

resultado lo más aproximadamente posible al deseado.

 19

Asociando el concepto a una definición más técnica (Blum A., 1992) menciona que las

redes neuronales artificiales pueden definirse en primera aproximación como redes

interconectadas masivamente en paralelo de elementos básicos muy simples de tipo de software

o hardware con organización jerárquica, capaces de adoptar un comportamiento colectivo

adaptativo con el que intentan interactuar con los objetos del mundo real de modo análogo como

lo hace el sistema nervioso biológico. En resumen el párrafo define que a través de medios

lógicos como el software y físicos como el hardware se pueden construir redes neuronales que

imiten el comportamiento análogo que tiene el sistema nervioso biológico, es decir que a partir

de la información recibida pueda emitir un resultado o una acción tal y como responden los

organismos cuando reciben información a través del tacto, olfato, vista, sabor, y oído.

Modelos neuronales artificiales

Existen dos modelos neuronales generalizados mencionados por (Jaime Suarez, 2017).

Los cuales son los siguientes:

 Modelo de única neurona: Éste suele ser el diseño más simple, puede

realizar modelos sencillos de funciones, pero suele ser improductiva ya que no

resuelve los problemas más fundamentales como los de clasificación compleja.

 Modelo de red neuronal: Como es lógico mientras una red neuronal se

constituya de podrá resolver problemas más complejos, los modelos de red neuronal

pueden constituirse de miles de neuronas, y con ello poder ser más precisos, éste es el

modelo que se utiliza generalmente para resolver los problemas comunes de

identificación, pronóstico, clasificación, numéricos, entre otros.

 20

Clasificación de las redes neuronales

Existen tres pilares fundamentales en los que se pueden clasificar las redes neuronales,

dentro de ellos podemos destacar su arquitectura, el tipo de aprendizaje y sus aplicaciones.

Según su arquitectura

 Monocapa: estas redes neuronales se caracterizan por tener solo una capa,

la forma en que se interconectan con las demás neuronas es a través de conexiones

laterales que establecen con las demás, un ejemplo práctico para éste tipo de red es la

de Hopfield.

 Multicapa: Tal y como lo indica su nombre consiste en una red neuronal

formada por varias capas, en general este tipo de redes se ordenan a partir de la capa

de entrada hasta la de salida de forma lineal y es la arquitectura de red más utilizada.

 Recurrentes: Son aquellas redes que crean un bucle dentro de ellas de

modo que la información recibida de una neurona pueda volver a otra que se

encuentre en alguna de las capas anteriores. Algunos ejemplos de este tipo de redes

son las conocidas como ART y Bidirectional Associative Memory (BAM).

Según su aprendizaje

 Supervisado: Este tipo de aprendizaje se utiliza para entrenar redes

neuronales y consiste en un entrenamiento a partir de un par de valores ya conocidos,

los valores de entrada, y los deseados. Según (Erech Ordoñez, 2020), el aprendizaje

supervisado está destinado a encontrar patrones en los datos que correspondan a una

etiqueta que define el significado de los datos, por ejemplo podría haber millones de

imágenes de animales e incluir una explicación de qué es cada animal y luego puede
 21

crear una aplicación de aprendizaje automático que distinga un animal del otro.

Además existe dos tipos de problemas sobre los cuales trabaja el modelo de

aprendizaje supervisado los cuales son el de regresión y el de clasificación (Andreas

C., Sarah G., 2017). En el aprendizaje supervisado estos dos problemas surgen

dependiendo de la variable objetivo que se haya escogido, si ésta es numérica,

entonces es un problema de regresión, cuya finalidad podría ser para predicciones

meteorológicas, de expectativa de vida, de crecimiento, etc. Mientras que si la

variable es categórica entonces ería un problema de clasificación y a partir de ello

poder deducir quizá identificación de dígitos, diagnósticos o detección de fraude de

identidad.

 No supervisado: Aunque no es la metodología más utilizada hoy en día se

prevee que este modelo de aprendizaje llegue a ser uno de los más eficaces en el

futuro. Su funcionamiento comprende la autoorganización y autoasociación de los

procesos, lo que implica que no necesita ser supervisado. La salida que emite éste

modelo de aprendizaje no necesita ser comparada con algún dato esperado, la

metodología que utiliza este modelo es la de aportar un resultado o salida a partir

únicamente de los datos de entrada establecidos, su aprendizaje consiste en la

identificación de patrones que surgen de los procesos que derivan a partir de la

introducción de los datos de entrada.

Según su aplicación

Según (Manuel Díaz, 2017), hay cuatro modelos propuestos que sirven para resaltar la

aplicación que tiene el uso de redes neuronales hoy día, las cuales son las siguientes:
 22

 Redes de reconocimiento de personas: como se menciona involucra la

detección e identificación de individuos a partir de patrones relacionales en los que

las características faciales de un individuo coincidan con el valor de entrada ingresado

por una persona, se dice que son del tipo recurrente y con aprendizaje supervisado.

 Redes de clasificación: La clasificación es una de las funciones más

utilizadas de las redes neuronales artificiales ya que a partir de esta metodología es

posible diferenciar grupos de datos, ya sea en un plano o una imagen propiamente

dicha, uno de los beneficios que podría aportar la clasificación de datos es el de

detectar células cancerígenas y señalar su ubicación después de haberlas identificado

o clasificado como un grupo diferente.

 Redes de predicción: La predicción ha sido una herramienta fundamental

para la toma de decisiones, en éste caso las redes neuronales pueden gracias a ésta

metodología proveer datos estadísticos y financieros que puedan ocurrir a corto,

medio o largo plazo y que con ello los dirigentes de una organización en particular

puedan a partir de los datos suministrados por la red neuronal diseñar estrategias de

ventas que disminuyan el impacto económico que pueda sufrir la empresa.

 Redes de mapeo de características.

Perceptron

Según (Jose Sailinas, 2018) se entiende como perceptrón a una neurona artificial o unidad

básica de inferencia en forma de discriminador lineal, a partir de esto se desarrolla un algoritmo

capaz de generar un criterio para seleccionar un subgrupo a partir de un conjunto de

 23

componentes más grandes. El modelo más simple de una neurona es el perceptrón, en otras

palabras es el modelo matemático más simple de una neurona.

De forma más sencilla el perceptrón busca representar el funcionamiento de una neurona

biológica, así como una neurona común tiene dendritas las cuales son la parte biológica de una

neurona que se encarga de captar información de las demás neuronas, el perceptrón también

posee datos de entrada los cuales procesa para emitir una señal o un resultado, este modelo

neuronal fue creado en por Frank Rosenblatt, cuando combinamos o conectamos dos o más

perceptrón a través de nodos, estaríamos formando una red neuronal artificial.

Perceptron multicapa

Como sabemos la principal limitación del perceptrón simple es su nula capacidad para

resolver problemas que no sean linealmente independientes. El perceptrón multicapa es una red

neuronal cuya estructura es la de una capa de entrada, una capa de salida y dos o más capas

ocultas, y con ello logra solucionar el problema mencionado anteriormente. El tipo de

aprendizaje que obtiene esta red es supervisado y se hace a través del algoritmo backpropagation,

en la actualidad éste es uno de los modelos neuronales más utilizados a nivel mundial. Las capas

que constituyen éste modelo de red se definen de la siguiente manera:

 Capa de entrada: Parte de la neurona que no procesa algún tipo de dato

sino más bien transmite los datos a las posteriores capas para ser procesados. En ella

se asignan una serie de valores iniciales y además se ajustan los pesos

correspondientes que tendrá cada neurona.

 24

 Capa Oculta: Estas se encargan en mayor medida del procesamiento de

los datos y siempre se ubican tanto posterior a una capa de la cual reciben los datos

como anterior a la capa de salida que emitirá un resultado. Se denomina capa oculta

ya que mientras que la red neuronal está operando, podemos ver los datos que

insertamos y el resultado que nos arroja, más no el procedimiento.

 Capa de salida: Éste tipo de neuronas contienen los valores de salida de

toda la red, más no el resultado definitivo.

Backpropagation

Éste es un algoritmo que utiliza un modelo matemático conocido como el cálculo del

gradiente como método de aprendizaje supervisado para una red neuronal, en general se utiliza

para mostrar el error que pudiera generar dicha red y aprender de él comparándolo con los

resultados que realmente se esperan. Según (Jose Sailinas, 2018) al explicar el funcionamiento

de éste define que cuando se ingresa un dato en la entrada de la red éste se propaga desde la

primera capa a través de la capas siguientes hasta que logra generar una salida la cual el

algoritmo compara con la salida deseada para determinar el nivel del error. Además a través de la

técnica de retropropagación o propagación hacia atrás el algoritmo puede definir específicamente

que neurona de cada capa pudo haber influido mayormente en el resultado y así corregirla. A

medida que se entrena la red las neuronas por si mismas se estructuran de tal forma que aprenden

a reconocer diferentes caracteres del espacio total de entrada.

 25

Desarrollo de software

Éste término no hace más que referenciar a la construcción de una aplicación o programa

informático a partir de medios lógicos como lo es el software. Quienes participan en este práctica

se les conoce mayormente como programadores, generalmente durante el desarrollo de una

aplicación suelen surgir algunos contratiempos debido a la complejidad que representa construir

un programa con características específicas a partir de software. De hecho los problemas no

suelen presentarse únicamente durante la programación, si no también previamente durante la

discusión de los requisitos establecidos para el software. Debido a que éste campo laboral hoy en

día suele ser un poco difuso para los usuarios, en muchas ocasiones suelen tener expectativas que

van más allá de la realidad y cuando se discuten los términos, en ocasiones es posible que los

desarrolladores los acepten debido a la falta de atención puesta sobre ellos, lo que posteriormente

suele generar percances que por razones lógicas eleva el costo de los servicios ofrecidos y suelen

extenderse los plazos de entrega propuestos inicialmente, lo que en muchas ocasiones deja una

fuerte sentimiento de insatisfacción por parte del cliente. Esto lo deja claro (Alex Chavarría, et

al, 2016) donde se menciona que aún existen problemas en los proyectos de desarrollo de

software en los que se ve afectada la calidad.

Fases del desarrollo de Software

 Análisis de los requisitos: Extraer los requisitos de un producto de

software es la etapa para crearlo. Mientras que los clientes piensan que ellos saben lo

que el software tiene que hacer, se requiere de habilidad y experiencia en la ingeniería

de software para reconocer requisitos incompletos, ambiguos o contradictorios.

 26

 Diseño y arquitectura: Se refiere a determinar cómo funcionará de forma

general sin entrar en detalles. Consiste en incorporar consideraciones de la

implementación tecnológica como el hardware, la red, etc. Se definen los casos de uso

para cubrir las funciones que realizará el sistema y se transforman las entidades

definidas en el análisis de requisitos en clases de diseño, obteniendo un modelo

cercano a la programación orientada a objetos.

 Programación: Reducir un diseño a código puede ser la parte más obvia

del trabajo de ingeniería de software, pero no es necesariamente la porción más larga.

La complejidad y la duración de esta etapa está íntimamente ligada al o a los

lenguajes de programación utilizados.

 Pruebas: Consiste en comprobar que el software realice correctamente las

tareas indicadas en la especificación. Una técnica de prueba es probar por separado

cada módulo del software, y luego de probarlo de forma integral, para así llegarlo al

objetivo. Se considera una buena práctica el que las pruebas sean efectuadas por

alguien distinto al desarrollador que la programó, idealmente un área de pruebas; sin

perjuicio de lo anterior el programador debe hacer sus propias pruebas.

 Mantenimiento: Mantener y mejorar el software para enfrentar errores

descubiertos y nuevos requisitos.

Procesos del desarrollo de software

Según (Jose M. Drake, 2008) un proceso de desarrollo de software es la descripción de

una secuencia de actividades que deben ser seguidas por un equipo de trabajadores para generar

un conjunto coherente de productos, uno de los cuales es el programa del sistema deseado
 27

2.3 Definición de términos básicos

Neurona: es una célula del sistema nervioso central que posee la capacidad de recibir y

decodificar información en forma de señales eléctricas y químicas, transmitiéndolas a otras

células. Estas suelen ser las células más importantes ya que son responsables de la transmisión de

impulsos eléctricos a través del proceso de sinapsis, lo que constituye el principio del

funcionamiento del cerebro. La función principal de la neurona es la transmisión de mensajes en

forma de impulsos nerviosos hacia otras células, lo cual se traduce en “instrucciones” para el

organismo. Por ejemplo, el movimiento voluntario de un músculo, o reacciones involuntarias

pero necesarias como la percepción del dolor ante un golpe o quemadura, solo por mencionar

algunas.

Dendritas: Son ramificaciones terminales presentes en las neuronas que garantizan la

recepción de los impulsos nerviosos que llegan desde un axón correspondiente a otra neurona. La

dendrita, dicen los expertos, es la porción de la neurona que recibe la excitación a raíz de

estímulos generados por otras células o entorno. El axón, por su parte, se encarga de distribuir

dicha excitación desde el área dendrítica. En resumen uno de los objetivos principales de estas

ramificaciones es la de establecer conexiones entre las neuronas.

Software: Es un conjunto de programas, instrucciones y reglas informáticas que permiten

ejecutar distintas tareas en una computadora. Se considera que el software es el equipamiento

lógico e intangible de un ordenador. En otras palabras, el concepto de software abarca a todas las

aplicaciones informáticas, como los procesadores de textos, las planillas de cálculo, los editores

de imágenes, los reproductores de audio y videojuegos, entre muchas otras. Dentro de los tipos
 28

de software, uno de los más importantes es el software de sistema o software de base, que

permite al usuario tener el control sobre el hardware y dar soporte a otros programas

informáticos. Los llamados sistemas operativos, que comienzan a funcionar cuando se enciende

la computadora, son software de base.

Recursos humanos: Una empresa cuenta con diversos tipos de recursos que le permiten

funcionar y alcanzar sus metas. Los empleados, trabajadores y colaboradores son quienes

conforman lo que se conoce como recursos humanos de una entidad. El concepto también se

utiliza para nombrar al departamento, la oficina, o la persona que se dedica a analizar, elegir,

contratar, formar y retener a los trabajadores de una compañía.

Stakeholders: Es el público de interés para una empresa que permite su completo

funcionamiento, con esto se refiere a todas las personas u organizaciones que se relacionan con

las actividades y decisiones de una empresa como: empleados, proveedores, clientes, gobierno,

entre otros. De otra manera se define como cualquier individuo u organización que de alguna

manera es impactado por las acciones de determinada empresa. En una traducción libre para el

español, significa ‘partes interesadas’. Por lo tanto es lógico pensar que el triunfo o fracaso de

cualquier empresa, siempre afectará no solo a sus dueños sino también a todos los que la rodean,

es decir a sus trabajadores, a sus socios, proveedores, competidores, familias de todos los

involucrados y por supuesto a sus clientes.

Habilidades técnicas: Son habilidades y conocimientos que nos permiten realizar tareas

específicas. Son prácticos y a menudo se relacionan con tareas mecánicas, informáticas,

matemáticas o científicas. Algunos ejemplos incluyen conocimiento en lenguajes de

programación, equipos mecánicos o herramientas.

 29

2.4 Operacionalización de la variable

Según (Hernández S., et al, 2016) una variable es una propiedad que tiene una variación

que puede medirse y observarse. Bajo esta premisa la variable en cuestión que se tratará en la

presente investigación será la eficiencia del algoritmo backpropagation. La operacionalización

define la forma en que se evaluará la variable de estudio descomponiéndola en términos

concretos, observables y medibles, es decir a su mínima expresión. Tomando esto en cuenta se

llevó a cabo el siguiente recuadró donde se realizó tal operacionalización:

Definición
Variable Definición Dimensiones Indicadores
Operacional
Amplitud
Es un algoritmo
de aprendizaje Rendimiento Precisión
supervisado que
Para evaluar
se usa para Velocidad
dicha eficiencia
entrenar redes
se aplicará a los
neuronales Gasto operativo
profesionales un Impacto
artificiales.
cuestionario en económico
Cuando se Mantenimiento
el que se
ingresa un dato
utilizara la
en la entrada de Lenguajes de
escala Likert y
la red este se programación
algunas
propaga desde la
Algoritmo preguntas
primera capa a Aplicaciones
Backpropagation cerradas. Adaptabilidad
través de las contables y
Además se
capas siguientes del algoritmo financieras
utilizará la
hasta que logra
observación
generar una
directa y el Sistemas
salida la cual se
análisis Operativos
compara con la
documental para
salida deseada y Memoria
extraer datos
calcula una señal Temporal
sobre el
de error para (RAM)
algoritmo Recursos del
cada una de las
salidas. (José S., sistema Procesador
2016)
Almacenamiento
 30

CAPITULO III

(Marco Metodológico)

3.1 Tipo de investigación

La metodología de investigación que se llevó a cabo en el presente trabajo fue de tipo

descriptiva con algunas técnicas de recolección de datos de campo, a través de ello busca evaluar

y demostrar la utilidad de algoritmo de inteligencia artificial backpropagation para la selección

de equipos de trabajo en las empresas de desarrollo de software a través del estudio sistemático

de sus características. Según (Hernández S., et al, 2006) menciona que el tipo de investigación

descriptiva puede definirse como aquel tipo de investigación que busca especificar las

propiedades importantes de personas, grupos comunidades o cualquier otro fenómeno que sea

sometido al análisis. Mide o evalúa diversos aspectos, dimensiones o componentes del objeto de

estudio. Desde el punto de vista científico describir es medir. En éste se selecciona una serie de

cuestiones y se mide cada una de ellas independientemente para así describir lo que se investiga.

3.2 Según el diseño de investigación

El diseño escogido para realizar el presente trabajo fue de tipo cuantitativo, el mismo

pretende realizar un análisis del objeto de estudio a través de diferentes formas estadísticas

cuantificables como el rendimiento y la utilidad del algoritmo de aprendizaje supervisado

backpropagation. Bajo esta premisa (Hernández S., et al, 2003) califica el enfoque cuantitativo
 31

como el uso de la recolección de datos para probar hipótesis con base en la medición numérica y

el análisis estadístco para establecer patrones de comportamiento.

3.3 Población y muestra

Según (Hernandez S., et al, 2016) una población es el conjunto de todos los casos que

concuerdan con determinadas especificaciones. Por otro lado define la muestra como un

subgrupo de la población del cual se recolectan los datos y que debe ser representativo de ésta.

Bajo esta premisa para el análisis de la pertinencia del fenómeno en cuestión se recurrió a una

población de 30 personas compuesta por profesionales que se encuentran desempeñando cargos

laborales que afrontan las problemáticas expuestas en la presente investigación, y pretenden

ofrecer un criterio profesional basado en un análisis objetivo del fenómeno. Como el estudio se

realizará sobre pocas profesiones se limitó a escoger esa cantidad para evitar la información

redundante y dado que ésta es mínima, se toma la cantidad total de los individuos como muestra

para el análisis de los resultados. El número de individuos se seleccionó tomando en cuenta la

sugerencia dada por (Beatriz P., et al, 1994) quien concluye que es la cantidad mínima

recomendada para evitar caer en la categoría de muestra pequeña.

3.4 Técnicas e instrumentos para la recolección de datos

Para lograr el objetivo de la investigación se recurrieron a diversas metodologías con las

cuales poder obtener las características cuantitativas del fenómeno en cuestión, para ello se

recurrió a:
 32

La observación: (Hernández S., et al.. 2016) define ésta técnica como el registro

sistemático válido y confiable de comportamientos y situaciones observables a través de

un conjunto de categorías y subcategorías, a través de ello el objetivo fue conocer el

comportamiento del objeto de estudio de forma directa, es decir sin intermediarios, éste

método se caracteriza por no ser intrusivo y requiere de evaluar el comportamiento del

objeto de estudio por un tiempo continuo. Aunque la superficialidad de ésta técnica

pudiera dejar de lado algunos datos importantes para obtener el panorama de estudio

completo, por lo tanto se completó con los siguientes métodos.

Análisis documental: Es una técnica cuya actividad implica la revisión de

documentos, registros públicos y archivos físicos o electrónicos (Hernándes S. et al.

2016). Ésta permite la recopilación de información para dar a comprender el tema de

estudio relacionado a fenómenos o procesos en particular. Consiste en descubrir lo que

otros no han visto sólo por el hecho de que no han observado detenidamente lo que se

plasmó en el texto.

Cuestionario: Un cuestionario consiste en un conjunto de preguntas respecto de

una o más variables a medir (Chasteauneuf, 2009, citado por Hernández S., et al., 2016).

Se basa en obtener datos directamente de los sujetos de estudio a fin de conseguir

opiniones acertadas o sugerencias de ellos mismos. Para poder clasificar las preguntas la

metodología que se llevará a cabo será la de preguntas cerradas.

 33

3.5 Técnicas de Análisis de Datos

Para esta investigación se tomó en cuenta el análisis cuantitativo el cual según define

(Hernández S., et al, 2004), el enfoque cuantitativo se fundamenta en un esquema deductivo

lógico que busca formular preguntas de investigación e hipótesis para posteriormente probarlas.

Bajo esta premisa alguna de las metodologías escogidas fueron la evaluación, clasificación y

comparación de los datos obtenidos para ello se utilizaron previamente de técnicas de

recolección como cuestionarios y la observación. Al valorar las características del objeto de

estudio es posible precisar resultados que a través de la cuantificación logren calificar alguna

dimensión o indicador del fenómeno en cuestión.

 34

BIBLIOGRAFÍA

Ingrid Polo, Iván Rojas (2020). Factores de fracaso relacionados con la gestión de personas en
el desarrollo de software. Universidad Ean.

Rivero Dulce, Montilva Jonas A., Granados Gladys, Barrios Judith, Isabel Besembel,
Sandia Beatriz (2014). La industria de software en Venezuela: Una caracterización de su
recurso humano. Universidad de los Andes (Venezuela)

Pinto, J. (2015). Gerencia de proyectos. Cómo lograr la ventaja competitiva. Editorial Pearson.

Morales Carlos A., Ortega Alejandro H., Montañez John A., Lizárraga Rocío A., Becerra
Miguel A., (2018). Mejora del proceso de selección de personal mediante la aplicación de redes
neuronales: un caso de estudio en el sector textil. Tecnológico Nacional de México en Celaya.

López Surayne, Aldana Miroslava A., Piñero Pedro Y., Piedra Laynier A. (2016). Red
neuronal multicapa para la evaluación de competencias laborales. Revista Cubana de Ciencias
Informáticas.

Estrada Zucelys G., Socorro Joaquín P., Infante Ana L., Ampuero Margarita A., Suárez
Alejandro R. (2020). Generador de instancias para el problema de conformación de equipos.
XVIII Feria y Convención Internacional Informática 2020 – La Habana, Cuba

Kenia Villegas. (2019). Consecuencias de una mala planificación de los recursos humanos. IV
Congreso virtual internacional desarrollo económico, social y empresarial en Iberoamérica.

Jose Sailinas. (2018). Prototipo de sistema de red neuronal backpropagation cliente / servidor
TCP/IP aplicado a fitomonitoreo. Universidad Andrés Bello, Facultad de Ingeniería, Escuela de
Industrias.

Blum, A. (1992). Redes neuronales: un marco orientado a objetos para construir sistemas
conexionistas. New York: John Wiley & Sons.

Erech Ordoñez Ramos (2020). Deep learning para la visión artificial e identificación del
personal administrativo y docente de la universidad nacional Micaela Bastidas de Apurímac
2018. Universidad Nacional del Altiplano.

Andreas C., Sarah G. (2017). Introduction to Machine Learning with Python (Third Release).
O’ Reilly Media.

TutorialsPoint, D. (2018). Tensor Flow, Simply Easy Learning

 35

Manuel Díaz (2017). Uso de las redes neuronales artificiales en el modelado del ensayo de
Resistencia a compresión de concreto de construcción según la normas ASTM C39/C 39M.
Universidad Nacional de Cajamarca.

Jaime Durán Suárez (2017). Redes neuronales convolucionales en R. Dep. de Ingeniería de

Sistemas y Automática Escuela Técnica Superior de Ingeniería - Universidad de Sevilla.

Chacarría Alex E,. Oré Sussy B., Pastor Carlos, (2016). Aseguramiento de la calidad en el
proceso de desarrollo de software utilizando CMMI, TSP Y PSP. Universidad Nacional Mayor
de San Marcos.

José M. Drake (2008). Proceso de desarrollo de aplicaciones software.

Hernández S., Fernández C., Baptista M., (2004). Metodología de la investigación. México,
McGraw Hill.

Hernández S., Fernández C., Baptista M., (2016). Metodología de la investigación. México,
MxGraw Hill.

Tamayo, M. (2007). El proceso de la investigación científica. 4ta Edición. México Ed. Limusa.

Elia Beatriz Pineda, Eva Luz de Alvarado, Francisca H. de Canales, (1994). Metodología de
la investifación, manual para el desarrollo de personal de salud. Organización panamericana de
la salud.

Standish Group International. (2014). Chaos report 2014. The Standish Group Report.
Recuperado de: https://www.standishgroup.com

Standish Group International. (2020). Chaos report 2020. The Standish Group Report.
Recuperado de: https://www.hennyportman.wordpress.com/2021/01/06/review-standish-group-
chaos-2020-beyond-infinity/