Información Adaptativa, Ingeniería del Conocimiento e Inteligencia Colectiva (Parte I)
Upcoming SlideShare
Loading in...5
×
 

Información Adaptativa, Ingeniería del Conocimiento e Inteligencia Colectiva (Parte I)

on

  • 516 views

Primera parte del Tema, impartido dentro de la asignatura "Sistemas de Información Avanzados (Comercio electrónico)" dentro del ...

Primera parte del Tema, impartido dentro de la asignatura "Sistemas de Información Avanzados (Comercio electrónico)" dentro del
Máster de estudios avanzados en dirección de empresas de la Universidad de Sevilla

Statistics

Views

Total Views
516
Views on SlideShare
485
Embed Views
31

Actions

Likes
0
Downloads
3
Comments
0

1 Embed 31

https://twitter.com 31

Accessibility

Categories

Upload Details

Uploaded via as Adobe PDF

Usage Rights

CC Attribution-NonCommercial LicenseCC Attribution-NonCommercial License

Report content

Flagged as inappropriate Flag as inappropriate
Flag as inappropriate

Select your reason for flagging this presentation as inappropriate.

Cancel
  • Full Name Full Name Comment goes here.
    Are you sure you want to
    Your message goes here
    Processing…
Post Comment
Edit your comment

Información Adaptativa, Ingeniería del Conocimiento e Inteligencia Colectiva (Parte I) Información Adaptativa, Ingeniería del Conocimiento e Inteligencia Colectiva (Parte I) Presentation Transcript

  • Sistemas de Información Avanzados (Comercio electrónico) Máster de estudios avanzados en dirección de empresas Información Adaptativa, Ingeniería del Conocimiento e Inteligencia Colectiva Joaquín Borrego Díaz Grupo Lógica, Computación e Ingeniería del Conocimiento PAIDI TIC-137 Departamento de Ciencias de la Computación e Inteligencia Artificial jborrego@us.es, Twitter:jborrego
  • Contenidos: Bloque I: Ingeniería del Conocimiento y Sistemas de Información • Parte I • • • • Análisis, estado del arte, prospectiva Tecnologías Información versus conocimiento Caos de información versus Ciencia del Dato • • • Big Data • Parte II: Casos de Aplicación • • • • • Interoperabilidad semántica Ontologías y comercio electrónico Semántica para procesos de negocio Ejemplos de interoperabilidad semántica • Ciencia del Dato Complejidad Modelos de negocio basados en datos • Reutilización de las capacidades Movilidad
  • Después del descanso... Contenidos: Bloque II: Inteligencia Colectiva y Sistemas de Información • Técnicas y aplicaciones: • • • • • • Gamification CrowdS(F)ourcing: campo potencial de aplicación Modelos CrowdS(F)ourcing Social Media como canal I/O del sistema de información Semántica para marketing: • • geodemografía Análisis de sentimientos Social Content Curation
  • Bloque I: Ingeniería del conocimiento y sistemas de información parte I
  • Estado del arte, tecnologías, hypes Análisis desde la IA/IC de la curva de Gartner 2013 http://farm9.staticflickr.com/8475/8392820088_7d4a9973ff_o.jpg
  • En 2012...
  • Tecnologías interesantes del ciclo, y tecnologías de Ingeniería del Conocimiento (la Inteligencia Artificial en general) • • • • • • • • Minería de datos (en BigData) Linked Data, Minería de datos Web Semántica (y agentes) Representación del conocimiento Inteligencia colectiva Sistemas multiagente, Web Semántica Procesamiento del lenguaje natural, análisis de sentimiento, ontologías Agentes, Web Semántica • • • BigData • • • • • Gamification Complex Event Processing Cloud Computing (private, hybrid) Crowdsourcing Internet of things Automated content recognition Application Stores
  • En 2013...
  • Conclusiones y cuestión... • • • • • • ¡No hay muchos cambios ni “aceleraciones”! Cambio de escala: Big Data, Cloud Computing, • Data Science IA para tecnologías del lenguaje Sentimientos, crowdsourcing/founding Sensores Procesamiento “en memoria”: nuevos tipos de datos ¿Cómo afecta(rá) a los sistemas de información, marketing, negocios etc.?
  • Oportunidad: modelos de negocio disruptivos • Idea: aprovechar la tecnología nueva para crear (y ocupar) un nicho de mercado • Antes: Exhibición de la tecnología • Ahora: Exhibición de la utilidad, aprovechando las nuevas tecnologías/ tendencias
  • Información adaptativa • Información que se puede (re)utilizar de distintas formas • Información que se adapta a un entorno nuevo sin problemas • Información que es entendible para cualquier miembro de la organización Nuestra aproximación Interoperable semánticamente
  • http://www.inteco.es/file/03mDN9EbIu4Imu8Dl6FREw
  • De la Información/datos al conocimiento • Proceso natural • Inteligencia de negocio adaptativa • Disciplina que usa técnicas de predicción y optimización para construir sistemas que auto-aprendan a decidir • Data mining, modelos de predicción, optimización, adaptación y son usados por los “business managers” para tomar decisiones Z. Michalewicz, M. Schmidt,M. Michalewicz, C. Chiriac Adaptive Business Intelligence, Springer 2006
  • Estructura simplificada de un Inteligencia de negocio adaptativa • Inteligencia de negocio: • “El uso de información que permite a las organizaciones dirigir de la mejor forma, decidir, medir, gestionar y optimizar el alcance de la eficiencia y los resultados financieros.” Propuesta
  • Dónde entra la Inteligencia Artificial • Puede ser aplicada en muchos de los pasos anteriormente descritos • La IA proporciona multitud de metodologías, técnicas y herramientas para adaptar y hacer “inteligentes” nuestros sistemas • Nos centraremos en algunas técnicas de Ingeniería/ Representación del Conocimiento
  • Caos de información versus Ciencia del Dato
  • Big Data • Tratamiento y análisis de enormes repositorios de datos que resulta imposible tratarlos con las herramientas de bases de datos y analíticas convencionales Everyday, we create 2.5 quintillion bytes of data–so much that 90% of the data in the world today has been created in the last two years alone. This data comes from everywhere: • • • posts to social media sites, • • from sensors used to gather climate information, transaction records of online purchases, • • from cell phone GPS signals digital pictures and videos posted online, etc. This data is big data. http://www-01.ibm.com/software/data/bigdata/
  • Implicaciones (World Economic Forum 2012) 2012 • Can human behaviour be understood, predicted and controlled? • The advent of “big data” – enormous datasets now being harvested from records from websites (including social media sites), mobile phones, GPSs and banking transactions are giving physicists, social scientists and complex system experts powerful new tools to understand and predict human behaviour. • This development likely will have profound impacts on politics, marketing, infrastructure design and many other spheres.
  • Problemas • Privacidad • Datos pueden estar distorsionados • Potencian el aprendizaje automático • Extraer comportamientos personales • Identificación • TECNOLOGÍA http://www.technologyreview.com/printer_friendly_article.aspx?id=38775
  • Six Provocations for Big Data (Boyd & Crawford, 2011) http://papers.ssrn.com/sol3/papers.cfm?abstract_id=1926431 • Automating Research Changes the Definition of Knowledge • Claims to Objectivity and Accuracy are Misleading • Bigger Data are Not Always Better Data • Not All Data Are Equivalent • Just Because it is Accessible Doesn’t Make it Ethical • Limited Access to Big Data Creates New Digital Divides
  • Información en Internet http://www.good.is/post/the-world-of-data-we-re-creating-on-the-internet/
  • ¿Dónde fluye esa información? Libre de escala, mundo pequeño
  • Se necesita una nueva disciplina: La ciencia del dato (Data Science) • El buscador de Google fue el primer caso importante de aplicación de esta ciencia Áreas implicadas: Cloud computing Databases and information integration Learning, natural language processing and information extraction Computer vision Information retrieval and web information access Knowledge discovery in social and information networks
  • Ciencia del dato versus aplicaciones sobre datos • A data application acquires its value from the data itself, and creates more data as a result. It’s not just an application with data; it’s a data product • Data science enables the creation of data products.
  • Posibles beneficios del aprovechamiento del Big Data • Servicios Financieros Los datos obtenidos de los teléfonos móviles pueden permitir una comprensión profunda de los hábitos de gasto y ahorro en los diferentes sectores y regiones. • • • Los historiales de pagos digitales permiten que los usuarios generen un historial de crédito, generando la posibilidad de que sean candidatos para préstamos y otros servicios de crédito financiero. Salud Los datos recogidos a través de los dispositivos móviles, capturados por los profesionales del sector, presentados por individuos o analizados en forma de data exhaust (grandes cantidades de datos antes de ser procesados), pueden ser una herramienta útil para entender las tendencias de salud de la población o frenar los brotes epidémicos. • • • Cuando se recolectan en un contexto de historiales sanitarios individuales, estos datos no solamente mejoran la continuidad en el cuidado de los pacientes, sino que pueden ser utilizados para crear bases de datos inmensas con las que los que tratamientos y resultados pueden ser comparados de forma eficiente y poco costosa. Agricultura • Los pagos móviles de productos agrarios, las compras y los subsidios pueden ayudar a los gobiernos a mejorar sus predicciones sobre las tendencias de producción de productos y sus incentivos. Este conocimiento puede ser utilizado para asegurar la adecuación del almacenaje de los cultivos, reducir los desperdicios y el deterioro de productos y proporcionar una mejor información sobre los tipos de ayuda financiera que necesitan los agricultores. El patrón de conducta del uso del teléfono móvil puede ayudar a los gobiernos y a las ONG a identificar las zonas en peligro. La detección temprana puede ayudar a prevenir que las familias abandonen sus tierras y el decrecimiento de la producción agrícola. http://www.ticbeat.com/libreriaticbeat/big-data/
  • Una aplicación: Procesamiento de eventos complejos • ¿Qué tienen en común... • Primavera árabe • Crisis financiera mundial • Crisis en Darfur • Mercado del vino mundial • para que puedan ser analizados y, si es posible, ser predecidos?
  • Ejemplos de resultados:
  • Análisis de redes (sistemas complejos) /1201.3798 arxiv.org/abs http:// http://www.ecb.int/press/pr/date/2010/html/pr100107.en.html
  • The network of global corporate control • Concentration of power is not good or bad in itself, says the Zurich team, but the core's tight interconnections could be. As the world learned in 2008, such networks are unstable. "If one [company] suffers distress," says Glattfelder, "this propagates." Red (financiera) http://www.plosone.org/article/info%3Adoi%2F10.1371%2Fjournal.pone.0025995
  • Revueltas árabes versus índice de precios de alimentos The Food Crises and Political Instability in North Africa and the Middle East Marco Lagi, Karla Z. Bertrand,Yaneer Bar-Yam http://arxiv.org/abs/1108.2455
  • Complejidad económica
  • Complejidad económica • • • Visualización Redes complejas Diagnosis Countries whose economic complexity is greater than what we would expect, given their level of income, tend to grow faster than those that are “too rich” for their current level of economic complexity. In this sense, economic complexity is not just a symptom or an expression of prosperity: it is a driver. Economic complexity, therefore, is expressed in the composition of a country’s productive output and reflects the structures that emerge to hold and combine knowledge.
  • Tema de investigación: Aplicar el Ingeniería del conocimiento a Complejidad Económica Enlaces entre productos miden la probabilidad de ser co-exportados Caminos: composición de capacidades • Información representada contextos formales • Contextualizar dentro de países o grandes compañías
  • Complejidad económica versus control/simulación de sistemas complejos • Matemáticos, físicos, ingenieros o incluso músicos han desembarcado en bancos de inversión, brókeres y hedge funds. • Misión: desarrollar algoritmos que permitan realizar estrategias de inversión convencionales (arbitraje, contrapartida o creación de mercado, inversión intradía, detección de correlaciones en el precio de los activos...), pero a mucha más velocidad gracias a los avances tecnológicos. • Sistemas pensados para que operen con total autonomía. No aspiran a dar el pelotazo inmediato. Con cada movimiento, su objetivo es ganar 0,001 euros. • Parece una meta de rentabilidad modesta, ¿no? Multipliquen esta cantidad por miles de operaciones por minuto, ocho horas al día, cinco días a la semana, 52 semanas al año... Un martillo pilón con el que hacer dinero si se acierta con el modelo.
  • ¿N ue de vo O s ti LA po P? s Combinación de fast-trading y social media para los sistemas de información Lucky Sort
  • Ejemplos (de nuestro grupo) http://www.shorpy.com/node/438
  • Predicción bajo racionalidad acotada • Los humanos no razonamos “lógicamente” • El comportamiento colectivo, de manera emergente, es mejor que el individual en muchas ocasiones • Seleccionamos, razonamos rápido (fast & frugal) • Aunque argumentamos, no analizamos todos los argumentos o posibilidades • Los esquemas de razonamiento experimentados con éxito son interesantes • Conclusión: NO despreciamos nuestros esquemas “no lógicos”
  • Agentes para trabajar con conocimiento a em ist b s co We tico E án em S ¡A rg u m en to !
  • Predicción bajo racionalidad acotada versus big data Ejemplo: predecir las apuestas más populares
  • Modelo Monstruo (retículo de conceptos) (una temporada)
  • Sistema Resultados Comparación
  • ¿Aplicaciones del modelo? • A cualquier sistema experto con observaciones discretizables adecuadamente • Apuestas deportivas • Ecología • Economía (mercados de valores, etc.) • etc. • Conjetura: sistemas en el que el conocimiento exhiba una capa epistemológica con cierta estructura (libre de escala)
  • La hipótesis del residuo libre de escala (Aranda, Borrego y Galán 2012) • If the attribute set selected to observe the Complex System is computable, objective and induces a Concept Lattice which provides a sound analysis of the CS (from the point of view of BR), then its degree-distribution is scalefree Scale-Free Structure in Concept Lattices Associated to Complex Systems
  • Parte II: Casos, aplicaciones
  • Big data... again http://bigdatalandscape.com/
  • Casos llamativos ¡Modelo de negocio interesante!
  • Datos “cerrados” versus datos abiertos • Transporte • Localización de nuevos enclaves para servicios • Estudios de mercado • ... http://www.guardian.co.uk/public-leaders-network/blog/2012/mar/19/ open-data-raw-material-industrial?CMP=twt_gu
  • Open Data • • • Poner a disposición pública datos de instituciones, organizaciones, etc. • Privacidad, protección de datos No descarga de bases de datos. Consulta en forma de APIs Construcción de Mashups Tecnologías para la transparencia • • • Data visualisation and navigation • • Going mobile Data collection Connecting and engaging citizens via social media networks Traditional media http://www.transparency-initiative.org/reports/global-mapping-of-technology-for-transparency-and-accountability http://es.scribd.com/doc/61030999/Open-data-study-New-technologies
  • Públicos, privados Transparencia Institucional Estandarización de formatos Transparencia corporativa
  • Múltiples iniciativas Open Data
  • Datos “cerrados” versus datos abiertos
  • • Ecosistema para modelos de negocio basados en open data http://www.deloitte.com/assets/Dcom-UnitedKingdom/Local%20Assets/Documents/Market %20insights/Deloitte%20Analytics/uk-da-open-growth.pdf
  • • Linked Data Los Datos Enlazados es la forma que tiene la Web Semántica de vincular los distintos datos que están distribuidos en la Web • • “Linked data: datos sin ontologías” • Se vinculan a recursos de otros sitios de la WWW • Se calcula combinando/agregando datos enlazados de distintos recursos • Se ponen a disposición de la comunidad los resultados • Open Linked Data Los datos enlazan cosas arbitrarias que se describen en RDF. BBC: BBC music BBC programs BBC WildLife Finder
  • Linked Data Canalización débil del conocimiento • Proponer semantizaciones débiles en forma de clientes para proyectos existentes • Linked data versus open data • Sistemas para extraer conocimiento de la empresa Ejemplo: Empresa farmacéutica
  • Ingeniería del conocimiento y big data BIG DATA
  • Grafo social (y de objetos) en el entorno Big Data
  • ¡! RDFa es un conjunto de extensiones de XHTML propuestas por W3C para introducir semántica en los documentos. Se ha definido una correspondencia simple que permite extraer tripletes RDF
  • Conclusión: Es big data social ¡Google no puede hacer esto!
  • El grafo del conocimiento de Google 3.500.000. 000 de relaciones entre objetos 50.000.000 de objetos Conclusión: Es big Knowledge
  • ¿Materia prima para nuevos proyectos de este tipo? (porque Google y Facebook ya la tienen)
  • Semántica DBpedia (Wikipedia) dbpedia.org/ CommonTag www.commontag.org
  • ¿Y el Big data?
  • Modelo de negocio basado en el ciclo completo • • • Dispositivo • Exploración de nuevos tipos de explotación de la información Flujo de datos Modelo freemium para el almacenamiento
  • Parte III: Casos de estudio
  • Caso especial: Interoperabilidad Semántica para la empresa
  • Objetivo primario de una ontología: Facilitar la interoperabiliad a nivel semántico Ontología
  • Aplicación básica: B2C mediante ontologías
  • Campos de aplicación Tratamiento de información no interpretable por todos Veremos algunos ejemplos Argumentación homogénea a través de Ontologías y metadatos bottom-up estructuración (semántica) Externalización del conocimiento Interoperabilidad entre los módulos de transacciones Interoperabilidad B2B (¿B2C?) http://csdb.wilshireconferences.com/forms/download/guide_to_semantics
  • Casos interesantes (los veremos): Interoperabilidad semántica y comercio electrónico Externalización del conocimiento en empresas
  • Tendencias ____________________
  • Oportunidades • Software de gestión inteligente del conocimiento para la empresa usando estándares como ontologías empresariales • Integración de la información de la empresa y de servicios mediante tecnología Web Semántica
  • Índice: • Aplicaciones en: • Comercio electrónico • Explotación del “grafo social” y de objetos • Externalización del conocimiento en empresas • Interfaces inteligentes para la documentación
  • Comercio electrónico
  • Comercio electrónico • GoodRelations is a standardized vocabulary for product, price, and company data that • • • can be embedded into existing static and dynamic Web pages and that can be processed by other computers. This increases the visibility of your products and services in the latest generation of search engines, recommender systems, and novel mobile or social applications. Año 2010
  • ¿Cómo usarlo?: Mirar http://searchengineland.com/make-yourself-findable-in-the-global-graph-of-commerce-135082 as t n ie m ra r e H http://wiki.goodrelations-vocabulary.org/Tools
  • Mini-tutorial de Rich snippets: http://www.ebusiness-unibw.org/tools/grsnippetgen/
  • Extendiendo con nuevas ontologías
  • Caso I(c): Externalización Inteligente Dimensión I: Ingeniería Ontológica Ontología
  • Es un caso particular de: • Conocimiento entre pares • ¿Qué sistemas? ¡¡No procesable!! • Conocimiento entre pares y “tangible” (datos, información) • ¡¡Procesable!! Brecha Semántica
  • Ciclo de Nonaka & Takeuchi • Cuatro actividades • ¿Quién las gobierna? • ¿Pueden ser gobernadas mediante tecnologías 2.0?
  • Proyección del ciclo de Nonaka & Takeuchi
  • ex Con te oc rn im al ien iz to ad o Externalización
  • Semántica aplicada a la mejora de calidad de los procesos de negocio Improving Business Process Model Quality Using Domain Ontologies Samira Si-Said Cherfi, Sarah Ayad, and Isabelle Comyn-Wattiau. Journal on Data Semantics 2(2-3):75-87 (June 2013)
  • Ejemplo: Quiero (como profesor) hacer un viaje Problema: ¿Un nuevo empleado entiende los conceptos como debe?
  • Primer paso: identificar similaridades con la ontología modelo
  • Describir el metamodelo “proceso de negocio”
  • Parte de la Ontología para el metamodelo (ontología de alto nivel)
  • Ambigüedades... Ambigüedades, deficiencia de abstracción, incompletitud de la especificación Trasladando a la ontología
  • “Mapea” tu proceso como instanciación del metamodelo (pedirá refinar las acciones del proceso, requisitos, detalles, etc.)
  • Otro ejemplo (ahora en EPC, Event Process Chaining) http://en.wikipedia.org/wiki/Event-driven_process_chain Ontología para empresa Semantic EPC: Enhancing Process Modeling Using Ontology Languages Oliver Thomas, Michael Fellmann: in Semantic Business Process and Product Lifecycle Management. Proceedings of the Workshop SBPM 2007, Innsbruck, April 7, 2007, CEUR Workshop Proceedings, ISSN 1613-0073, online CEUR-WS.org/Vol-251/
  • Ejemplo de Procesamiento de un pedido en EPC • • Cuestiones: • ¿Todo los miembros de la empresa entienden igual este proceso? • ¿Otras empresas entenderán este proceso? Para que esto sea posible podemos usar la ontología como “conocimiento común” (consenso sobre los elementos)
  • Necesitamos modelizar dos elementos: El lenguaje de EPC El modelo concreto Instanciación
  • Bajando a la sintaxis...
  • Procesando como RDF EPML: Mendling, J.; Nüttgens, M.: EPC Markup Language (EPML) – An XML-Based Interchange Format for EventDriven Process Chains (EPC) : Technical Report JM–2005–03–10.Vienna University of Economics and Business Administration, 2005
  • Ventajas de este tipo de semantizaciones • Mejora la calidad de los procesos • Elimina ambigüedad • El metamodelo estandariza los procesos
  • Algunos ejemplos recientes de uso de la Web Semántica
  • Caso de éxito IV: Reegle
  • Caso de éxito V: BBC y las olimpiadas de Londres 2012 http://www.w3.org/2001/sw/sweo/public/UseCases/BBC/
  • Ontologías • Ontología para las olimpiadas:
  • Anotación (interfaz)
  • Publicación de contenidos • Razonamiento hacia delante en el grafo RDF
  • Creación “dinámica” de portales http://www.bbc.co.uk/sport/football/teams/chelsea
  • ¿Podemos reutilizar los éxitos?
  • • Sí, pensemos en el caso de éxito de uso como un caso de capacidad (una funcionalidad que mejora el negocio nueva que se ha conseguido) • Capacidad documentada => REUTILIZABLE
  • NASA Space Shuttle Program • Detección de dificultades, y soluciones posibles ( que implicarán nuevas capacidades) http://my.safaribooksonline.com/book/software-engineering-and-development/software-requirements/ 0321205766/illustrative-applications-and-galleries/ch03lev1sec4
  • Dificultades: • Disparate IT systems and information used by the NASA Space Shuttle program result in the following barriers: • • Knowledge exists but is hard to find. • Complex processes, non-user-friendly documentation, and systems that require long learning curves. Information is in databases, but it is often not synchronized and is impossible to integrate. Se les presentaron los siguientes casos de capacidad
  • Ejemplo: Product Design Assistant Audi lo usa para diseñar prototipos (testcar) Múltiples ventajas Consecuencia: Contratistas de la NASA plantean aplicarlo
  • Otra vuelta de tuerca: Estandaricemos la información de los casos de capacidad Tema de Tesis: Ontología para repositorios de casos de capacidad • http://www.capabilitycases.org/CASES/CC_Temp_Long.html
  • Caso Servicios en movilidad basados en conocimiento
  • i ci d ad? ¿Pu bl http://www.visionmobile.com/product/developer-economics-2013-the-tools-report/
  • Móviles y conocimiento • Representación del conocimiento móvil • Razonamiento contextual • Inteligencia ambiental • Geolocalización • ¿Foursquare como ejemplo de socialización? • Informática Urbana (móvil)
  • Apps para “añadir información a la realidad” Realidad aumentada para traspasar la membrana Inteligencia Ambiental Razonamiento contextual en NFC Phonedero
  • Oportunidades • Aplicaciones basadas en el conocimiento • para las apps stores • Teleasistencia. Telediagnosis • Aplicaciones hiperlocales • Espacios transducidos • Calle como API • Gestión inteligente del idle screen
  • Sistemas de Información Avanzados (Comercio electrónico) Máster de estudios avanzados en dirección de empresas Información Adaptativa, Ingeniería del Conocimiento e Inteligencia Colectiva Fin del Bloque I Joaquín Borrego Díaz Grupo Lógica, Computación e Ingeniería del Conocimiento PAIDI TIC-137 Departamento de Ciencias de la Computación e Inteligencia Artificial jborrego@us.es, Twitter:jborrego