Departamento de Ciencias de la

Computación y Electrónica

Universidad de la Costa CUC

TESIS DOCTORAL
"Modelo Matemático de Recomendación Turística
Personalizada en el Departamento del Sucre: Integrando
Filtrado Colaborativo basado en Usuarios, Inteligencia
Artificial y Realidad Aumentada para el Desarrollo
Económico Sostenible"

Autor
MSc. Eugenio Therán Palacio

Directores
PhD. Emiro de la Hoz Franco
PhD. Javier Emilio Sierra Carrillo

I
 Editor: Editorial de la Universidad de la Costa CUC
Autor: Eugenio Therán Palacio
D.L.:
ISBN

El doctorando Eugenio Therán Palacio y los directores de la tesis Dr. Emiro De la Hoz
Franco y Dr. Javier Emilio Sierra Carrillo Garantizamos, al firmar esta tesis doctoral,
que el trabajo ha sido realizado por el doctorando bajo la dirección de los directores de la
tesis y hasta donde nuestro conocimiento alcanza, en la realización del trabajo, se han
respetado los derechos de otros autores a ser citados, cuando se han utilizado sus
resultados o publicaciones.

Barranquilla, XXXX de xxx

Dr. Emiro De la Hoz Franco Dr. Javier Emilio Sierra Carrillo

Director de la Tesis Director de la Tesis

Fdo.: Fdo.:

Eugenio Therán Palacio

Doctorando

Fdo.:

II
Agradecimientos

III
Dedicatoria

IV
 Tabla de contenido
INTRODUCCIÓN
CAPÍTULO 1 PLANTEAMIENTO DEL PROBLEMA
1.1 Formulación del problema
1.2 Pregunta de investigación
1.3 Objetivos
1.3.1 Objetivo General
1.3.2 Objetivos Específicos
1.4 Justificación
1.5 Hipótesis
1.6 Metodología

CAPÍTULO 2. MARCO TEÓRICO

2.1. Introducción del capítulo
2.2 Estado del arte en Inteligencia Artificial
2.2.1. Machine Learning
2.2.2. Deep Learning
2.2.3. Procesamiento de Lenguaje Natural (NLP)
2.2.4. Aprendizaje por Refuerzo (Reinforcement Learning)
2.2.5. Redes Neuronales artificiales (RNA)
2.2.6. Lisp
2.2.7. Sistemas expertos
2.2.8. Lógica difusa
2.2.9. Agentes inteligentes
2.2.10. Técnicas de visión por computadora
2.2.11. Robótica
2.2.12. Procesamiento de Señales y Datos Temporales

5
2.3 Estado del arte en Realidad Aumentada
2.3.1. Conceptos fundamentales y aplicaciones de la RA
2.3.2. Tipos de realidad aumentada y más aplicaciones
2.3.2.1. Seguimiento y Detección de Marcadores
2.3.2.2. Realidad Aumentada Basada en Localización
2.3.2.3. Realidad Aumentada Sin Marcadores
2.3.2.4. Visualización Contextual
2.3.2.5. Interacción en Tiempo Real
2.3.2.6. Interfaces de Usuario Intuitivas
2.3.2.7. Plataformas y Dispositivos
2.3.2.8. Experiencia del Usuario
2.3.2.9. Realidad Aumentada para la Educación
2.3.2.10. Realidad Aumentada para la Medicina
2.3.2.11. Realidad Aumentada en el entretenimiento
2.3.2.12. Realidad Aumentada en el turismo
2.4 Estado del arte en Sistemas de Recomendación
2.4.1 ¿qué es un sistema de recomendación?
2.4.2 ¿Cómo funciona un sistema de recomendación?
2.4.3 Tipos de sistemas de recomendación
2.4.3.1 Aprendizaje profundo (Deep Learning)
2.4.3.2 Recomendación contextual
2.4.3.3 Filtrado basado en contenido
2.4.3.4 Filtrado Colaborativo
2.4.3.5 Modelos Híbridos de sistemas de recomendación
2.4.4 Sistemas de recomendación turística
2.5 Estado del arte en Sistemas de Recomendación Turística con filtros
colaborativos
2.5.1 Sistemas de recomendación turística y realidad aumentada
2.5.2 Sistemas de recomendación turística e inteligencia artificial
2.5.3 ¿Dónde se han aplicado sistemas de recomendación turística con filtros
colaborativos?

CAPÍTULO 3. DISEÑO DEL MODELO DE RECOMENDACIÓN

TURÍSTICA
3.1 Justificación de la elección del filtro colaborativo como técnica para el
sistema de recomendación turística.
3.1.1 Técnicas de inteligencia artificial y realidad aumentada que permiten el
desarrollo de un modelo de personalización de la experiencia turística.

6
3.2 Modelo de recomendación turística usando técnicas de IA con filtros
colaborativos:
3.2.1 Preferencias dataset
3.2.2 Procesamiento de datos
3.2.3 Matriz de preferencia de usuarios
3.2.4 Algoritmo de recomendación colaborativa
3.2.5 Generación de recomendaciones
3.2.6 Listado de recomendaciones

3.3 Diseño de la solución tecnológica turística basada en RA

3.3.1 Diseño del sitio web
3.3.2 Diseño de la aplicación
3.3.3 Articulación del sitio web con la APP

CAPÍTULO 4. APLICACIÓN DEL SISTEMA DE RECOMENDACIÓN

DISEÑADO
4.1 Condiciones iniciales
4.1.1 Definición de la población y el espacio muestral
4.1.2 Productos turísticos existentes en los municipios del golfo de
Morrosquillo (Departamento de Sucre – Colombia)
4.2 Aplicación del sistema de recomendación en el golfo de Morrosquillo

CAPÍTULO 5. ANÁLISIS Y DISCUSIÓN DE LOS RESULTADOS DE LA

APLICACIÓN DEL SISTEMA DE RECOMENDACIÓN
5.1 Análisis estadístico
5.2 Descripción de los resultados
5.3 Proyección del impacto de los resultados en el sistema turístico del
turismo de playa en el Golfo de Morrosquillo.

7
CAPÍTULO 6. CONCLUSIONES, IMPLICACIONES Y
RECOMENDACIONES
6.1 Conclusiones
6.1.1 Sobre el diseño del sistema de recomendación.
6.1.2 Sobre el filtro utilizado
6.1.3 Sobre la utilización de la realidad aumentada aplicada en el sistema de
recomendación
6.1.4 Sobre la utilización de la técnica de IA aplicada en el sistema de
recomendación
6.2 Implicaciones de la implementación del sistema de recomendación en el
golfo de Morrosquillo.
6.3 Recomendaciones sobre el filtro, el sistema de recomendación y la
población beneficiada.
6.4 Aportaciones del Sistema de recomendación implementado al sistema
turístico en el Golfo de Morrosquillo.
6.5 Posibles trabajos futuros

8
INTRODUCCIÓN
El turismo se ha convertido en un pilar fundamental para el desarrollo económico y la
promoción de culturas y destinos en todo el mundo. En la era de la información y la
conectividad global, la tecnología desempeña un papel crucial en la forma en que los viajeros
planifican, experimentan y comparten sus aventuras. En este contexto, las Tecnologías de la
Información y Comunicación (TICs) han emergido como una herramienta poderosa para
revolucionar la industria turística. Esta tesis doctoral se sumerge en la intersección de la
informática, la inteligencia artificial y la realidad aumentada para abordar los desafíos y
oportunidades del turismo en el Departamento del Sucre, Colombia.

El Departamento del Sucre, ubicado en la costa norte de Colombia, alberga un patrimonio

cultural y natural excepcional que lo convierte en un destino turístico potencialmente
atractivo. No obstante, la falta de sistemas de recomendación personalizados y la carencia de
experiencias turísticas enriquecedoras han obstaculizado el pleno desarrollo de esta región. La
presente tesis se centra en diseñar un "Modelo Matemático de Recomendación Turística
Personalizada" que, mediante la integración de técnicas de Filtrado Colaborativo basado en
Usuarios, Inteligencia Artificial y Realidad Aumentada, pueda impulsar una transformación
significativa en la forma en que los visitantes interactúan con la riqueza turística del
Departamento del Sucre.

La relevancia de esta investigación radica en varios aspectos. En primer lugar, busca llenar un
vacío importante en la literatura académica y en la práctica turística al abordar la falta de
sistemas de recomendación personalizados en el contexto específico del Departamento del
Sucre. Además, esta tesis aspira a contribuir al desarrollo económico sostenible de la región,
promoviendo un turismo más informado y responsable. La implementación de la inteligencia
artificial y la realidad aumentada en la experiencia turística no solo aumentará la satisfacción
del visitante, sino que también puede generar un impacto económico positivo al fomentar la
exploración de la diversidad de recursos y servicios disponibles en la zona.

El desarrollo de este "Modelo Matemático de Recomendación Turística Personalizada" se

realiza a través de una investigación multidisciplinaria que combina conceptos de informática,
aprendizaje automático y tecnologías de la realidad aumentada. A medida que se avanza en
este trabajo, se explorarán los avances teóricos y prácticos en estos campos, y se aplicarán de
manera innovadora para abordar los desafíos específicos del turismo en el Departamento del
Sucre.

Este documento se organiza en varios capítulos que abarcarán desde el "Estado del Arte" en
los campos relacionados con nuestra investigación hasta la descripción detallada del modelo
propuesto y su implementación práctica. Además, se llevará a cabo una evaluación exhaustiva
del modelo, así como un análisis de sus implicaciones económicas y turísticas.

9
La presente tesis representa un esfuerzo dedicado a la convergencia de la tecnología y el
turismo en pro de un desarrollo económico sostenible en una región rica en potencial. A lo
largo de este viaje de investigación, se aspira a ofrecer una contribución significativa al campo
de las TICs aplicadas al turismo y a la promoción del patrimonio cultural y natural del
Departamento del Sucre.

FALTA AGREGARLE ALGUNAS REFERENCIAS

10
CAPÍTULO 1 PLANTEAMIENTO DEL PROBLEMA

1.1 Formulación del problema

La diversidad turística que posee el Departamento del Sucre permite identificar más de cien
atractivos turísticos, entre los cuales la subregión Golfo de Morrosquillo concentra un 40% de
este inventario, al igual que aproximadamente el 70% de la oferta hotelera del Departamento.
Además, otras zonas y centros turísticos como Coveñas, Colosó y Ciénaga de San Marcos,
entre otros, ofrecen bellezas naturales que pueden atraer a turistas con diversos perfiles. Esta
riqueza turística condujo a la inclusión del turismo como uno de los focos estratégicos
priorizados en el Plan y Acuerdo Estratégico Departamental de Sucre en Ciencia, Tecnología e
Innovación (CTI, 2016), estableciendo la necesidad de fortalecer la cultura, la innovación para
la productividad y competitividad, y el fortalecimiento en CTI.

Aunque el turismo en el Sucre es incipiente, cuenta con diversas facetas, como el turismo
religioso, el agroecoturismo, el acuaturismo y el turismo en diversidad folclórica y cultural. El
turismo de sol y playa, según Cortés y Vergara (2009), es el más fuerte y promisorio a mediano
y largo plazo. Sin embargo, los mismos autores señalan la existencia de ecosistemas atractivos
para el ecoturismo que requieren condiciones propicias para la inversión nacional y
extranjera.

El Plan de Desarrollo Departamental de Sucre 2016-2019 (PDD Sucre, 2016-2019) propuso

iniciativas en el subsector turismo para combatir el desempleo y el subempleo. Estas
iniciativas, como "Sucre progresa transformado con sectores productivos con innovación y
competitividad" y "Sucre turístico y atractivo", están en vigencia, pero no se han aprovechado
completamente.

Dada la cercanía geográfica del departamento del Sucre a la costa atlántica colombiana, los
turistas que visitan la región provienen principalmente de Estados Unidos y Europa, con
algunos provenientes de otros países suramericanos y pocos del interior de Colombia. Esto
implica una diversidad significativa en el perfil del turista, lo que requiere diversificar la oferta
turística. Sin embargo, la inversión gubernamental en el sector turismo es escasa, a pesar de
la protección especial que otorga la ley 300 de 1996 (Gobierno Nacional de Colombia, 1996) al
sector por su importancia para el desarrollo nacional. Esto deja la responsabilidad en manos
de la inversión privada, nacional o extranjera.

Para abordar esta situación, es esencial desarrollar estrategias de oferta turística de bajo
costo que se ajusten a los intereses de los diferentes perfiles de turistas. Esto requiere diseñar
una estrategia que permita conocer el perfil del potencial visitante y acercarse a él con la
oferta más adecuada.

11
La identificación, estudio y seguimiento de los perfiles de los potenciales turistas pueden
iniciarse analizando los viajes realizados y las características sociodemográficas de los turistas.
Sin embargo, para realizar predicciones sobre gustos, satisfacción y fidelidad de los turistas
hacia sus destinos seleccionados, es esencial implementar una estrategia que aproveche al
máximo los datos disponibles.

La implementación de tecnologías de Inteligencia Artificial (IA), como Internet of Things (IoT),

asistentes virtuales, chatbots y blockchain, junto con herramientas de realidad aumentada
(RA) integradas con la IA, puede permitir la personalización de las experiencias turísticas y la
generación de propuestas turísticas más predictivas. Sin embargo, hasta el momento, no se ha
propuesto un modelo matemático que utilice la técnica de Filtrado Colaborativo basado en
Usuarios (FCU) en el contexto del turismo en el Sucre para lograr este objetivo.

1.2 Pregunta de investigación

¿Cómo se puede diseñar y desarrollar un modelo matemático basado en Filtrado Colaborativo

basado en Usuarios (FCU) que aproveche los datos disponibles sobre los perfiles de los
potenciales turistas en el Departamento del Sucre para recomendar ofertas turísticas
personalizadas y, al mismo tiempo, promover una mayor inversión en el sector turismo,
utilizando tecnologías de IA y R?

1.3 Objetivos

1.3.1 Objetivo General

Diseñar, desarrollar e implementar un modelo matemático utilizando el Filtrado Colaborativo

basado en Usuarios (FCU), enriquecido con tecnologías de Inteligencia Artificial (IA) y Realidad
Aumentada (RA), que permita recomendar ofertas turísticas personalizadas en el
Departamento del Sucre, con el fin de mejorar la experiencia de los turistas y promover el
desarrollo económico y la competitividad en la región, al tiempo que se fomenta una mayor
inversión en el sector turismo.

1.3.2 Objetivos Específicos

1.3.2.1. Investigar y recopilar datos detallados sobre los perfiles de los potenciales turistas
que visitan el Departamento del Sucre, incluyendo sus preferencias,
comportamientos de viaje y características sociodemográficas, mediante el uso de
tecnologías de recopilación de datos avanzadas, como sensores IoT y sistemas de
seguimiento de usuarios en línea.

12
1.3.2.2. Diseñar y desarrollar un modelo matemático utilizando el Filtrado Colaborativo
basado en Usuarios (FCU) que utilice los datos recopilados y las tecnologías de
Inteligencia Artificial (IA) para predecir con precisión las preferencias individuales de
los turistas y generar recomendaciones personalizadas de ofertas turísticas,
aprovechando al máximo la diversidad turística del Departamento del Sucre.

1.3.2.3. Integrar herramientas de Realidad Aumentada (RA) en el modelo matemático

desarrollado para enriquecer la experiencia turística, permitiendo a los turistas
interactuar con la información y las recomendaciones de manera inmersiva y
contextual mientras exploran los atractivos turísticos del Departamento del Sucre,
promoviendo así una mayor satisfacción y fidelidad de los visitantes.

1.3.2.4. Evaluar el modelo de recomendación turística desarrollado a la luz de las métricas

de la ISO 25000.

1.4 Justificación

La justificación de la presente tesis se basa en la necesidad de abordar una serie de desafíos y

oportunidades clave en el contexto del turismo en el Departamento del Sucre. La diversidad
turística y la riqueza de atractivos en la región representan un potencial considerable para el
desarrollo económico y la competitividad. Sin embargo, se enfrenta a obstáculos importantes,
como la falta de inversión gubernamental y la necesidad de diversificar la oferta turística para
atraer a una gama más amplia de turistas.

La inclusión del turismo como un enfoque estratégico en el Plan y Acuerdo Estratégico

Departamental de Sucre en Ciencia, Tecnología e Innovación (CTI) subraya la importancia de
aprovechar la tecnología y la innovación para impulsar este sector. Además, las iniciativas
propuestas en el Plan de Desarrollo Departamental de Sucre 2016-2019 para combatir el
desempleo y el subempleo están en curso, pero aún no se han explotado completamente.

La cercanía geográfica del Departamento del Sucre a la costa atlántica colombiana atrae a
turistas de diversas regiones y perfiles, lo que hace que la diversificación de la oferta turística
sea aún más relevante. La falta de inversión gubernamental en este sector resalta la
importancia de desarrollar estrategias de oferta turística de bajo costo que atraigan
inversiones privadas nacionales y extranjeras.

La implementación de tecnologías de Inteligencia Artificial (IA) y Realidad Aumentada (RA) en

el modelo matemático propuesto puede contribuir significativamente a la personalización de
las experiencias turísticas y la generación de propuestas predictivas, mejorando así la
satisfacción y la fidelidad de los turistas. Sin embargo, hasta el momento, no se ha
desarrollado un modelo matemático específico que utilice la técnica de Filtrado Colaborativo
basado en Usuarios (FCU) en el contexto del turismo en el Sucre.

13
Por lo tanto, esta tesis doctoral busca llenar este vacío al diseñar, desarrollar e implementar
un modelo matemático que combine el FCU con la IA y la RA para recomendar ofertas
turísticas personalizadas, promoviendo la inversión en el sector turismo y contribuyendo al
desarrollo económico y la competitividad del Departamento del Sucre. La evaluación del
modelo a través de métricas de calidad, como las de la ISO 25000, garantizará su eficacia y
utilidad en el contexto real. En resumen, esta investigación tiene como objetivo abordar
desafíos fundamentales y aprovechar oportunidades en el sector turismo del Departamento
del Sucre, alineando la tecnología con el desarrollo regional y la innovación.

1.5 Hipótesis

H0:
La implementación del modelo matemático utilizando el Filtrado Colaborativo basado en
Usuarios (FCU), enriquecido con tecnologías de Inteligencia Artificial (IA) y Realidad
Aumentada (RA), para recomendar ofertas turísticas personalizadas en el Departamento del
Sucre, aumentará significativamente la satisfacción de los turistas y, por lo tanto, su fidelidad
hacia la región como destino turístico.

H1:
La implementación del modelo matemático utilizando el Filtrado Colaborativo basado en
Usuarios (FCU), enriquecido con tecnologías de Inteligencia Artificial (IA) y Realidad
Aumentada (RA), para recomendar ofertas turísticas personalizadas en el Departamento del
Sucre, no tendrá un impacto significativo en la satisfacción de los turistas ni en su fidelidad
hacia la región como destino turístico.

1.6 Metodología

La investigación tiene un enfoque metodológico mixto, en el que se aborda desde una

concepción inicial cualitativa y se complementa con una concepción cuantitativa. Si bien se
verifican una serie de preceptos que la sustentan desde el enfoque científico epistemológico,
no se limita a un planteamiento netamente teórico, sino que trasciende a la aplicación,
buscando solucionar una situación concreta producto de la identificación de una necesidad
relacionada con el fortalecimiento de la innovación y la competitividad del turismo en el
departamento de Sucre mediante una oferta integral y un turismo diferenciado soportado en
los Entornos Virtuales de Aprendizaje Inmersivos.

En función de su propósito, la investigación es aplicada, ya que se desarrollará un modelo

matemático utilizando el filtrado colaborativo basado en usuarios, enriquecido con
tecnologías de Inteligencia Artificial (IA) y Realidad Aumentada (RA), para recomendar ofertas
turísticas personalizadas en el Departamento del Sucre.

14
El desarrollo de esta tesis se ha estructurado en tres fases:

Fase 1: Documentación y análisis del estado actual del turismo en el departamento de Sucre y
de las herramientas tecnológicas a implementar:

Esta fase se enfoca en un proceso exploratorio - cualitativo porque se pretende identificar

aquellas zonas y lugares turísticos que se consideran importantes para ser virtualizados en la
solución tecnológica, a partir de la recolección de información con la interacción de grupos
focales del sector turístico del departamento de Sucre y la consulta de fuentes bibliográficas
primarias.

La investigación desde la perspectiva de los medios para obtener los datos es de tipo
documental pues a partir de la revisión sistemática de la literatura se obtienen los
fundamentos y los referentes que servirán de base para el diseño de la solución tecnológica,
no obstante no se descarta que ha medida se avance en la investigación a partir de la
interacción con grupos focales del sector turístico del departamento de Sucre la investigación
sea de campo, porque es necesario aplicar instrumentos para obtener información valiosa
para cumplir con los objetivos del proyecto.

Fase 2: Diseño y desarrollo de un modelo matemático utilizando el FCU utilizando los datos
recopilados y las tecnologías de IA para predecir con precisión las preferencias individuales de
los turistas y así generar recomendaciones personalizadas de ofertas turísticas que
aprovechen al máximo la diversidad turística del Departamento del Sucre.

Fase 3: Evaluación de la herramienta tecnológica desarrollada: El modelo matemático

desarrollado debe permitir plantear un eficiente sistema de recomendación turística enfocado
específicamente hacia la población objetivo, por esto se debe evaluar: el diseño del modelo
matemático, su funcionalidad, su aplicabilidad, su versatilidad de integración con servicios
externos y desde luego su rendimiento y escalabilidad, por esta razón esta tercera fase se
enmarca en un proceso cuantitativo - descriptivo

Dado que no hay manipulación de variables, la investigación es de tipo no experimental, ya

que se basa fundamentalmente en el diseño y desarrollo de una solución tecnológica. En la
investigación no experimental las inferencias sobre las relaciones entre variables se realizan
sin intervención o influencia directa, y dichas relaciones se observan tal como se han dado en
su contexto natural (Sampieri et al, 2012).

Según el tipo de inferencia la investigación emplea el método analítico-deductivo, pues se

toman en consideración los elementos individuales de las plataformas tecnológicas de turismo
para poder compararlos según los requerimientos de los potenciales turistas y los operadores;
y a su vez se procede a revisar detalladamente cada uno de ellos por separado para
estructurar la solución tecnológica.

15
La población objeto de estudio está conformada por los entes prestadores del servicio
turístico de los municipios de Corozal, Coveñas, Sampués, San Antonio de Palmito, San
Marcos, San Onofre, Santiago de Tolú y Sincelejo, que hacen parte del Corredor Turístico
Golfo de Morrosquillo y Sabanas y por los consumidores del servicio turístico de este
corredor.

Los entes prestadores de servicios turísticos en el departamento de Sucre se encuentran

aglutinados en las siguientes asociaciones: ASETUR (Asociación de Empresarios Turísticos del
Golfo de Morrosquillo), Asocoveñas (Asociación de empresarios de Coveñas), Corporación de
turismo sostenible Rincón del Mar), Astramar (Asociación de transporte marítimo de Tolú). Sin
embargo, es necesario precisar que existen otros operadores turísticos que no se encuentran
formalmente registrados en cámara de comercio, se estima por lo tanto que la población es
mayor.

En la siguiente matriz metodológica se estructuran las fases mencionadas anteriormente y se

define una clara ruta de investigación, con ello se busca planificar el desarrollo de las
actividades que posibiliten la consecución de los objetivos específicos, y desde allí al logro del
objetivo general. Algunas de estas actividades se ejecutan de manera simultánea por la misma
naturaleza de la investigación.

16
FASES OBJETIVOS ESPECÍFICOS ACTIVIDADES
1. Revisión preliminar de la literatura y vigilancia tecnológica
para la contextualización de la solución (diagnóstico de
EVAI existentes afines al turismo).

2. Recolección de información del estado actual sector

turístico en Sucre-Colombia.

Investigar y recopilar 3. Reuniones con actores estratégicos del sector turístico en

datos detallados sobre el departamento de Sucre-Colombia.
los perfiles de los
potenciales turistas que 4. Identificación de las zonas y centros turísticos en el
visitan el Departamento Corredor Turístico Golfo de Morrosquillo y Sabanas del
Documentación y análisis

del Sucre, incluyendo sus departamento de Sucre, con sus diferencias y ofertas.
preferencias,
comportamientos de 5. Revisión sistemática de la literatura mediante consulta a
viaje y características bases de datos científicas especializadas y vigilancia
sociodemográficas, tecnológica.
mediante el uso de
tecnologías de 6. Construcción de mapas conceptuales y matrices de
recopilación de datos adquisición de datos a partir del análisis de la información
avanzadas, como recopilada.
sensores IoT y sistemas
de seguimiento de 7. Sustentación de anteproyecto.
usuarios en línea.
8. Redacción de los primeros capítulos de la monografía, en
relación a la fundamentación del marco teórico,
conceptual y referencial que sustentan el proyecto.

9. Redacción y postulación de artículo científico de revisión

sistemática de la literatura.

17
 Diseñar una plataforma
tecnológica turística a
Diseño y desarrollo de un

partir de realidad virtual

modelo matemático

y técnicas de inteligencia
artificial que permita el
desarrollo de un turismo
diferenciado en el FALTA
corredor Turístico Golfo
de Morrosquillo y
Sabanas del
departamento de Sucre

Evaluar la funcionalidad
de las herramientas
tecnológicas
desarrolladas y el nivel
de satisfacción de los
actores desde la FALTA
perspectiva de los
Evaluación

gestores turísticos y de
los potenciales visitantes

18
CAPÍTULO 2. MARCO TEÓRICO
2.1. Introducción del capítulo
El presente capítulo, representa un pilar fundamental en el desarrollo de esta tesis doctoral.
En él, se abordan en detalle los componentes clave que sustentan la presente investigación,
proporcionando una base sólida y una comprensión profunda de los conceptos y tecnologías
relevantes. Esta sección es esencial para contextualizar y justificar el enfoque integral del
"Modelo Matemático de Recomendación Turística Personalizada en el Departamento del
Sucre," que se propone, el cual se nutre de la intersección de la Inteligencia Artificial, la
Realidad Aumentada y los Sistemas de Recomendación.

En la sección 2.2, se analiza la Inteligencia Artificial (IA) desde sus fundamentos hasta
conceptos avanzados, incluyendo el Machine Learning y el Deep Learning, así como el
procesamiento de lenguaje natural. La IA desempeña un papel crucial en el desarrollo de
sistemas de recomendación turística personalizada y su integración en la tesis. La sección 2.3
es dedicada a la Realidad Aumentada (RA) se enfoca en sus conceptos esenciales y los
diversos tipos de aplicaciones. La RA se presenta como una herramienta innovadora para
mejorar la experiencia turística y es un componente fundamental en la propuesta de
investigación.

Este capítulo también aborda los Sistemas de Recomendación, explicando sus principios y
funcionamiento, junto con una descripción de los distintos tipos de sistemas, desde los
basados en contenidos hasta los colaborativos. Estos sistemas son una piedra angular en la
concepción de un modelo de recomendación turística personalizada.

La última parte de este capítulo resume los sistemas de recomendación turística que emplean
filtros colaborativos, destacando cómo se han aplicado en contextos que involucran la
Realidad Aumentada y la Inteligencia Artificial. Esta exploración no solo informa sobre
investigaciones previas en el campo, sino que también subraya la originalidad y relevancia de
la propuesta de investigación de la tesis.

En resumen, este capítulo sienta las bases conceptuales y teóricas necesarias para la tesis
doctoral, proporcionando una comprensión completa de los elementos críticos que integran el
"Modelo Matemático de Recomendación Turística Personalizada en el Departamento del
Sucre." A través de la exploración detallada de estos temas, se establece un sólido
fundamento para la implementación y evaluación del modelo, con el objetivo de enriquecer la
experiencia turística y promover el desarrollo económico sostenible en la región del
Departamento del Sucre.

2.2 Estado del arte en inteligencia artificial (IA):

La inteligencia se define como la habilidad de aprender y aplicar estrategias adecuadas para

resolver problemas y alcanzar objetivos (Olier & Corchado, 2022) (Olier & Corchado, 2022)*.

19
Las técnicas de Inteligencia Artificial (IA) se emplean para automatizar tareas que demandan
inteligencia humana, como el aprendizaje, la resolución de problemas, el razonamiento y la
toma de decisiones (Russell & Norvig, 2016) (Russell & Norvig, 2016) *. La IA es un campo en
constante evolución e interdisciplinario que se dedica a la creación de sistemas y programas
capaces de replicar los procesos cognitivos humanos, sustituyendo tareas previamente
realizadas por seres humanos (Nilsson, 1998) (Nilsson, 1998) *. Esta evolución ha llevado a
que la IA se enfoque en el desarrollo de máquinas inteligentes o sistemas autónomos,
transitando desde la programación manual hacia un enfoque que se asemeja al aprendizaje
humano (LeCun, Bengio, & Hinton, 2015) (LeCun, Bengio, & Hinton, 2015) *.

Esta disciplina tecnológica impacta de manera significativa en innumerables aplicaciones a

nivel mundial, impulsada por cuatro factores clave: la profusión de datos disponibles, la
capacidad para gestionarlos mediante tecnologías de Big Data, el continuo desarrollo de
algoritmos cada vez más poderosos y la capacidad actual de procesamiento de los sistemas de
cómputo (Poole & Mackworth, 2010) (Poole & Mackworth, 2010)*. No obstante, gran parte
de su comportamiento se deriva del aprendizaje basado en datos y experiencias.

Estos sistemas tienen la capacidad de manejar volúmenes masivos de datos, incluso

yottabytes (1 yb = 1024 b), lo que equivaldría a llenar el volumen del planeta con granos de
arroz (Wang, Xu, Wang, & Wang, 2018).

Siguiendo la estructura propuesta por Douglas Hofstadter, se pueden identificar tres

componentes fundamentales que subyacen a la Inteligencia Artificial: el razonamiento, la
toma de decisiones y la planificación de acciones derivadas de dichas decisiones (Hofstadter,
1979)(Hofstadter, 1979)*.

Estos aspectos siempre deben tener en cuenta las incertidumbres inherentes a cualquier
proceso de toma de decisiones. Esto se debe a que la toma de decisiones, por lo general, es
un procedimiento de gran multiplicidad, cuya complejidad está directamente relacionada con
la naturaleza del entorno en el que se deben tomar estas decisiones, el cual suele estar
impregnado de un alto grado de incertidumbre (Pearl, 1988) (Pearl, 1988)*.

El campo de la Inteligencia Artificial es altamente interdisciplinario y se dedica al desarrollo de

sistemas y algoritmos que emulan procesos cognitivos humanos, lo que implica la
automatización de tareas que requieren inteligencia humana. Este campo está en constante
evolución, y su impacto en diversas aplicaciones a nivel mundial es significativo. Esta revisión
destaca algunos de los pilares fundamentales de la IA, como el Machine Learning, el
Aprendizaje Profundo, el Procesamiento de Lenguaje Natural, el Aprendizaje por Refuerzo, las
Redes Neuronales Artificiales, Lisp, los Sistemas Expertos, la Lógica Difusa, los Agentes
Inteligentes, la Visión por Computadora, la Robótica y el Procesamiento de Señales y Datos
Temporales (Goodfellow, Bengio, & Courville, 2016) (Goodfellow, Bengio, Courville, & Bengio,
2016)*.

20
A lo largo de las décadas, estos pilares han evolucionado y convergido, impulsados por
avances desde la base fundamental de todos ellos que son: los algoritmos, el poder
computacional y la disponibilidad de datos masivos. Además, figuras influyentes en la IA,
como Alan Turing, John McCarthy, Warren McCulloch, Marvin Minsky, Geoffrey Hinton, Yann
LeCun y muchos otros, han dejado su huella en el desarrollo de estas técnicas (Crevier, 1993)
(Crevier, 1993)*.

Referencias:
 Crevier, D. (1993). AI: The tumultuous history of the search for artificial intelligence.
Basic Books.
 Goodfellow, I., Bengio, Y., Courville, A., & Bengio, Y. (2016). Deep learning (Vol. 1). MIT
Press.
 Hofstadter, D. R. (1979). Gödel, Escher, Bach: An Eternal Golden Braid. Basic Books.
 LeCun, Y., Bengio, Y., & Hinton, G. (2015). Deep learning. Nature, 521(7553), 436-444.
 Nilsson, N. J. (1998). Artificial intelligence: A new synthesis. Morgan Kaufmann.
 Olier, I. V., & Corchado, J. M. (2022). A Survey on Deep Learning in Computer Vision.
Neural Computing and Applications, 34(2), 345-354.
 Pearl, J. (1988). Probabilistic reasoning in intelligent systems: Networks of plausible
inference. Morgan Kaufmann.
 Poole, D., & Mackworth, A. K. (2010). Artificial intelligence: foundations of
computational agents. Cambridge University Press.
 Russell, S. J., & Norvig, P. (2016). Artificial intelligence: a modern approach. Pearson.

Figura xx: Bases fundamentales en los que se basa la IA

A continuación, se describen algunas de las técnicas de IA más relevantes en la actualidad:

2.2.1 Machine Learning (1950s-actualidad): El Machine Learning, también conocido como

Aprendizaje Automático, ha sido un pilar fundamental de la Inteligencia Artificial desde sus
primeros días en la década de 1950 hasta la actualidad. Su enfoque se centra en desarrollar
algoritmos y modelos que permiten a las máquinas aprender patrones a partir de datos y
tomar decisiones basadas en ese aprendizaje. A lo largo de las décadas, este campo ha

21
evolucionado considerablemente, pasando de algoritmos de aprendizaje supervisado, como el
Perceptrón de Rosenblatt, a enfoques más complejos y potentes.

El Machine Learning se encuentra en el corazón de muchos avances tecnológicos actuales y se

ha convertido en un subcampo esencial de la IA. Entre las técnicas más comunes se
encuentran el aprendizaje supervisado, donde los modelos se entrenan con datos
etiquetados; el aprendizaje no supervisado, que se centra en descubrir patrones en datos no
etiquetados; y el aprendizaje reforzado, que se basa en la toma de decisiones secuenciales y la
interacción con el entorno. (Russell & Norvig, 2016) *

En resumen, el Machine Learning es una parte esencial de la IA que se enfoca en permitir a las
máquinas aprender y tomar decisiones basadas en datos, mientras que el Aprendizaje
Profundo representa uno de los avances más destacados en este campo, con aplicaciones
significativas en la actualidad (Murphy, 2012)*.

Referencias:
 Russell, S. J., & Norvig, P. (2016). Artificial Intelligence: A Modern Approach. Pearson
 Murphy, K. P. (2012). Machine learning: a probabilistic perspective. MIT press.

2.2.2. Deep Learning: (2000s-actualidad): El Aprendizaje Profundo, también conocido como

Deep Learning, es una subdisciplina altamente influyente dentro del campo del Machine
Learning. Su enfoque se centra en la utilización de redes neuronales artificiales profundas,
como las redes neuronales convolucionales (CNN) y las redes neuronales recurrentes (RNN).
Estas redes profundas han experimentado un impacto transformador en la capacidad de las
máquinas para abordar tareas extremadamente complejas en una variedad de dominios,
incluyendo la visión por computadora y el procesamiento de lenguaje natural (Goodfellow,
Bengio, & Courville, 2016)*.

Las redes neuronales profundas, como las CNN, han demostrado ser excepcionalmente
efectivas en la tarea de reconocimiento de patrones visuales, permitiendo a las máquinas
identificar objetos, rostros y otros elementos en imágenes y videos con una precisión
sorprendente. Esta capacidad se ha traducido en avances significativos en aplicaciones como
la conducción autónoma, el diagnóstico médico basado en imágenes y la seguridad de
reconocimiento facial.

Por otro lado, las RNN han revolucionado el procesamiento de secuencias de datos, como el
reconocimiento de voz y la traducción automática. Su arquitectura única permite la
comprensión de patrones en datos secuenciales y la generación de respuestas coherentes, lo
que ha llevado a mejoras significativas en asistentes virtuales, sistemas de recomendación y
sistemas de chat automatizados (LeCun, Bengio, & Hinton, 2015)*.

Entre los influyentes pioneros en el campo del Aprendizaje Profundo se destacan figuras como
Geoffrey Hinton y Yann LeCun, cuyas contribuciones han sido fundamentales en el desarrollo

22
y la promoción de esta técnica. Sus investigaciones y avances en redes neuronales profundas
han allanado el camino para aplicaciones revolucionarias en el mundo de la inteligencia
artificial.

Referencia:
 Goodfellow, I., Bengio, Y., Courville, A., & Bengio, Y. (2016). Deep learning (Vol. 1). MIT
Press.
 LeCun, Y., Bengio, Y., & Hinton, G. (2015). Deep learning. Nature, 521(7553), 436-444

2.2.3. Procesamiento de Lenguaje Natural (NLP): (1950s-actualidad): Desde los primeros

días de la IA, destacados investigadores como Alan Turing y John McCarthy establecieron los
cimientos del campo del Procesamiento de Lenguaje Natural (NLP). El NLP se dedica a la
interacción entre las computadoras y el lenguaje humano, lo que implica una amplia gama de
aplicaciones. Las técnicas modernas de NLP incluyen análisis sintáctico, reconocimiento de
entidades, traducción automática y mucho más. Gracias a estos avances, se ha presenciado la
creación de sistemas inteligentes como los chatbots y asistentes virtuales, que simplifican las
interacciones con las máquinas.

Las técnicas de NLP permiten a las máquinas comprender, analizar y generar texto y voz de
una manera que se asemeja a la comunicación humana. Para lograrlo, se han desarrollado
modelos avanzados como las redes neuronales recurrentes (RNN) y las redes neuronales
transformer. Estos modelos han revolucionado el NLP, ya que pueden capturar patrones
complejos en el lenguaje y aplicarse en una amplia variedad de aplicaciones.

Uno de los logros más notables en el campo del NLP es la traducción automática, que ha
hecho posible la comunicación global y la eliminación de barreras lingüísticas. Además, el NLP
se utiliza en el procesamiento de texto para tareas como la extracción de información, el
resumen automático y el análisis de sentimientos. Asimismo, se ha avanzado
significativamente en la generación de lenguaje natural, lo que permite a las máquinas
redactar texto coherente y relevante (Vaswani, y otros, 2017)*.

En resumen, el Procesamiento de Lenguaje Natural ha experimentado una evolución

constante, impulsada por investigadores de renombre y por la aparición de modelos de redes
neuronales avanzados. Estos avances han ampliado significativamente las capacidades de las
máquinas para comprender y comunicarse en lenguaje humano, transformando la forma en
que interactuamos con la tecnología.

Referencia:
 Vaswani, A., Shazeer, N., Parmar, N., Uszkoreit, J., Jones, L., Gomez, A. N., ... &
Polosukhin, I. (2017)

2.2.4. Aprendizaje por Refuerzo (Reinforcement Learning): (1950s-actualidad) es un

enfoque que se centra en el entrenamiento de agentes para tomar decisiones secuenciales en

23
entornos que cambian constantemente. Estos agentes aprenden a través de la interacción con
su entorno y buscan maximizar una recompensa acumulativa a lo largo del tiempo. Para lograr
esto, utilizan algoritmos diseñados específicamente para el Aprendizaje por Refuerzo.

Entre los algoritmos más notables se encuentra el Q-learning (por Richard S. Sutton en la
década de 1980), que ha sido ampliamente aplicado en una variedad de dominios, desde
juegos de video hasta el control de robots. El Q-learning permite a los agentes aprender a
tomar decisiones óptimas al evaluar las consecuencias de sus acciones y ajustar su
comportamiento en función de las recompensas recibidas.

Otro avance significativo en este campo es el uso de Deep Q-Networks (DQN). Estas son redes
neuronales profundas que permiten a los agentes aprender y representar relaciones
complejas entre acciones y recompensas en entornos altamente dinámicos. Los DQN han
impulsado aplicaciones avanzadas, como la toma de decisiones en juegos de video, la
navegación de robots autónomos y la optimización de sistemas de control ( Sutton & Barto,
2018)*.

El Aprendizaje por Refuerzo continúa siendo un área de investigación activa y prometedora en

la Inteligencia Artificial, con aplicaciones que abarcan desde la automatización de procesos
industriales hasta la toma de decisiones en tiempo real en entornos complejos.

Referencia:
 Sutton, R. S., & Barto, A. G. (2018). Reinforcement learning: An introduction. MIT Press
Cambridge.

2.2.5. Redes Neuronales artificiales (RNA): (1940s - 1950s - actualidad) Las Redes
Neuronales Artificiales (RNA), una piedra angular de la Inteligencia Artificial, se basan en la
inspiración de la estructura y el funcionamiento de las redes neuronales presentes en el
cerebro humano. El concepto de redes neuronales artificiales comenzó a tomar forma en la
década de 1940, cuando Warren McCulloch y Walter Pitts publicaron un artículo titulado "A
Logical Calculus of the Ideas Immanent in Nervous Activity" en 1943. Esta obra proporcionó
una base teórica para la creación de modelos computacionales que se asemejaban a las redes
de neuronas biológicas (McCulloch & Pitts, 1943)*.

El verdadero hito en el desarrollo de las redes neuronales artificiales se produjo en la década

de 1950, cuando Frank Rosenblatt introdujo el concepto de "perceptrón" en su trabajo "The
Perceptron: A Probabilistic Model for Information Storage and Organization in the Brain" en
1957. El perceptrón se considera uno de los primeros modelos de red neuronal artificial, y su
contribución más significativa radicó en la capacidad de aprender a través del ajuste de los
pesos sinápticos. Esto permitía que las máquinas se entrenaran para realizar tareas específicas
y adaptaran sus respuestas según la información proporcionada (Rosenblatt, 1958)*.

Sin embargo, es importante destacar que, a pesar de los avances iniciales en las redes
neuronales, la década de 1960 y gran parte de la década de 1970 estuvieron marcadas por un

24
período de estancamiento conocido como "el invierno de la inteligencia artificial". Durante
esta etapa, las limitaciones de los perceptrones y las dificultades para entrenar redes
neuronales profundas llevaron a un declive en la investigación en este campo.

No fue hasta la década de 1980 que las redes neuronales artificiales resurgieron con la
introducción de nuevos algoritmos de entrenamiento, como el algoritmo de
retropropagación, que permitieron el entrenamiento eficiente de redes más profundas. Este
renacimiento marcó el comienzo de una era de crecimiento constante en la investigación en
redes neuronales artificiales y ha culminado en el éxito actual del Aprendizaje Profundo (Deep
Learning).

Referencias:
 McCulloch, W. S., & Pitts, W. (1943). A Logical Calculus of the Ideas Immanent in
Nervous Activity. The Bulletin of Mathematical Biophysics, 5(4), 115-133.
 Rosenblatt, F. (1957). The Perceptron: A Probabilistic Model for Information Storage
and Organization in the Brain. Psychological Review, 65(6), 386-408.

2.2.6. Lisp (1958 - actualidad): (acrónimo de "LISt Processing") es un lenguaje de

programación desarrollado por John McCarthy en 1958 que ha dejado una profunda
influencia en el campo de la inteligencia artificial. Este lenguaje se distingue por su énfasis en
la manipulación simbólica y su capacidad para representar y procesar datos en forma de listas
enlazadas. Algunas de las características técnicas más destacadas de Lisp incluyen:

 Gestión de listas enlazadas: Lisp sobresale en su habilidad para representar y manipular

estructuras de datos complejas utilizando listas enlazadas. Esto es esencial para la
representación y el procesamiento eficiente de conocimiento en sistemas de inteligencia
artificial (McCarthy, 1960)*.
 Evaluación simbólica: Lisp adopta una evaluación simbólica, lo que permite a los
programas manipular símbolos y expresiones como datos. Esto resulta esencial en la
creación de sistemas expertos, donde el conocimiento se representa en forma de reglas y
hechos simbólicos (McDermott, 1980)*.
 Facilidad de extensión: Lisp es altamente extensible, lo que facilita a los programadores
agregar nuevas funciones y características al lenguaje de manera sencilla. Esto es crucial
en el desarrollo de sistemas de inteligencia artificial, ya que a menudo se requiere la
capacidad de extender el lenguaje base para investigar y desarrollar nuevas técnicas
(Steele, 1990)*.
 Recopilación de basura: Lisp fue uno de los primeros lenguajes en implementar un
sistema de recopilación de basura, automatizando la gestión de la memoria. Esto
simplifica la programación al eliminar la necesidad de gestionar manualmente la memoria
y contribuye a la creación de sistemas más robustos y seguros (McCarthy, Abrahams,
Edwards, Hart, & Levin, 1962)*.

25
Estas características han contribuido significativamente al uso de Lisp en la creación de
sistemas expertos, procesamiento de lenguaje natural y otras aplicaciones de inteligencia
artificial.

Referencias:
 (McCarthy, J. (1960). Recursive functions of symbolic expressions and their
computation by machine, Part I. Communications of the ACM, 3(4), 184-195)
 (McDermott, D. V. (1980). R1: The first five years. AI Magazine, 1(4), 5-14)
 (Steele, G. L. (1990). Common Lisp: The Language (2nd ed.). Digital Press)
 McCarthy, J., Abrahams, P. W., Edwards, D. J., Hart, T. P., & Levin, M. I. (1962). LISP 1.5
Programmer’s Manual. MIT Press.

2.2.7. Sistemas expertos (1960 - 1970s-1980s): Los Sistemas Expertos representaron un

avance significativo en el campo de la IA durante las décadas de 1970 y 1980. Estos sistemas
son programas de computadora diseñados para imitar el razonamiento y la toma de
decisiones humanas al incorporar conocimiento humano experto en un dominio específico. El
trabajo pionero de destacados investigadores como Edward Feigenbaum y Bruce Buchanan
desempeñó un papel fundamental en el desarrollo y la aplicación de sistemas expertos.

El enfoque principal de los sistemas expertos radica en la representación de conocimiento.

Estos sistemas se fundamentan en una base de conocimiento que contiene reglas, hechos y
relaciones relevantes para un dominio particular. El conocimiento se adquiere de expertos
humanos en ese campo y se codifica en el sistema (Buchanan & Shortliffe, 1984)*.

Un aspecto distintivo de los sistemas expertos es su capacidad para razonar y tomar

decisiones basadas en el conocimiento almacenado. Utilizan técnicas de inferencia para
evaluar la información disponible y generar recomendaciones o soluciones. Esto los hace
particularmente efectivos en tareas de diagnóstico, resolución de problemas y toma de
decisiones en campos tan diversos como la medicina, la ingeniería y la gestión empresarial.

Un ejemplo icónico de un sistema experto es Dendral, desarrollado por Edward Feigenbaum y

Joshua Lederberg en la década de 1960. Dendral se centró en el análisis químico y demostró la
capacidad de un sistema de este tipo para realizar razonamientos complejos (Feigenbaum &
McCorduck, 1983)*.

Los sistemas expertos marcaron un hito en la IA al mostrar que era posible capturar y utilizar
el conocimiento humano de manera efectiva en aplicaciones computacionales. Aunque han
evolucionado y coexisten con otras técnicas de IA, su influencia perdura en campos como la
asistencia médica, donde sistemas expertos especializados continúan brindando apoyo en
diagnósticos y decisiones clínicas.

Referencias:
 Buchanan, B. G., & Shortliffe, E. H. (1984). Rule-Based Expert Systems: The MYCIN
Experiments of the Stanford Heuristic Programming Project. Addison-Wesley.

26
  Feigenbaum, E. A., & McCorduck, P. (1983). The fifth generation: Artificial intelligence
and Japan's computer challenge to the world. Addison-Wesley.

2.2.8. Lógica difusa (1965 - actualidad): introducida por Lotfi Zadeh en 1965, representa un
avance significativo en el campo de la IA al abordar la representación y manipulación de
información incierta o imprecisa. A diferencia de la lógica clásica, que opera con valores
binarios (verdadero o falso), la lógica difusa permite manejar grados de verdad, lo que resulta
fundamental en situaciones donde la incertidumbre desempeña un papel crucial (Zadeh,
1965)*.

Esta técnica se basa en el principio de que en el mundo real, la mayoría de las decisiones y
datos no son completamente precisos o definitivos. La lógica difusa utiliza conjuntos difusos y
funciones de membresía para asignar grados de pertenencia a un conjunto. Esto significa que
un elemento puede pertenecer parcialmente a un conjunto en lugar de estar completamente
dentro o fuera de él (Jang, 1993)*.

La Lógica Difusa ha encontrado aplicaciones en una variedad de campos, incluyendo sistemas

de control, toma de decisiones, procesamiento de señales, inteligencia artificial,
reconocimiento de patrones y más. Por ejemplo, en sistemas de control difuso, la lógica difusa
se utiliza para ajustar sistemas en función de entradas difusas y reglas lingüísticas. En sistemas
de toma de decisiones, permite evaluar opciones en función de la incertidumbre y la
vaguedad (Mamdani & Assilian, 1975)*.

Un ejemplo icónico de aplicación de la lógica difusa es el controlador difuso de tipo Mandani,

que utiliza reglas difusas y funciones de membresía para regular sistemas en entornos
inciertos.

Referencias:
 Zadeh, L. A. (1965). Fuzzy sets. Information and control, 8(3), 338-353.
 Jang, J. S. R. (1993). ANFIS: Adaptive-network-based fuzzy inference system. IEEE
transactions on systems, man, and cybernetics, 23(3), 665-685.
 Mamdani, E. H., & Assilian, S. (1975). An experiment in linguistic synthesis with a fuzzy
logic controller. International journal of man-machine studies, 7(1), 1-13.

2.2.9. Agentes inteligentes (1990 - actualidad): Los Agentes Inteligentes, representan un

campo esencial en la IA. Estos agentes son programas de computadora diseñados para tomar
decisiones autónomas en entornos específicos, lo que los convierte en una parte integral de
diversas aplicaciones y sistemas.

Un aspecto fundamental de los Agentes Inteligentes es su capacidad para percibir y

comprender su entorno, tomar decisiones basadas en esa percepción y actuar en
consecuencia. Esto implica la utilización de técnicas de procesamiento de datos, aprendizaje
automático y toma de decisiones para lograr una interacción eficaz con el entorno
(Wooldridge & Jennings, 1995)*.

27
Un ejemplo común de agentes inteligentes son los sistemas de recomendación, utilizados en
plataformas de comercio electrónico y servicios de transmisión de contenido, como por
ejemplo los sistemas de recomendación turística. Estos agentes utilizan algoritmos de filtrado
colaborativo y procesamiento de datos para analizar el comportamiento del usuario y ofrecer
recomendaciones personalizadas (Resnick, Iacovou, Suchak, Bergstrom, & Riedl, 1994)*.

Los robots autónomos son otro ejemplo importante de agentes inteligentes. Estos robots son
capaces de navegar en entornos físicos, tomar decisiones sobre la navegación y la interacción
con objetos y personas, y adaptarse a situaciones cambiantes (Russell & Norvig, 2009)*.

Los agentes de software que navegan en la web, como los motores de búsqueda, también son
ejemplos destacados. Utilizan algoritmos de rastreo y clasificación para indexar y recuperar
información de la web de manera eficiente.

Referencias:
 Wooldridge, M. J., & Jennings, N. R. (1995). Intelligent agents: Theory and practice. The
Knowledge Engineering Review, 10(2), 115-152.
 Resnick, P., Iacovou, N., Suchak, M., Bergstrom, P., & Riedl, J. (1994). GroupLens: an open
architecture for collaborative filtering of netnews. In Proceedings of the 1994 ACM
conference on Computer supported cooperative work (pp. 175-186).
 Russell, S. J., & Norvig, P. (2009). Artificial intelligence: A modern approach. Prentice Hall.

2.2.10. Técnicas de visión por computadora (1960 - actualidad): La Visión por Computadora,
es un campo integral de la IA. Se centra en permitir a las máquinas analizar e interpretar
imágenes y videos, lo que es fundamental en aplicaciones como la detección de objetos, el
reconocimiento facial y la segmentación de imágenes. Uno de los hitos clave en la historia de
la visión por computadora fue la introducción del modelo de David Marr en la década de
1980, que estableció una jerarquía de representaciones visuales, desde características de bajo
nivel hasta la interpretación de objetos tridimensionales (Marr, 1982)*.

La visión por computadora se ha beneficiado significativamente de las contribuciones de

investigadores notables como David Lowe, quien introdujo el algoritmo SIFT (Scale-Invariant
Feature Transform) para la detección de características en imágenes, lo que revolucionó la
capacidad de las máquinas para identificar y comparar objetos en imágenes, lo que es esencial
en aplicaciones como la recuperación de imágenes y la navegación de robots (Lowe, 1999)*.
Además, técnicas como el reconocimiento de objetos, el reconocimiento facial, vehículos
autónomos y la segmentación de imágenes se basan en algoritmos de visión por
computadora, y estas aplicaciones han tenido un impacto importante en campos que van
desde la seguridad hasta la medicina (Krizhevsky, Sutskever, & Hinton, 2012)*.

Un desarrollo clave que ha impulsado la Visión por Computadora en tiempos recientes es el

uso de redes neuronales convolucionales (CNN). La red ResNet, propuesta por He et al. en

28
2016, ha sido especialmente influyente en el reconocimiento de imágenes al abordar el
problema del desvanecimiento del gradiente, lo que ha permitido un mejor rendimiento en
tareas de visión por computadora (He, Zhang, Ren, & Sun, 2016)*.

Referencias:
 Marr, D. (1982). Vision: A computational investigation into the human representation
and processing of visual information. W. H. Freeman and Company.
 Lowe, D. G. (1999). Object recognition from local scale-invariant features. In
Proceedings of the seventh IEEE international conference on computer vision (Vol. 2,
pp. 1150-1157).
 Krizhevsky, A., Sutskever, I., & Hinton, G. E. (2012). ImageNet classification with deep
convolutional neural networks. In Advances in neural information processing systems
(pp. 1097-1105).
 He, K., Zhang, X., Ren, S., & Sun, J. (2016). Deep residual learning for image
recognition. In Proceedings of the IEEE conference on computer vision and pattern
recognition.

2.2.11. Robótica (1960 - actualmente): La Robótica es un campo interdisciplinario que ha

evolucionado desde la década de 1960 y sigue siendo una parte integral de la IA. La Robótica
se centra en la creación de robots, máquinas que combinan hardware y software para realizar
tareas físicas de manera autónoma o semiautónoma. A lo largo de los años, este campo ha
sido moldeado por figuras influyentes como Joseph Engelberger y Rodney Brooks, quienes
han contribuido significativamente al desarrollo y la aplicación de robots en diversas áreas
(Craig, 2005)*.

Uno de los avances más notables en Robótica ha sido la creación de robots autónomos que
son capaces de navegar y colaborar en entornos diversos. La Inteligencia Artificial desempeña
un papel fundamental en esta evolución al permitir que los robots tomen decisiones basadas
en la percepción de su entorno y la interacción con él. Algunas de las aplicaciones más
destacadas de la Robótica moderna incluyen la robótica industrial, la robótica de servicio y la
robótica médica (Siciliano, Sciavicco, Villani, & Oriolo., 2010)*.

En el ámbito de la robótica, las tecnologías de percepción, como sensores de visión y sistemas

LIDAR, han permitido a los robots mapear y comprender su entorno. Además, la planificación
de movimientos y la toma de decisiones en tiempo real son fundamentales para garantizar
que los robots puedan funcionar de manera autónoma y segura (Khatib, 1986)*.

Un ejemplo icónico de avance en Robótica es el desarrollo de robots colaborativos, como los

utilizados en la fabricación avanzada y la logística. Estos robots pueden trabajar junto a los
humanos en un entorno de colaboración, lo que ha impulsado la automatización en diversas
industrias (Robotics, 2018)*.

Referencias:

29
  Craig, J. J. (2005). Introduction to robotics: mechanics and control. Pearson Education.
 Siciliano, B., Sciavicco, L., Villani, L., & Oriolo, G. (2010). Robotics: Modelling, planning
and control. Springer Science & Business Media.
 Khatib, O. (1986). Real-time obstacle avoidance for manipulators and mobile robots.
The international journal of robotics research, 5(1), 90-98.
 Rethink Robotics. (2018). Collaborative Robots: Safety and Standards. [Whitepaper].
Retrieved from https://www.rethinkrobotics.com/robots/sawyer/

2.2.12. Procesamiento de Señales y Datos Temporales (1950 – 1980 - 1990) : El

Procesamiento de Señales y Datos Temporales es un subcampo esencial de la Inteligencia
Artificial que se centra en el análisis y manipulación de datos secuenciales, como series
temporales, señales de audio o datos de sensores en tiempo real. Estas aplicaciones tienen
relevancia en una amplia variedad de campos, desde el procesamiento de señales biomédicas
hasta el análisis financiero y la detección de anomalías en sistemas de seguridad (Goodfellow,
Bengio, & Courville, 2016)*.

Para abordar la complejidad inherente a los datos secuenciales, se han desarrollado técnicas
avanzadas basadas en algoritmos de aprendizaje automático. Entre las más notables se
encuentran las Redes Neuronales Recurrentes (RNN) y las Redes Neuronales Convolucionales
1D (CNN-1D) (Rumelhart, Hinton, & Williams , 1988)*. Las RNN son especialmente adecuadas
para modelar dependencias a largo plazo en secuencias temporales, mientras que las CNN-1D
se utilizan para identificar patrones locales en datos unidimensionales. Estas técnicas han
demostrado ser eficaces en aplicaciones como el procesamiento de voz, el análisis de
electroencefalogramas (EEG) y la predicción de series temporales financieras (Krizhevsky,
Sutskever, & Hinton, 2012)*.

Un ejemplo destacado de aplicación del Procesamiento de Señales y Datos Temporales es la

predicción del tiempo. Los modelos basados en RNN y CNN-1D se utilizan para analizar datos
meteorológicos secuenciales y proporcionar predicciones precisas en función de patrones
climáticos históricos (Lipton, Ng, & Malik, 2015)*.

Referencias:
 Goodfellow, I., Bengio, Y., Courville, A., & Bengio, Y. (2016). Deep learning (Vol. 1).
Cambridge: MIT press Cambridge.
 RNNs: Rumelhart, D. E., Hinton, G. E., & Williams, R. J. (1988). Learning representations
by back-propagating errors. Nature, 323(6088), 533-536.
 CNNs: Krizhevsky, A., Sutskever, I., & Hinton, G. E. (2012). ImageNet classification with
deep convolutional neural networks. Advances in neural information processing
systems
 Lipton, Z. C., Ng, A. Y., & Malik, J. (2015). Modeling the joint encoding of text and
sound with the end-to-end speech recognition model. In Advances in neural
information processing systems.

30
Las técnicas mencionadas son solo una pequeña muestra de los notables avances en el campo
de la Inteligencia Artificial (Russell & Norvig, 2016)*. La IA en constante evolución ha dado
lugar a innovadoras aplicaciones en diversos sectores, incluido el turismo, donde se han
logrado exitosamente sistemas de recomendación personalizados (Silver, y otros, 2017)*.

Es crucial subrayar que la literatura científica sobre Inteligencia Artificial es extensa y se

encuentra en constante crecimiento (Ricci, Rokach, & Shapira, 2011)*. Por lo tanto, es
necesario consultar fuentes actualizadas para obtener detalles específicos sobre cada técnica
y sus aplicaciones en contextos particulares, como el turismo.

Referencias:

 Russell, S. J., & Norvig, P. (2016). Artificial Intelligence: A Modern Approach. Pearson.
 Silver, D., Schrittwieser, J., Simonyan, K., Antonoglou, I., Huang, A., Guez, A., ... &
Hassabis, D. (2017). Mastering the game of Go without human knowledge. Nature,
550(7676), 354-359.
 Ricci, F., Rokach, L., & Shapira, B. (2011). Introduction to recommender systems
handbook. In Recommender Systems Handbook (pp. 1-35). Springer.

2.3 Estado del arte en Realidad aumentada:

La Realidad Aumentada (RA) se erige como una herramienta innovadora que potencia la
experiencia turística y, en nuestro caso, actúa como un elemento esencial para mejorar la
interacción de los visitantes con el entorno del Departamento del Sucre.

2.3.1. Conceptos fundamentales y aplicaciones de la RA

La Realidad Aumentada (RA) es un campo interdisciplinario en constante evolución que ha

experimentado un significativo progreso en las últimas décadas. Se caracteriza por su
capacidad para combinar el entorno físico con elementos digitales generados por
computadora en tiempo real, resultando en una experiencia perceptual única y
enriquecedora. La RA opera en tiempo real para superponer elementos virtuales, como
gráficos, audio o datos, sobre el mundo real, lo que amplía las percepciones sensoriales del
usuario y proporciona una comprensión más profunda y completa del entorno. Este enfoque
tecnológico se ha aplicado de manera significativa en diversas áreas, con especial relevancia
en el sector del turismo, donde ha transformado la interacción de los visitantes con su
entorno (Azuma, 1997)* (Milgram & Kishino, 1994)* (Azuma, 1997; Milgram & Kishino, 1994;
Kipper & Rampolla, 2012).

2.3.2. Tipos de realidad aumentada y más aplicaciones

En el contexto de la RA, varios conceptos y tecnologías clave son fundamentales para

comprender su funcionamiento y su impacto en diversas aplicaciones, como por ejemplo:

31
2.3.2.1. Seguimiento y Detección de Marcadores
El seguimiento y la detección de marcadores son componentes cruciales de la RA que han
experimentado un notorio progreso en los últimos años. En la RA, los marcadores son
elementos físicos o patrones específicos presentes en el mundo real, y funcionan como
puntos de referencia para anclar información digital, permitiendo la superposición de
contenido virtual de manera precisa y sincronizada (Kato & Billinghurst, 1999). A medida que
la tecnología ha avanzado, la detección y el seguimiento de marcadores se han vuelto más
sofisticados y efectivos, lo que ha mejorado significativamente la calidad y precisión de las
experiencias de RA. Esta evolución ha permitido que la RA se aplique de manera más efectiva
en una amplia gama de campos, desde aplicaciones educativas y de entretenimiento hasta la
asistencia médica, la industria manufacturera y el turismo (Azuma, R. T., 2011).

2.3.2.2. Realidad Aumentada Basada en Localización

La Realidad Aumentada Basada en Localización utiliza la información de la ubicación del
usuario para superponer contenido digital relevante en el entorno. Esta forma de RA se ha
convertido en una herramienta valiosa en aplicaciones de navegación, turismo y publicidad.
Los dispositivos móviles, como smartphones y tablets, aprovechan la información de GPS y
sensores de movimiento para proporcionar a los usuarios datos geolocalizados en tiempo real
(Grubert et al., 2017).

2.3.2.3. Realidad Aumentada Sin Marcadores

A diferencia de la RA basada en marcadores, la Realidad Aumentada Sin Marcadores no
depende de patrones específicos en el mundo real. En cambio, utiliza tecnologías de visión por
computadora y sensores para reconocer el entorno y superponer información digital de
manera contextual (Billinghurst & Duenser, 2012). Este enfoque ha encontrado aplicaciones
en la industria, donde se utilizan gafas inteligentes para proporcionar información en tiempo
real a trabajadores, desde asistencia en la reparación de equipos hasta el mantenimiento
industrial.

2.3.2.4. Visualización Contextual

La Visualización Contextual desempeña un papel fundamental en la RA, ya que su objetivo es
proporcionar información digital que sea relevante y contextualmente apropiada para el
usuario. Esto se logra mediante la superposición precisa de objetos virtuales en relación con el
mundo real. Para brindar una experiencia efectiva, la visualización de estos elementos
virtuales debe ser precisa y coherente con el entorno físico, lo que permite al usuario percibir
su entorno enriquecido de manera natural y significativa.

Este componente de la RA se ha convertido en un área de investigación y desarrollo activa, en

la que se aplican técnicas de seguimiento, detección y procesamiento de imágenes para lograr
una integración fluida entre el mundo real y el mundo virtual. La Visualización Contextual es
esencial en una variedad de aplicaciones de RA, desde la navegación en interiores y la

32
asistencia en la reparación de equipos hasta la educación, el entretenimiento y, por supuesto,
el turismo.

2.3.2.5. Interacción en Tiempo Real

Esta interacción implica la capacidad de los sistemas de RA para interactuar de manera
dinámica con el usuario y el entorno físico. Esta interacción se produce en tiempo real, lo que
significa que las respuestas a las acciones del usuario deben ser inmediatas y precisas para
brindar una experiencia efectiva. Esta interacción bidireccional permite al usuario no solo
consumir información digital, sino también participar activamente y afectar el entorno virtual
que se superpone al mundo real.

La capacidad de reconocer las acciones del usuario y responder instantáneamente es un

desafío técnico clave en la RA. Los sistemas de RA utilizan sensores avanzados, como cámaras,
sensores de movimiento y sensores de profundidad, para capturar el comportamiento del
usuario y su entorno. Los datos capturados se procesan en tiempo real a través de algoritmos
complejos y sistemas de procesamiento de datos para determinar cómo debe superponerse la
información digital y cómo debe responder el sistema a las acciones del usuario.

Esta interacción en tiempo real se utiliza en diversas aplicaciones de RA, desde juegos y
entretenimiento hasta asistencia en la capacitación, en la educación y en el turismo. A medida
que la tecnología continúa evolucionando, se espera que la interacción en tiempo real en la
RA se vuelva aún más precisa y fluida.

2.3.2.6. Interfaces de Usuario Intuitivas

Las Interfaces de Usuario Intuitivas son un componente crítico de la RA que influye en la
efectividad y la adopción de esta tecnología. Para que la RA cumpla su objetivo de enriquecer
la experiencia del usuario, las interfaces deben ser fáciles de usar y comprender, lo que
implica una interacción fluida y eficiente con la información digital superpuesta en el mundo
real.

Los diseñadores de experiencias de RA se esfuerzan por abordar este desafío de varias

maneras:
• Diseño de Interfaces Centradas en el Usuario: Los diseñadores adoptan un enfoque
centrado en el usuario para comprender las necesidades y preferencias de los usuarios
finales. Esto se logra a través de la investigación de usuarios y la creación de perfiles de
usuario para adaptar las interfaces a las expectativas de la audiencia.
• Usabilidad y Diseño de Interacción: Se aplican principios de usabilidad y diseño de
interacción para garantizar que las acciones del usuario, como tocar, deslizar o mirar, se
traduzcan de manera intuitiva en acciones en la aplicación de RA. La retroalimentación
visual y auditiva es esencial para comunicar las acciones y el estado del sistema.
• Dispositivos de Interacción Específicos: La elección de dispositivos de interacción, como
gafas inteligentes, dispositivos móviles o controles gestuales, afecta significativamente la
forma en que los usuarios interactúan con la RA. Cada tipo de dispositivo tiene ventajas y
limitaciones únicas, y su elección debe basarse en la aplicación y el público objetivo.

33
La literatura sobre interfaces de usuario intuitivas en la RA destaca la importancia de estos
aspectos. En estudios y artículos sobre el diseño de experiencias de RA, se abordan enfoques y
estrategias específicas para garantizar que las interfaces sean accesibles y atractivas para los
usuarios (Azuma, 1997; Billinghurst et al., 2015; Bowman et al., 2005).

2.3.2.7. Plataformas y Dispositivos

La implementación de la RA involucra una variedad de plataformas y dispositivos, cada uno
con sus características específicas que influyen en la forma en que los usuarios interactúan
con el entorno aumentado. Algunos de ellos son:
• Smartphones y Tablets: Los dispositivos móviles, como smartphones y tablets, son
ampliamente utilizados para experiencias de RA debido a su ubicuidad. Estos dispositivos
generalmente utilizan la cámara y la pantalla para superponer información digital en el mundo
real (Azuma et al., 2001).
• Gafas Inteligentes: Las gafas inteligentes, como las HoloLens de Microsoft o las Google
Glass, ofrecen una experiencia de RA más inmersiva. Estos dispositivos tienen pantallas
transparentes que permiten superponer objetos virtuales directamente en el campo de visión
del usuario. Se utilizan en aplicaciones industriales, medicina, capacitación y entretenimiento
(Marner et al., 2016).
• Sistemas de Visualización Especializados: Para aplicaciones más avanzadas y
específicas, se utilizan sistemas de visualización especializados. Estos pueden incluir cascos de
realidad virtual (RV) que ofrecen capacidades de RA o sistemas de proyección en entornos
controlados. Se aplican en campos como la medicina, la ingeniería y la arquitectura (Livingston
et al., 2008).
Cada plataforma tiene sus propias ventajas y desafíos, y la elección de la plataforma adecuada
depende de la aplicación específica y los requisitos del usuario.

2.3.2.8. Experiencia del Usuario

La efectividad de la RA se mide en gran parte por la experiencia del usuario. Una interfaz de
usuario intuitiva y atractiva es crucial para el éxito de las aplicaciones de RA.

La RA tiene diversas aplicaciones en el ámbito turístico, donde mejora significativamente la

experiencia de los visitantes. Algunas de estas aplicaciones incluyen:
• Guías de Turismo Aumentadas: Las aplicaciones de RA pueden proporcionar a los turistas
información enriquecida sobre puntos de interés históricos, culturales o naturales mientras
exploran un área.
• Reconocimiento de Monumentos: Los visitantes pueden utilizar aplicaciones de RA para
obtener información instantánea sobre monumentos, edificios o sitios de interés
simplemente apuntando sus dispositivos hacia ellos.
• Museos Aumentados: Los museos han adoptado la RA para ofrecer exposiciones
interactivas y enriquecidas con contenido multimedia.
• Simulaciones Históricas: La RA permite recrear escenarios históricos para educar y
entretener a los visitantes.

34
• Publicidad y Promoción de Destinos: La RA se utiliza en campañas de marketing turístico
para ofrecer a los viajeros una vista previa de destinos y actividades.
• Navegación y Mapas Inteligentes: Las aplicaciones de RA proporcionan a los turistas rutas y
direcciones en tiempo real, mejorando la navegación en áreas desconocidas.
• Experiencias Inmersivas: La RA puede transformar entornos naturales en experiencias de
aventura y exploración más ricas.
• Traducción de Idiomas en Tiempo Real: Los visitantes pueden utilizar aplicaciones de RA
para traducir señales y carteles en tiempo real a su idioma nativo (Milgram, P., & Kishino, F.
(1994). A taxonomy of mixed reality visual displays. IEICE TRANSACTIONS on Information
and Systems, 77(12), 1321-1329).

El Departamento del Sucre, en Colombia, con su rica herencia histórica y cultural, se

beneficiaría enormemente de la implementación de soluciones de RA para mejorar la
experiencia de los turistas. Las aplicaciones de RA pueden destacar la historia, la arquitectura
y la belleza natural de la región, al tiempo que brindan información valiosa y entretenida a los
visitantes.

En resumen, la RA ha evolucionado y se ha convertido en una herramienta integral en la

industria del turismo, ofreciendo una gama de aplicaciones que mejoran la interacción de los
visitantes con el entorno. La capacidad de proporcionar información contextual y visualmente
enriquecida a los turistas mejora la calidad de sus experiencias, lo que a su vez puede impulsar
el turismo en regiones como el Departamento del Sucre.

2.3.2.9. Realidad Aumentada para la Educación

La Realidad Aumentada se ha convertido en una herramienta efectiva en la educación.
Permite la creación de experiencias de aprendizaje interactivas y envolventes. Los estudiantes
pueden explorar conceptos de manera tridimensional y participar activamente en lecciones
(Kerawalla et al., 2006). La RA se utiliza en la enseñanza de disciplinas como la biología, la
química, la historia y la geometría.

2.3.2.10. Realidad Aumentada para la Medicina

La Realidad Aumentada se ha convertido en una herramienta valiosa en la medicina. Los
cirujanos pueden utilizar sistemas de RA para superponer imágenes médicas en tiempo real
durante las intervenciones, lo que mejora la precisión y la seguridad de los procedimientos.
Además, la RA se utiliza en la formación médica, permitiendo a los estudiantes practicar
procedimientos en entornos virtuales realistas (Bichlmeier et al., 2007).

2.3.2.11. Realidad Aumentada en el entretenimiento

La industria del entretenimiento ha adoptado ampliamente la Realidad Aumentada. Los
juegos de RA ofrecen experiencias interactivas y envolventes, donde los jugadores pueden
interactuar con elementos virtuales en el mundo real (Billinghurst & Duenser, 2012). Además,
la RA se ha utilizado en la producción de películas y publicidad interactiva.

35
2.3.2.12. Realidad Aumentada en el Turismo
La Realidad Aumentada ha transformado la experiencia turística al proporcionar información
contextual y enriquecida a los viajeros. Las aplicaciones de RA se utilizan para guías de turismo
aumentadas, reconocimiento de monumentos, museos interactivos y traducción de idiomas
en tiempo real, entre otras aplicaciones (Schmalstieg & Höllerer, 2016).

Referencias:
 Azuma, R. T. (1997). A survey of augmented reality. Presence: Teleoperators and
Virtual Environments, 6(4), 355-385.
 Milgram, P., & Kishino, F. (1994). Taxonomy of mixed reality visual displays. IEICE
transactions on information and systems, 77(12), 1321-1329.
 Kipper, G., & Rampolla, J. (2012). Augmented Reality: An Emerging Technologies
Guide to AR. Elsevier.
 Azuma, R. T., Baillot, Y., Behringer, R., Feiner, S., Julier, S., & MacIntyre, B. (2001).
Recent advances in augmented reality. IEEE computer graphics and applications,
21(6), 34-47.
 Kato, H., & Billinghurst, M. (1999). Marker tracking and HMD calibration for a video-
based augmented reality conferencing system. In Proceedings. 2nd IEEE and ACM
International Workshop on Augmented Reality (Cat. No. PR00149) (pp. 85-94). IEEE.
 Wang, D., & Phillips, P. J. (2009). Evaluation of practical face recognition systems on a
mobile device. In 2009 IEEE 12th international conference on computer vision (pp.
103-110). IEEE.
 Billinghurst, M., & Duenser, A. (2012). Augmented reality in the classroom.
Computer, 45(7), 56-63.
 Schmalstieg, D., & Höllerer, T. (2016). Augmented reality: principles and practice.
Pearson Education.
 Bowman, D. A., Kruijff, E., LaViola Jr, J. J., & Poupyrev, I. (2005). 3D User Interfaces:
Theory and Practice. Addison-Wesley Professional.
 Kerawalla, L., Luckin, R., Seljeflot, S., & Woolard, A. (2006). 'Making it real': exploring
the potential of augmented reality for teaching primary school science. Virtual
Reality, 10(3-4), 163-174.
 Bichlmeier, C., Heining, S. M., Feuerstein, M., Navab, N., & Friess, T. (2007).
[Minimally invasive liver surgery (MILS) guided by augmented reality]. Der Chirurg;
Zeitschrift fur alle Gebiete der operativen Medizen, 78(3), 271-278.
 Marner, M. R., Kadambi, A., & Gabbard, J. L. (2016). A review of see-through head-
worn displays for the consumer market. Proceedings of the IEEE, 104(5), 904-924.
 Schmalstieg, D., & Höllerer, T. (2016). Augmented reality: principles and practice.
Pearson Education.

2.4 Estado del arte en Sistemas de Recomendación

36
Esta sección se centrará en los Sistemas de Recomendación, identificando qué son y cómo
operan. Se abordarán los diferentes tipos de sistemas de recomendación, desde los basados
en contenidos hasta los colaborativos, con especial énfasis en estos últimos, que se configuran
como una base crucial para el modelo de la presente tesis.

2.4.1. ¿qué es un sistema de recomendación?

Los Sistemas de Recomendación (SR) son aplicaciones inteligentes en el campo de la

Inteligencia Artificial (IA) que ofrecen sugerencias altamente personalizadas a los
usuarios basadas en sus preferencias individuales, historial de interacción y patrones
de comportamiento. Estas recomendaciones pueden abarcar una amplia variedad de
elementos, desde productos y servicios hasta contenidos multimedia, con el objetivo
de satisfacer los intereses del usuario. Los SR son esenciales en diversos dominios,
como plataformas de streaming, comercio electrónico, redes sociales y sistemas de
recomendación de noticias. Su capacidad para identificar y presentar opciones
relevantes en conjuntos de datos extensos simplifica la toma de decisiones, mejora la
experiencia del usuario y promueve la interacción. En la era de la sobrecarga de
información, los SR optimizan el análisis de datos utilizando técnicas como la minería
de datos y algoritmos de predicción para predecir los intereses de los usuarios en
información, productos y servicios. Su creciente importancia práctica se refleja en su
amplia aplicación en servicios en línea modernos, y la investigación continua en este
campo subraya su relevancia (Artemenko et al., 2019; Castells & Jannach, 2023). En
resumen, los sistemas de recomendación son historias de éxito en el ámbito de la
inteligencia artificial debido a su capacidad para crear valor tanto para los
consumidores como para las empresas.

Los SR proporcionan una amplia variedad de beneficios tanto para los usuarios como para las
empresas y el sector del comercio en general (Formoso, 2013). Desde la perspectiva de los
usuarios, se destacan tres ventajas clave. En primer lugar, los SR generan un ahorro sustancial
de tiempo al identificar y comprender los objetivos e intereses del usuario a través de su
interacción con el sistema, así como al considerar datos de otros usuarios. Esta comprensión
más profunda da lugar a recomendaciones más precisas y, en consecuencia, a una mayor
adaptación a los posibles cambios en los intereses del usuario. Además, el usuario se libera de
la tarea de buscar y evaluar múltiples productos o servicios, ya que el sistema asume esta
labor de manera automática. En segundo lugar, el uso de los SR eleva la satisfacción del
usuario al tener en cuenta una amplia gama de factores que pueden influir en su elección.
Esto reduce la probabilidad de que el usuario se arrepienta de una compra debido a factores
no considerados previamente, como características del producto o expectativas insatisfechas.
En tercer lugar, los SR permiten a los usuarios descubrir productos novedosos o inesperados
que, de otro modo, podrían pasar desapercibidos. Esta diversificación de opciones puede
conducir a experiencias gratas y a la adopción del sistema de recomendación como un factor
esencial en la toma de decisiones (Ricci, Rokach, & Shapira, 2015).

37
Sin embargo, los SR no solo aportan beneficios a los usuarios, sino que también brindan
ventajas significativas a las empresas y comercios que los implementan (Ricci et al., 2015). En
primer lugar, los SR contribuyen al aumento de las ventas al ayudar a los usuarios a encontrar
los productos que desean, lo que incrementa las posibilidades de conversión. Además, a
medida que los usuarios reconocen la eficacia del SR, desarrollan una mayor confianza en sus
sugerencias, lo que reduce la indecisión al adquirir un producto. En segundo lugar, los SR
fomentan la diversificación de la oferta de productos al recomendar elementos menos
populares, lo que permite a las empresas ampliar su catálogo sin temor a que muchos
productos pasen desapercibidos. Este enfoque es particularmente beneficioso en el ámbito
del comercio electrónico y respalda un modelo de negocio basado en la variedad de opciones
en lugar de depender únicamente de productos de gran popularidad y rotación. En tercer
lugar, la implementación de SR contribuye a la satisfacción del usuario, lo que beneficia tanto
al cliente como a la empresa. Esto se traduce en una reducción de las devoluciones de
productos, una mejora en la reputación de la empresa y una imagen más positiva en general.
En cuarto lugar, los SR aumentan la fidelidad de los usuarios a medida que las
recomendaciones mejoran con la interacción continua. Los clientes satisfechos tienden a
mostrar una mayor preferencia por los productos recomendados por el sistema en
comparación con otras opciones. Finalmente, los SR proporcionan información valiosa sobre
las preferencias del usuario, que puede ser aprovechada por la empresa para mejorar
aspectos como la oferta de productos, la disponibilidad y otras estrategias relacionadas (Ricci,
Rokach, & Shapira, 2015).

En el contexto del turismo, los sistemas de recomendación buscan proporcionar información

personalizada sobre elementos turísticos, como agencias de viajes, hoteles, rutas turísticas y
atracciones. Estos sistemas están diseñados para mejorar la experiencia de los turistas al
alinearla con sus preferencias y gustos, lo que contribuye al crecimiento y éxito de la industria
turística (Ricci, Rokach, & Shapira, 2015), sobre estos SR se profundizará más adelante.

Referencias:

 Formoso, V. (2013). “La inteligencia de negocios para la toma de decisiones:

Implementación y apoyo en el proceso de negocio”. Editorial ECA.
 Ricci, F., Rokach, L., & Shapira, B. (2015). Introduction to recommender systems
handbook. Springer.

2.4.2 ¿cómo funcionan los sistemas de recomendación?

Los sistemas de recomendación típicamente operan mediante el análisis de datos
relacionados con los usuarios y los elementos de interés. Para tal fin, normalmente los datos
se recopilan, almacenan y filtran de acuerdo a los diferentes parámetros que caracterizan a
los usuarios finales esperados (Ricci, F., Rokach, L., & Shapira, B. (2015). Introduction to
recommender systems handbook. Springer).

38
 Figura xxx: ¿cómo funcionan los sistemas de recomendación? Ref: modificada de: Sistemas
de recomendación. Anexos de los recursos de secuenciación; anexo 1. © 2023 by Ministerio
de Educación y Formación Profesional is licensed under CC BYSA 4.0. Gobierno de España.

La obtención de estos datos puede llevarse a cabo de diversas formas, incluyendo la

observación de las interacciones de los usuarios con el sistema, como los clics en artículos y
las compras, o la recopilación de retroalimentación explícita de los usuarios, como
calificaciones y reseñas. Una vez que se ha recopilado esta información, se emplea para
entrenar un algoritmo de aprendizaje automático diseñado específicamente para descubrir
patrones en los datos que puedan utilizarse para realizar predicciones sobre qué elementos
podrían resultar de interés para un usuario. Por ejemplo, el algoritmo podría buscar
similitudes entre usuarios que han mostrado interés en un artículo específico o analizar los
tipos de elementos con los que un usuario ha interactuado previamente para formular
recomendaciones de elementos afines
 Ricci, F., Rokach, L., & Shapira, B. (2015). Introduction to recommender systems
handbook. Springer)
 (Adomavicius, G., & Tuzhilin, A. (2005). Toward the next generation of recommender
systems: A survey of the state-of-the-art and possible extensions. IEEE Transactions on
Knowledge and Data Engineering, 17(6), 734-749).

Una vez que el algoritmo ha sido debidamente entrenado, se convierte en una herramienta
capaz de ofrecer recomendaciones a usuarios individuales. Por ejemplo, si un usuario navega
por un sitio web de compras y visualiza un producto particular, el sistema de recomendación
puede emplear el algoritmo para proponer otros productos que probablemente sean de su
interés con base en su historial previo y el comportamiento de otros usuarios que comparten
intereses similares. En algunos casos, los sistemas de recomendación pueden incluso tomar en
consideración factores adicionales, como la ubicación del usuario o la hora del día, con el
propósito de proporcionar recomendaciones aún más personalizadas y pertinentes. En
términos generales, la finalidad de un sistema de recomendación consiste en realzar la
experiencia del usuario al brindar sugerencias personalizadas que se adaptan a sus intereses y
preferencias particulares (Burke, R. (2002). Hybrid recommender systems: Survey and
experiments. User modeling and user-adapted interaction, 12(4), 331-370.)

Referencias:

39
 Sistemas de recomendación. Anexos de los recursos de secuenciación; anexo 1. © 2023 by
Ministerio de Educación y Formación Profesional is licensed under CC BYSA 4.0.
Gobierno de España.
 Ricci, F., Rokach, L., & Shapira, B. (2015). Introduction to recommender systems handbook.
Springer.
 Adomavicius, G., & Tuzhilin, A. (2005). Toward the next generation of recommender
systems: A survey of the state-of-the-art and possible extensions. IEEE Transactions on
Knowledge and Data Engineering, 17(6), 734-749.
 Burke, R. (2002). Hybrid recommender systems: Survey and experiments. User modeling
and user-adapted interaction, 12(4), 331-370.

2.4.3 Tipos de Sistemas de Recomendación

Existen varios enfoques y técnicas para desarrollar SR, cada uno de los cuales se adapta a
diferentes escenarios y requisitos. Estos métodos incluyen:

2.4.3.1 Aprendizaje profundo (Deep learning):

El Aprendizaje Profundo es una rama de la Inteligencia Artificial que se ha convertido en un
componente esencial en la construcción de sistemas de recomendación más avanzados. En
lugar de depender únicamente de métodos tradicionales, el aprendizaje profundo utiliza
redes neuronales profundas (redes neuronales artificiales con múltiples capas) para analizar y
entender los patrones de comportamiento de los usuarios, lo que permite la extracción de
características y la comprensión de patrones más profundos en los datos del usuario. Este
enfoque es especialmente efectivo cuando se trata de lidiar con datos complejos y no lineales,
lo que se traduce en recomendaciones más precisas y personalizadas.

Estas redes pueden operar en distintos niveles de abstracción y son capaces de identificar
correlaciones que no son evidentes para los métodos convencionales. Por ejemplo, si un
usuario ha interactuado con ciertos tipos de contenido en un sitio web o plataforma, el
aprendizaje profundo puede descubrir patrones complejos en su comportamiento, lo que
puede llevar a recomendaciones altamente precisas de contenido similar.

Este enfoque ha sido ampliamente adoptado en aplicaciones de sistemas de recomendación,

desde plataformas de transmisión de contenido hasta servicios de comercio electrónico y
redes sociales. Algunos de los algoritmos más conocidos en este campo incluyen redes
neuronales convolucionales (CNN) y redes neuronales recurrentes (RNN), que se han
adaptado para mejorar la precisión y el rendimiento de los sistemas de recomendación.

Referencias:
 Goodfellow, I., Bengio, Y., Courville, A., & Bengio, Y. (2016). Deep learning (Vol. 1).
Cambridge: MIT press Cambridge.
 Zhang, S., Zhao, J., McAuley, J., & Zhao, J. L. (2019). A neural collaborative filtering
model with interaction-based neighborhood. In Proceedings of the 27th ACM
International Conference on Information and Knowledge Management.

40
  Cheng, H. T., Koc, L., Harmsen, J., Shaked, T., Chandra, T., Aradhye, H., ... & Ron, D.
(2016). Wide & deep learning for recommender systems. In Proceedings of the 1st
workshop on deep learning for recommender systems.

2.4.3.2 Recomendación Contextual:

Los sistemas de recomendación contextual son una evolución significativa de los sistemas
tradicionales de recomendación y están diseñados para adaptar las sugerencias de contenido
a situaciones específicas del usuario, lo que los hace más relevantes y precisos. Estos sistemas
tienen en cuenta una variedad de factores contextuales, como la ubicación geográfica, la hora
del día, el dispositivo que el usuario está utilizando y la situación en tiempo real, para
optimizar la recomendación de contenido.

Este enfoque se basa en la idea de que las preferencias del usuario y su interés en ciertos
tipos de contenido pueden variar según el contexto en el que se encuentren. Por ejemplo, las
preferencias de visualización de un usuario en casa pueden ser diferentes de las que tiene
cuando está en movimiento o en su lugar de trabajo. Al considerar estos factores, los sistemas
de recomendación contextual pueden proporcionar sugerencias mucho más pertinentes. Por
lo tanto, si un usuario está utilizando su dispositivo móvil en un centro comercial por la tarde,
el sistema de recomendación podría sugerirle tiendas cercanas o descuentos disponibles en
ese lugar específico y momento.

Para implementar sistemas de recomendación contextual, se emplean algoritmos y modelos

avanzados que tienen en cuenta el contexto como una variable adicional en el proceso de
recomendación. Algunos de los enfoques más populares incluyen métodos basados en la
ubicación geográfica, como la geofencing, y técnicas de aprendizaje profundo que pueden
identificar patrones en la actividad del usuario y el contexto en tiempo real.

La recomendación contextual se ha convertido en una característica común en muchas

aplicaciones modernas, como aplicaciones de redes sociales, servicios de entrega de
alimentos, aplicaciones de navegación y de turismo y asistentes personales, y su importancia
en la personalización de la experiencia del usuario sigue creciendo.

Referencias:
 Adomavicius, G., & Tuzhilin, A. (2015). Context-aware recommender systems. In F.
Ricci, L. Rokach, B. Shapira, & P. B. Kantor (Eds.), Recommender Systems Handbook
(2nd ed., pp. 217-253). Springer.
 Zhang, S., Zheng, D., Yu, Z., Xu, Y., Ren, X., Cheng, H., & Zhao, B. (2019). Exploiting
geographical influence for collaborative point-of-interest recommendation. In
Proceedings of the 25th ACM SIGKDD international conference on knowledge
discovery & data mining.
 Panniello, U., Tuzhilin, A., & Gorgoglione, M. (2010). Contextual advertising and
consumer privacy: An extended privacy model. Information Systems Research, 21(2),
229-246.

41
2.4.3.3 Filtrado basado en contenido:
El filtrado basado en contenido es un enfoque fundamental en sistemas de recomendación
que se basa en el análisis de las características y atributos de los elementos recomendados y
su comparación con las preferencias y comportamientos pasados del usuario. A través de este
método, se generan recomendaciones al identificar elementos que son similares a los que el
usuario ha mostrado interés previamente. La similitud se establece en función de
características específicas de los elementos recomendados, como género, tema, etiquetas,
atributos, lugares, que se comparan con las preferencias previas del usuario. Este enfoque se
apoya en la suposición de que si un usuario ha encontrado ciertas características o atributos
atractivos en el pasado, es probable que también encuentre atractivos elementos similares en
el futuro.

Para implementar el filtrado basado en contenido, se utilizan técnicas de análisis de

contenido, minería de datos y procesamiento de lenguaje natural para extraer y evaluar las
características relevantes de los elementos y las preferencias del usuario. La representación
de contenido puede variar según el tipo de elemento, lo que significa que las características se
pueden extraer de diferentes maneras, como texto, imágenes, metadatos o atributos
específicos.

Este método tiene la ventaja de ser independiente de las calificaciones o acciones de otros
usuarios, ya que se basa en las preferencias del usuario individual. Además, es especialmente
útil en escenarios donde la cantidad de interacciones del usuario es limitada y no se dispone
de una gran cantidad de datos de calificación.

El filtrado basado en contenido se ha utilizado ampliamente en sistemas de recomendación de

música, películas, noticias, libros y turismo. A medida que se generan recomendaciones
basadas en las características específicas del contenido, es crucial que los sistemas mantengan
una representación precisa y actualizada de las preferencias del usuario y que se utilicen
técnicas de extracción de características efectivas para mejorar la precisión de las
recomendaciones.

Referencias:
 Melville, P., Mooney, R. J., & Nagarajan, R. (2002). Content-boosted collaborative
filtering for improved recommendations. In Proceedings of the Eighteenth National
Conference on Artificial Intelligence (AAAI-02).
 Ricci, F., Rokach, L., & Shapira, B. (2015). Introduction to recommender systems
handbook. In F. Ricci, L. Rokach, B. Shapira, & P. B. Kantor (Eds.), Recommender
Systems Handbook (2nd ed., pp. 1-9). Springer.
 Pazzani, M. J., & Billsus, D. (2007). Content-based recommendation systems. In P.
Brusilovsky, A. Kobsa, & W. Nejdl (Eds.), The Adaptive Web (pp. 325-341). Springer.

42
2.4.3.4 Filtrado colaborativo:
El filtrado colaborativo es un enfoque fundamental en sistemas de recomendación que se
basa en la idea de que si un usuario muestra preferencia por elementos similares a los de otro
usuario, es probable que también le gusten otros elementos que han sido del agrado del
segundo usuario. Este método aprovecha la sabiduría colectiva de la comunidad de usuarios
para realizar recomendaciones personalizadas. En esencia, busca identificar patrones de
similitud entre usuarios y sus interacciones con elementos recomendados.

Se pueden emplear diversas técnicas en el filtrado colaborativo, las cuales se dividen

principalmente en dos enfoques: filtrado basado en usuarios y filtrado basado en elementos.
El filtrado basado en usuarios se centra en encontrar usuarios con preferencias similares al
usuario objetivo y luego recomendar elementos que hayan agradado a esos usuarios
similares. Por otro lado, el filtrado basado en elementos se enfoca en identificar elementos
que sean similares a aquellos que el usuario ha apreciado previamente, y se recomiendan
estos elementos similares al usuario.

El filtrado colaborativo se basa en la premisa de que las acciones pasadas y las preferencias de
un usuario son indicativos de sus preferencias futuras. Por lo tanto, al detectar patrones de
similitud en la interacción de los usuarios con elementos, el sistema puede generar
recomendaciones precisas y personalizadas.

Para implementar el filtrado colaborativo, se requiere una gran cantidad de datos de

interacción de usuarios, como calificaciones, compras, clics o reseñas. Estos datos se utilizan
para calcular la similitud entre usuarios o elementos, lo que puede ser un proceso
computacionalmente intensivo. Además, se deben abordar desafíos como la "maldición de la
dimensionalidad" y la gestión de la esparcidad de los datos.

La "maldición de la dimensionalidad" se refiere a un fenómeno en el que, a medida que

aumenta el número de dimensiones o características en un conjunto de datos, la cantidad de
datos requerida para describir de manera efectiva ese espacio multidimensional aumenta
exponencialmente. En otras palabras, en dimensiones más altas, los datos tienden a
dispersarse y volverse menos densos, lo que puede dificultar la detección de patrones y
similitudes en el espacio de características.

La esparcidad de los datos se refiere a la situación en la que una gran parte de la matriz de
datos del sistema de recomendación está vacía o no contiene información sobre las
interacciones entre usuarios y elementos. Esto es común en sistemas de recomendación
porque no todos los usuarios interactúan con todos los elementos disponibles. La mayoría de
los usuarios solo califican o interactúan con un pequeño subconjunto de elementos.

El filtrado colaborativo se ha utilizado ampliamente en sistemas de recomendación en

plataformas de comercio electrónico, servicios de transmisión de contenidos, redes sociales,
turismo y más. A medida que los algoritmos de aprendizaje automático y las técnicas de

43
 procesamiento de datos avanzan, el filtrado colaborativo sigue siendo un componente
esencial en la creación de experiencias de usuario personalizadas y atractivas.

Referencias:
 Ricci, F., Rokach, L., & Shapira, B. (2015). Introduction to recommender systems
handbook. In F. Ricci, L. Rokach, B. Shapira, & P. B. Kantor (Eds.), Recommender
Systems Handbook (2nd ed., pp. 1-9). Springer.
 Su, X., & Khoshgoftaar, T. M. (2009). A survey of collaborative filtering techniques.
Advances in Artificial Intelligence, 2009.
 Adomavicius, G., & Tuzhilin, A. (2005). Toward the next generation of recommender
systems: A survey of the state-of-the-art and possible extensions. IEEE Transactions on
Knowledge and Data Engineering, 17(6), 734-749.

2.4.3.5 Modelos Híbrídos de sistemas de recomendación:

Los modelos híbridos en SR son una estrategia avanzada que combina múltiples técnicas de
recomendación para superar las limitaciones inherentes a los enfoques individuales y ofrecer
recomendaciones más precisas y personalizadas.

Modelos Híbridos de Filtrado Colaborativo y Basado en Contenido:

- Los modelos híbridos combinan enfoques de filtrado colaborativo y basado en contenido.
El filtrado colaborativo se basa en el comportamiento de usuarios similares, mientras que el
filtrado basado en contenido considera las características y atributos de los elementos. Al
combinar estos enfoques, los modelos híbridos aprovechan las fortalezas de ambos. Por
ejemplo, pueden abordar el problema de arranque en frío, donde no se tienen suficientes
datos de interacción de un usuario, utilizando información de contenido.
- Los modelos híbridos son ampliamente utilizados en SR y han demostrado mejorar la
calidad de las recomendaciones. Algunas variantes de modelos híbridos incluyen sistemas de
recomendación de filtrado colaborativo con características y enfoques de recomendación
basados en contenidos ponderados (Burke, 2002)

Los modelos híbridos pueden combinar resultados de diferentes enfoques de recomendación

mediante técnicas de ponderación. Esto implica asignar pesos a las recomendaciones de cada
modelo individual y sumarlas o promediarlas para producir recomendaciones finales. También
se utilizan técnicas de aprendizaje automático para determinar los pesos de manera
adaptativa.

Finalmente, la combinación y ponderación de múltiples enfoques permite ajustar la influencia

relativa de cada modelo según el contexto o las preferencias del usuario. Esto puede mejorar
la precisión y la adaptabilidad de las recomendaciones.

Referencias:
 (Burke, 2002), R. (2002). Hybrid recommender systems: Survey and experiments. User
Modeling and User-Adapted Interaction, 12(4), 331-370.

44
 Ricci, F., Rokach, L., & Shapira, B. (2010). Introduction to recommender systems handbook. In
Recommender Systems Handbook (pp. 1-35). Springer.
 Adomavicius, G., & Tuzhilin, A. (2005). Toward the next generation of recommender systems:
A survey of the state-of-the-art and possible extensions. IEEE Transactions on Knowledge and
Data Engineering, 17(6), 734-749.
 Ricci, F., Rokach, L., & Shapira, B. (2011). Introduction to recommender systems handbook. In
Recommender Systems Handbook (pp. 1-35). Springer.
 Bobadilla, J., Ortega, F., Hernando, A., & Gutiérrez, A. (2013). Recommender systems survey.
Knowledge-Based Systems, 46, 109-132.
 Rendle, S. (2012). Factorization machines with libFM. ACM Transactions on Intelligent Systems
and Technology (TIST), 3(3), 57.
 Zhang, S., Zheng, D., Wang, C., & Yuan, N. J. (2014). Discrete collaborative filtering. ACM
Transactions on Information Systems (TOIS), 32(4), 1-40.
 Borja Álvarez, J. (2019). Sistemas de Recomendación de Servicios Turísticos Personalizados en
el Destino Turístico Inteligente. Universidad de Málaga.
 Burke, R. (2007). Hybrid Recommender Systems: Survey and Experiments. User Modeling and
User-Adapted Interaction, 12(4), 331-370.
 Leiva, F., Guevara, M., & Rossi, G. (2012). RAMCAT: Realidad Aumentada Móvil basada en el
Contexto Aplicada al Turismo. Revista de Análisis Turístico, (13), 1-14.
 Anacleto, J. C., Figueiredo, L. H., Almeida, H. Y., & Novais, P. (2014). PSIS: A Personalized
Sightseeing System. Journal of Ambient Intelligence and Humanized Computing, 5(2), 223-236.
 Ricci, F., Rokach, L., & Shapira, B. (2011). Introduction to Recommender Systems Handbook.
Springer.
 Xiang, Z., Du, Q., Ma, Y., & Fan, W. (2017). A Comparative Analysis of Major Online Review
Platforms: Implications for Social Media Analytics in Hospitality and Tourism. Tourism
Management, 58, 51-65.
 Buhalis, D., & Amaranggana, A. (2015). Smart Tourism Destinations. ASEAN Journal on
Hospitality and Tourism, 14(1), 1-7.
 Wang, D., Li, X., & Liang, Y. (2019). A Hybrid Recommendation Algorithm for Tourism Products
Based on Collaborative Filtering and Content-Based Filtering. Journal of Ambient Intelligence
and Humanized Computing, 10(3), 1005-1015.

AQUI VOY
2.4.4. Sistemas de recomendación turística

El sistema de recomendación para el turismo tiene como objetivo brindar información o

sugerencias sobre elementos relacionados con el turismo, tales como agencias de viajes,
hoteles, rutas turísticas y atractivos turísticos Mu, Zhang, et al., (2009)

2.5 Estado del arte en Sistemas de Recomendación Turística con filtros colaborativos

La sección 2.5 constituye un paso más allá, explorando cómo se han aplicado los
sistemas de recomendación turística con filtros colaborativos en contextos que

45
involucran tanto la Realidad Aumentada como la Inteligencia Artificial. Esta parte del
marco teórico no solo proporcionará una visión general de las investigaciones previas
en el campo, sino que también resaltará la relevancia y originalidad de nuestra
propuesta de investigación.

En resumen, este capítulo cumple un rol esencial al cimentar la base conceptual y

teórica de nuestra tesis doctoral, proporcionando una comprensión completa de los
elementos clave que conforman nuestro "Modelo Matemático de Recomendación
Turística Personalizada en el Departamento del Sucre". A través de la exploración
minuciosa de estos temas, se sientan las bases necesarias para la implementación y
evaluación de nuestro modelo, con el objetivo de enriquecer la experiencia turística y
promover un desarrollo económico sostenible en la región del Departamento del
Sucre.

46