Optimización de modelos de inteligencia artificial para la clasificación de información empresarial: un enfoque basado en particle swarm optimization

Optimization of artificial intelligence models for business information classification: a particle swarm optimization approach

Resumen

El crecimiento de los datos no estructurados en entornos organizacionales ha incrementado la necesidad de desarrollar herramientas analíticas capaces de transformar información textual en conocimiento útil para la toma de decisiones. En este contexto, el estudio analiza el impacto de la optimización de hiperparámetros en el desempeño de modelos de inteligencia artificial aplicados a la clasificación de información empresarial, particularmente noticias económicas. La investigación se fundamenta en fuentes secundarias de literatura científica especializada y en el uso del corpus Reuters Newswire Topics, compuesto por noticias financieras reales. Metodológicamente, se adopta un enfoque experimental en tres fases: construcción de un modelo base de red neuronal profunda (MLP), optimización de hiperparámetros mediante Particle Swarm Optimization (PSO) (Clerc, 2006) y evaluación comparativa del desempeño. Se emplean métricas como exactitud y F1 macro. Los resultados evidencian que, aunque el modelo base alcanza niveles aceptables de exactitud, presenta limitaciones en la clasificación de categorías minoritarias. La optimización mediante PSO permitió mejorar significativamente el desempeño, destacándose un incremento cercano al 18 % en la medida F1 macro. Se concluye que la optimización de hiperparámetros es un componente crítico en el diseño de modelos de aprendizaje profundo, ya que mejora su capacidad de generalización y su utilidad en contextos de analítica empresarial y toma de decisiones.