Sistemas de Información Avanzados (Comercio electrónico)          Máster de estudios avanzados en dirección de empresasSis...
Preliminares  •    Prospección...                                                         Contenido  •    Tecnologías rela...
Parte III:Casos de estudio
Caso I, especial:InteroperabilidadSemántica 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                                           Argumentacióninterpretable po...
Casos interesantes:Interoperabilidad semántica y   Externalización del conocimiento    comercio electrónico               ...
Tendencias ____________________
Oportunidades• Software de gestión  inteligente del conocimiento  para la empresa usando  estándares como ontologías  empr...
Índice:• Aplicaciones en: • Comercio electrónico • Explotación del “grafo social” y de objetos • Externalización del conoc...
Comercio electrónico        Caso 1(a)
Comercio electrónico•   GoodRelations is a standardized    vocabulary for product, price, and    company data that        ...
¿Cómo usarlo?: Mirar    http://searchengineland.com/make-yourself-findable-in-the-global-graph-of-commerce-135082          ...
Mini-tutorial de Rich snippets:http://www.ebusiness-unibw.org/tools/grsnippetgen/
Extendiendo con nuevas      ontologías
Caso I(c):       Externalización Inteligente    Dimensión I:                        OntologíaIngeniería Ontológica
Es un casoparticular de:               ¿Qué                           sistemas?  •   Conocimiento entre      pares  •   ¡¡...
Ciclo de Nonaka                            & Takeuchi• Cuatro actividades• ¿Quién las gobierna?• ¿Pueden ser  gobernadas m...
Proyección  del ciclo deNonaka & Takeuchi
ex Con                    te oc                      rn im                        al ien                          iz to   ...
Caso I(d): Confianza, interfaces•   Ontologías como teorías    formales del conocimiento    • Ventajas:      • Confianza en ...
El problema de la representación        del conocimiento mediante                          ontologías
Una solución: Paella   •   Metáforas espaciales de los conceptos       implicados en la ontología       • Razonamiento vis...
Arquitectura de Paella  Tres módulos                   Inte                       rfaz
Interfaz de Paella
Visualización de anomalías      •     Una anomalía NO implica una inconsistencia lógica      •     Paella muestra anomalía...
Casos de éxito• NASA• Vodafone• Renault• Reegle• BBC
Casode éxito I
Caso de éxito II:  Integración   semántica  en movilidad
Caso de éxito III:                 Integración semántica                     en la industria•   Se facilita el intercambio...
Caso de éxito IV: Reegle
Caso de éxito V:  BBC y las olimpiadas de      Londres 2012http://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 portaleshttp://www.bbc.co.uk/sport/football/teams/chelsea
Caso II:  Minería de conocimiento, opiniones y sentimientos:Social media
Flujos en Social Media                            Blogging                                        Compañía                ...
Oportunidades:•   Diseño de aplicaciones    semánticas para    enriquecer la experiencia    de usuario en la Web 2.0      ...
Ejemplo
¿Para qué se usa?
Nuestra semantización     (ontología)
Representación del conocimiento
Servicios                               OportunidadesGeolocalización de      personalizados  la publicidad                ...
Minería ensocial media    http://buzztalkmonitor.com/blog/bid/136718/The-business-value-of-sentiment-analysis
•   Mide “sentimientos”      de cada tweet que      analizaIBM has established the IBM Social Sentiment Index to aggregate...
¿Materia Prima? social big data               Ofrecerá 2 años de twitters almacenados                       http://datasif...
Finalmente... un caso de estudio: Elecciones USA     2012: ¿extrapolable a empresas?            http://www.engagedc.com/in...
 Harper Reed
Us  aro     nC        row           dF             ou               nd                  ing
Caso III: predicción bajo     racionalidad acotada•   Los humanos no               •   Aunque argumentamos, no    razonamo...
Agentes para trabajar con conocimiento                       ¡A                         rg        a         em            ...
Ejemplo de argumentación:Inference Web: Inferencia bajo argumentación
Una demo
Documentación de la    deducción
Documentación del razonador usado
Detalle del paso de inferencia
Oportunidades• Minería de conocimiento (en contraposición  a la minería de datos) realizada por agentes• Análisis de las a...
Predicción bajo racionalidad       acotada versus big dataEjemplo: predecir las apuestas más populares
Modelo Monstruo(retículo de conceptos)    (una temporada)
SistemaResultadosComparación
Otra aproximación (más global)Más información... Más acierto
¿Aplicaciones del modelo?• A cualquier sistema experto con observaciones  discretizables adecuadamente • Apuestas deportiv...
La hipótesis del residuo libre de escala                (Aranda, Borrego y Galán 2012)  •   If the attribute set selected ...
Caso IVServicios en movilidad           basados en         conocimiento
ad?  licid    b¿Pu        http://www.visionmobile.com/product/developer-economics-2013-the-tools-report/
Móviles y conocimiento• Representación del  conocimiento móvil• Razonamiento contextual • Inteligencia ambiental• Geolocal...
Apps para “añadir                               información a la                                   realidad”  Realidad aum...
Oportunidades• Aplicaciones basadas  en el conocimiento                           • Espacios transducidos  • para las apps...
Informática urbanaCaso V:           y              SmartCities
http://www.mckinsey.com/Insights/MGI/Research/Urbanization/Urban_world
Informática Urbana & SmartCities• Campo de investigación  emergente• Uso (y generación) de  información física y digital  ...
Sensores  Capas digitalesInformación, media
OPEN DATA         LocalGlobal
Fuentes de información                                                                             •   Flujo I2U (instituc...
Internet of ThingsSensor Semantic Web
At the Peak                                                     •     Vehicle Information HubOn the Rise                  ...
Dos iniciativas interesantes                                                                  PostMates       Gamification ...
Caso VI: Content Curation
Cinco pasos...• ¿Cuáles son semantizables?
Algunos ejemplosCategorías, búsquedas dirigidas a fuentes           “Aprende”         de tus lecturasSemántica
Bottlenose
Social Content   CuratorCreas “perlas”Añades las de otrosRedes de conocimiento
Crowd content curator+ Un modelo de negocio                           Todos los usuarios aportan                          ...
Content Curator Semántico:      SmartTimes(PFC de Abel Sayago, en el     departamento)                  “Entiende”        ...
¿Cómo lo hace?                          Fuentes (RSS)                                Aprende                              ...
Análisis deConceptos • Retículo de   conceptos • generado a partir   de las noticias y   anotación   OpenCalais
Retroalimentación                Alimentando                 el módulo               de aprendizaje
Otraaproximación      Para sentimientos      Para el contenido          (noticia)
Anotación con respecto a ontología en Opendover
Anotación con respecto a ontología+sentimiento en                   opendover
Conclusiones
Conclusiones•   Ingeniería del conocimiento y grandes conjuntos de datos•   Sistemas complejos: Paradigma para entender el...
Sistemas de Información Avanzados (Comercio electrónico)          Máster de estudios avanzados en dirección de empresasSis...
Sistemas inteligentes y la ciencia del dato (y II)
Sistemas inteligentes y la ciencia del dato (y II)
Sistemas inteligentes y la ciencia del dato (y II)
Sistemas inteligentes y la ciencia del dato (y II)
Sistemas inteligentes y la ciencia del dato (y II)
Upcoming SlideShare
Loading in …5
×

Sistemas inteligentes y la ciencia del dato (y II)

356
-1

Published on

Segundo bloque de la sesión que impartí en la asignatura "Sistemas de información avanzados (comercio electrónico)" del Master de estudios avanzados en dirección de empresas

Published in: Education
0 Comments
1 Like
Statistics
Notes
  • Be the first to comment

No Downloads
Views
Total Views
356
On Slideshare
0
From Embeds
0
Number of Embeds
1
Actions
Shares
0
Downloads
8
Comments
0
Likes
1
Embeds 0
No embeds

No notes for slide

Sistemas inteligentes y la ciencia del dato (y II)

  1. 1. Sistemas de Información Avanzados (Comercio electrónico) Máster de estudios avanzados en dirección de empresasSistemas Inteligentes y la Ciencia del Dato Retos para las empresas 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
  2. 2. Preliminares • Prospección... Contenido • Tecnologías relacionadas con la IA Parte III: Casos de estudio de • Información en Internet y en sus aledaños tratamiento de la información • Big Data • Caso I, especial: Interoperabilidad Semántica para laParte I: Datos, Información, Conocimiento empresa • Open Data • La ciencia del dato Bloque II Parte III (cont): Otros casos de estudio • Procesamiento de eventos complejos • Complejidad económica • Caso II: Minería de opiniones y sentimientos • Cloud ComputingParte II: Algunos (nuevos) modelos de • Caso III: Predicción bajo racionalidad acotadanegocio basados en información y redes • Nuevo modelo de negocio: big data • Caso IV: Servicios en movilidad trading & processing. Ejemplos basados en conocimiento • Modelos crowdsourcing. Ejemplos • Caso V: Informática urbana. SmartCities • Modelos disruptivos • Capitalismo Indie • Caso VI: Content Curation
  3. 3. Parte III:Casos de estudio
  4. 4. Caso I, especial:InteroperabilidadSemántica para la empresa
  5. 5. Objetivo primario de una ontología: Facilitar la interoperabiliad a nivel semántico Ontología
  6. 6. Aplicación básica: B2C mediante ontologías
  7. 7. Campos de aplicación Tratamiento de información no Argumentacióninterpretable por homogénea a todos travésVeremos algunos de Ontologías y ejemplos metadatosInteroperabilidad bottom-up entre los estructuración módulos de (semántica) transacciones Externalización del conocimiento Interoperabilidad B2B (¿B2C?) http://csdb.wilshireconferences.com/forms/download/guide_to_semantics
  8. 8. Casos interesantes:Interoperabilidad semántica y Externalización del conocimiento comercio electrónico en empresas
  9. 9. Tendencias ____________________
  10. 10. 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
  11. 11. Índice:• Aplicaciones en: • Comercio electrónico • Explotación del “grafo social” y de objetos • Externalización del conocimiento en empresas • Interfaces inteligentes para la documentación
  12. 12. Comercio electrónico Caso 1(a)
  13. 13. Comercio electrónico• GoodRelations is a standardized vocabulary for product, price, and company data that Año 2010 • 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.
  14. 14. ¿Cómo usarlo?: Mirar http://searchengineland.com/make-yourself-findable-in-the-global-graph-of-commerce-135082 tas ie n a m errH http://wiki.goodrelations-vocabulary.org/Tools
  15. 15. Mini-tutorial de Rich snippets:http://www.ebusiness-unibw.org/tools/grsnippetgen/
  16. 16. Extendiendo con nuevas ontologías
  17. 17. Caso I(c): Externalización Inteligente Dimensión I: OntologíaIngeniería Ontológica
  18. 18. Es un casoparticular de: ¿Qué sistemas? • Conocimiento entre pares • ¡¡No procesable!! • Conocimiento entre pares y “tangible” (datos, información) • ¡¡Procesable!! Brecha Semántica
  19. 19. Ciclo de Nonaka & Takeuchi• Cuatro actividades• ¿Quién las gobierna?• ¿Pueden ser gobernadas mediante tecnologías 2.0?
  20. 20. Proyección del ciclo deNonaka & Takeuchi
  21. 21. ex Con te oc rn im al ien iz to ad oExternalización
  22. 22. Caso I(d): Confianza, interfaces• Ontologías como teorías formales del conocimiento • Ventajas: • Confianza en el resultado • Interoperabilidad semántica • Desventaja: ¿alfabetización del usuario?
  23. 23. El problema de la representación del conocimiento mediante ontologías
  24. 24. Una solución: Paella • Metáforas espaciales de los conceptos implicados en la ontología • Razonamiento visual • comprensión de las relaciones • Implementada como plug-in de Protégé • Interfaz de usuario: transparente de formalismos ontológicos Automated CSPOntology Reasoner RCC8 Solver Drawing
  25. 25. Arquitectura de Paella Tres módulos Inte rfaz
  26. 26. Interfaz de Paella
  27. 27. Visualización de anomalías • Una anomalía NO implica una inconsistencia lógica • Paella muestra anomalías de carácter mereotopológicoOntología deseguridad {
  28. 28. Casos de éxito• NASA• Vodafone• Renault• Reegle• BBC
  29. 29. Casode éxito I
  30. 30. Caso de éxito II: Integración semántica en movilidad
  31. 31. Caso de éxito III: Integración semántica en la industria• Se facilita el intercambio de información entre los repositorios de información sobre sus automóviles• La modelización realizada se puede compartir con otros servicios de la empresa (por. ej. compra de repuestos)• Unifican los datos para toda la empresa, que usa un entorno distribuido• Facilita el prototipado y el desarrollo
  32. 32. Caso de éxito IV: Reegle
  33. 33. Caso de éxito V: BBC y las olimpiadas de Londres 2012http://www.w3.org/2001/sw/sweo/public/UseCases/BBC/
  34. 34. Ontologías• Ontología para las olimpiadas:
  35. 35. Anotación(interfaz)
  36. 36. Publicación de contenidos• Razonamiento hacia delante en el grafo RDF
  37. 37. Creación “dinámica” de portaleshttp://www.bbc.co.uk/sport/football/teams/chelsea
  38. 38. Caso II: Minería de conocimiento, opiniones y sentimientos:Social media
  39. 39. Flujos en Social Media Blogging Compañía corporativo Análisis¿Extracción de conocimiento?
  40. 40. Oportunidades:• Diseño de aplicaciones semánticas para enriquecer la experiencia de usuario en la Web 2.0 • Análisis inteligente de twitts • Twitter Semántico para • predecir y estimar epidemias • Navegación conceptual de gripe. consiguieron aproximar• Trust-based Computing la evolución de la gripe mejor y antes que el tradicional método • Detección de de recolectar la información de los hospitales. tendencias extraídas de redes sociales • para predecir el éxito de una película. HP labs: monitorizando • Opinion analysis twitter pueden predecir si el éxito de un film
  41. 41. Ejemplo
  42. 42. ¿Para qué se usa?
  43. 43. Nuestra semantización (ontología)
  44. 44. Representación del conocimiento
  45. 45. Servicios OportunidadesGeolocalización de personalizados la publicidad Marketing geolocalizado Aplicaciones hiperlocales TecnologíaLinked/Open data Smart Cities Gráficas de http://networkedneighbourhoods.com/wp-content/uploads/2011/11/2011-Online-Nhood-Networks-final.pdf
  46. 46. Minería ensocial media http://buzztalkmonitor.com/blog/bid/136718/The-business-value-of-sentiment-analysis
  47. 47. • Mide “sentimientos” de cada tweet que analizaIBM has established the IBM Social Sentiment Index to aggregate and gauge publicopinion from a range of social media. The software used can distinguish between sarcasmand sincerity, and applies machine learning to identify which social mediacommentary is important—and which is just background noise. Through thissentiment analysis, IBM creates real-time public opinion snapshots, identifying trendsand gauging how consumers feel about a variety of topics from retail and sports, to moviesand urban traffic.
  48. 48. ¿Materia Prima? social big data Ofrecerá 2 años de twitters almacenados http://datasift.com/
  49. 49. Finalmente... un caso de estudio: Elecciones USA 2012: ¿extrapolable a empresas? http://www.engagedc.com/inside-the-cave/
  50. 50.  Harper Reed
  51. 51. Us aro nC row dF ou nd ing
  52. 52. Caso III: predicción bajo racionalidad acotada• Los humanos no • Aunque argumentamos, no razonamos “lógicamente” analizamos todos los argumentos o posibilidades• El comportamiento colectivo, de manera • Los esquemas de emergente, es mejor que el razonamiento individual en muchas experimentados con éxito ocasiones son interesantes• Seleccionamos, razonamos • Conclusión: NO rápido (fast & frugal) despreciamos nuestros esquemas “no lógicos”
  53. 53. Agentes para trabajar con conocimiento ¡A rg a em um s ist b enE co We tico to án ! S em
  54. 54. Ejemplo de argumentación:Inference Web: Inferencia bajo argumentación
  55. 55. Una demo
  56. 56. Documentación de la deducción
  57. 57. Documentación del razonador usado
  58. 58. Detalle del paso de inferencia
  59. 59. Oportunidades• Minería de conocimiento (en contraposición a la minería de datos) realizada por agentes• Análisis de las actividades en redes sociales. Agentes proactivos para personalizar la “vida” en la Web 2.0• Delegación del comercio electrónico a agentes racionales
  60. 60. Predicción bajo racionalidad acotada versus big dataEjemplo: predecir las apuestas más populares
  61. 61. Modelo Monstruo(retículo de conceptos) (una temporada)
  62. 62. SistemaResultadosComparación
  63. 63. Otra aproximación (más global)Más información... Más acierto
  64. 64. ¿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)
  65. 65. 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 scale- freeScale-Free Structure in Concept Lattices Associatedto Complex Systems
  66. 66. Caso IVServicios en movilidad basados en conocimiento
  67. 67. ad? licid b¿Pu http://www.visionmobile.com/product/developer-economics-2013-the-tools-report/
  68. 68. Móviles y conocimiento• Representación del conocimiento móvil• Razonamiento contextual • Inteligencia ambiental• Geolocalización • ¿Foursquare como ejemplo de socialización?• Informática Urbana (móvil)
  69. 69. Apps para “añadir información a la realidad” Realidad aumentada para traspasar la membranaInteligencia Ambiental Razonamiento contextual en NFC Phonedero
  70. 70. Oportunidades• Aplicaciones basadas en el conocimiento • Espacios transducidos • para las apps stores • Calle como API• Teleasistencia. Telediagnosis • Gestión inteligente del idle screen• Aplicaciones hiperlocales
  71. 71. Informática urbanaCaso V: y SmartCities
  72. 72. http://www.mckinsey.com/Insights/MGI/Research/Urbanization/Urban_world
  73. 73. Informática Urbana & SmartCities• Campo de investigación emergente• Uso (y generación) de información física y digital sobre la ciudad como fuente de nuevas aplicaciones que puedan ser usadas por el ciudadano In 2050 80% of the world’s population will live in cities
  74. 74. Sensores Capas digitalesInformación, media
  75. 75. OPEN DATA LocalGlobal
  76. 76. Fuentes de información • Flujo I2U (instituciones y empresas a usuarios) • Flujo P2P So Marketing n es • Pieles digitales cia io lM ed ia om u ni c ac • Inter-cities ec Tel UrbanArquitectura Informatics Urbanismo Lo ca t 0 se ion B 2. rv ice ase Media Art eb s d W
  77. 77. Internet of ThingsSensor Semantic Web
  78. 78. At the Peak • Vehicle Information HubOn the Rise • "Big Data" and Extreme • Home Energy Management/ • Augmented Reality • Wireless Electric Information Consumer Energy Management Vehicle Charging Processing and • Cloud Computing • Management • Water Management Smart Governance • • Microgrids Operating Hydrogen Economy • Data Stewardship Applications Framework • • Thermal (or Concentrated) Solar • Electric Vehicle Sustainable Performance • Sustainability Business Operations Power Consulting Services Management Charging • Distributed Generation Infrastructure • Internet of Things • Web 2.0 for Utilities     • Information • Integrated and Open Building Semantic Services • Smart Fabrics • Location-Based Services in Automation and Control Systems Automotive • Intelligent Lamppost • Mobile Health Monitoring • Plug-In Hybrid Electric Vehicles/ Electric Vehicles • Combined Heat and Power Sliding Into the Trough      • Near Field Communication • Master Data Management • Advanced Metering Tecnologías emergentes • Machine-to- Infrastructure Climbing the Slope Machine para Communication • Car-to- • Consumer Telematics Services Infrastructure Smart Cities, 2011 Communications • Customer Gateways • Electric Vehicles
  79. 79. Dos iniciativas interesantes PostMates Gamification (mobile app)The Urbanopoly app is a social, mobile and location-basedGame with a Purpose designed around the idea of the monopoly"board game. Urbanopoly consumes and generates geo-spatiallinked and open data; through a Human Computationmechanisms, those data are validated and enriched; newinformation is published as linked data. Players are thusinvolved in the geo-spatial data collection according to the“citizens as sensors" approach and the Urbanopoly game is theentertaining expedient to assess and improve geo-spatial linkeddata quality.
  80. 80. Caso VI: Content Curation
  81. 81. Cinco pasos...• ¿Cuáles son semantizables?
  82. 82. Algunos ejemplosCategorías, búsquedas dirigidas a fuentes “Aprende” de tus lecturasSemántica
  83. 83. Bottlenose
  84. 84. Social Content CuratorCreas “perlas”Añades las de otrosRedes de conocimiento
  85. 85. Crowd content curator+ Un modelo de negocio Todos los usuarios aportan Algunos venden Fancy vende Subscripción a “fancybox”
  86. 86. Content Curator Semántico: SmartTimes(PFC de Abel Sayago, en el departamento) “Entiende” la noticia
  87. 87. ¿Cómo lo hace? Fuentes (RSS) Aprende de la ejecuciónAnálisis Formalde Conceptos InterfazCategorización de final usuario
  88. 88. Análisis deConceptos • Retículo de conceptos • generado a partir de las noticias y anotación OpenCalais
  89. 89. Retroalimentación Alimentando el módulo de aprendizaje
  90. 90. Otraaproximación Para sentimientos Para el contenido (noticia)
  91. 91. Anotación con respecto a ontología en Opendover
  92. 92. Anotación con respecto a ontología+sentimiento en opendover
  93. 93. Conclusiones
  94. 94. Conclusiones• Ingeniería del conocimiento y grandes conjuntos de datos• Sistemas complejos: Paradigma para entender el big-data como observaciones de un sistema BI G• La minería de datos no es suficiente DA• Nuevos retos: TA • hiperlocalización • geolocalización, • confianza en la computación sobre grandes conjuntos de datos • ...• Modelos de negocio disruptivos Da• Nuevos sistemas de información en la empresa Sc ta ie • Big analytics nc e • Sentiment Analysis • Semantic interoperability
  95. 95. Sistemas de Información Avanzados (Comercio electrónico) Máster de estudios avanzados en dirección de empresasSistemas Inteligentes y la Ciencia del Dato Retos para las empresas 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

×