Agente para proyectar mercado laboral, empleando reinforcement learning y teoría de juegos para toma de decisiones automatizadas

Ponente(s): Daniel Adrián Contreras Olivas, Enrique Ulises Báez Gómez Tagle, Mauricio Iván Ascencio Martínez, Daniel Eduardo Leal Córdova, Laudiel Vinalay Ataxca

Este proyecto explora la aplicación de la teoría de juegos, la teoría de agentes y el aprendizaje automático en el desarrollo de un programa que crea un agente de soporte automático de la decisión relacionado con recursos humanos y oferta-demanda de mercado laboral con base en criterios sociodemográficos o académicos y evaluando cuándo la oferta de trabajo es más conveniente al valor real de mercado de la posición. El objetivo principal del agente es determinar el mejor salario ofrecido por modelos entrenados que consideran varios parámetros y métodos de entrenamiento. Las bases de datos que se utilizan son empleos de referencia internacionales del gobierno de Estados Unidos. ¿Toma el agente las mejores decisiones posibles en la mayoría de los casos?