Architetture Distribuite per la Creazione e lo Sfruttamento della Conoscenza, (corso breve in italiano)

  • 181 views
Uploaded on

Architetture Distribuite per la Creazione e lo Sfruttamento della Conoscenza, (corso breve in italiano)

Architetture Distribuite per la Creazione e lo Sfruttamento della Conoscenza, (corso breve in italiano)

More in: Technology
  • Full Name Full Name Comment goes here.
    Are you sure you want to
    Your message goes here
    Be the first to comment
    Be the first to like this
No Downloads

Views

Total Views
181
On Slideshare
0
From Embeds
0
Number of Embeds
0

Actions

Shares
Downloads
6
Comments
0
Likes
0

Embeds 0

No embeds

Report content

Flagged as inappropriate Flag as inappropriate
Flag as inappropriate

Select your reason for flagging this presentation as inappropriate.

Cancel
    No notes for slide

Transcript

  • 1. Paolo NesiDISIT, Distributed Systems and Internet Technology Lab Dipartimento di Sistemi e Informatica, DSI Universita’ di Firenze, Italia, UNIFI Paolo.nesi@unifi.it tel: 055-4796523 http://www.disit.dsi.unifi.it
  • 2. Sulla base dello spirito della SSP, questocorso e le sue slide sono rivolti a fornireinformazioni fruibili da un pubblicoeterogeno e non specialisticoPertanto, la trattazione è volutamentesemplificata per poter essere utile adesemplificare le potenzialità delle soluzionianche a personale non del settorePer approfondimenti si possono consultare Ilink e/o contattare il docente SSP RT, Pisa, Paolo Nesi, DISIT, DSI, UNIFI, 2011 2
  • 3. Siamo nella società dell’informazione,abituati a cercare e trovare informazioni in mododestrutturato, keywords, e.g., googlePer realizzare e usare nuove applicazioni,gli utenti hanno la necessità di effettuarericerche in modo più intelligente:– il più noto centro sull’ischemia miocardica– chi si occupa di Pelton a firenze– in quale corso si parla di semantic grid SSP RT, Pisa, Paolo Nesi, DISIT, DSI, UNIFI, 2011 3
  • 4. La modellazione della conoscenza e lasemanticaLa creazione e gestione della conoscenzaProblematicheLe architetture parallele e distribuiteCasi di Studio:– Best Practice Network & e-Learning– Modellazione e gestione della conoscenza– Valutazione della comprensione di documenti SSP RT, Pisa, Paolo Nesi, DISIT, DSI, UNIFI, 2011 4
  • 5. Base di ConoscenzaTipi di conoscenzaRappresentazioniModelli ontologici SSP RT, Pisa, Paolo Nesi, DISIT, DSI, UNIFI, 2011 5
  • 6. Dominati da database (banche di dati,archivi) che contengono informazioni dirette,(istanze di record) con poca attenzione alcontesto, al modello, ai concetti e allerelazioni fra concettiE’ un problema tecnologico o concettuale ?– E’ un problema di modello o di elaborazione dati?– Che tipo di problema… SSP RT, Pisa, Paolo Nesi, DISIT, DSI, UNIFI, 2011 6
  • 7. L’obiettivo è poter trarre vantaggio dallaconoscenza per esempio tramite elaborazioni automaticheModello della conoscenza in grado di descrivere esupportare– Fatti e concetti  numeri e simboli– Concetti e relazioni fra questi  modelli– Algoritmi/regole per produrre deduzioni, inferire.. Un processo di intelligencePuò essere utilizzato:– a supporto delle decisioni– per produrre risultati per generalizzazione, relazione, etc. SSP RT, Pisa, Paolo Nesi, DISIT, DSI, UNIFI, 2011 7
  • 8. Diverse tecniche:– Frame, rule, ontology, logic expression– Combinazioni di tali tecnicheTecniche diverse, modelli diversi– Sono più o meno adatti ad essere utilizzati da algoritmi deduttivi: automatici, deterministici, ..– Sono più o meno interpretabili in modo diretto dagli essere umani SSP RT, Pisa, Paolo Nesi, DISIT, DSI, UNIFI, 2011 8
  • 9. Esempio:– If <condizione> then <azione>Pros– Condizioni di attivazione, firing– Combinano dati e ragionamento– Possono derivare da euristiche e gestire incertezze nei parametriCons– L’insieme delle regole puo’ essere inconsistente, incompleto, etc. .. Esempio… SSP RT, Pisa, Paolo Nesi, DISIT, DSI, UNIFI, 2011 9
  • 10. Sistema 1 (inconsistente):– If (As3>3) then AttivaProcABC(As, contesto)– If (As4<8) then AttivaProcZZZ(As, contesto)– Potrebbe essere non decidibile !!Sistema 2 (incompleto):– If (As3>3) then AttivaProcABC(As, contesto)– If (As4<-4) then AttivaProcZZZ(As, contesto)– Potrebbe essere non decidibile !! SSP RT, Pisa, Paolo Nesi, DISIT, DSI, UNIFI, 2011 10
  • 11. Formalizzano il modello dati e gli algoritmi,procedure per manipolarli (questo ultimo aspettopuò essere visto come formalizzato in termini di regole)Esempio:– Dati della persona– Procedura per fare per fare un nuova persona– Procedura che esegue una verifica sui dati e opera azioni se certi valori sono entro certi parametri, …Pros e cons– Semplici ma presentano i problemi delle regole SSP RT, Pisa, Paolo Nesi, DISIT, DSI, UNIFI, 2011 11
  • 12. Formalismo più complesso– Logiche di vari “ordini”: FOL, logiche temporali, logiche di ordine superiore, etc.Esempio in FOL:– x: (Cavallo(x)  Mammifero(x))– x,y: Mangia(x,y)  (Cavallo(x) & Fieno(y))Pros:– Modelli matematici rigorosi, computabili– Relazioni fra concettiCons:– Certe logiche non sono decidibili SSP RT, Pisa, Paolo Nesi, DISIT, DSI, UNIFI, 2011 12
  • 13. Lontologia è una specificazione formaleesplicita di una concettualizzazione di undominioRappresentano:– Concetti e oggetti: modelli, categorie, proprietà,..– Relazioni fra concetti e fra relazioniIdealmente mirano a modellare in modo“esaustivo” un dominio SSP RT, Pisa, Paolo Nesi, DISIT, DSI, UNIFI, 2011 13
  • 14. SSP RT, Pisa, Paolo Nesi, DISIT, DSI, UNIFI, 2011 14
  • 15. Si può formalizzare in OWL (ontology weblanguage), XML (Extensible Markup Language)Unifica/Generalizza modelli come:– Tassonomie– Tesauri– Vocabolari– SKOS: simple knowledge organization system– FOAF: friend of a friend SSP RT, Pisa, Paolo Nesi, DISIT, DSI, UNIFI, 2011 15
  • 16. Classificazionesecondo vari assiDominio SpecificoMultilinguaIstanze connessea più nodiPreso da:http://mobmed.axmedis.org SSP RT, Pisa, Paolo Nesi, DISIT, DSI, UNIFI, 2011 16
  • 17. Alternative, traduzioni Horse, equino, ….. isa Bretone Animale Cavallo isa Normanno lupo hardware Computer isa Science Sistema Software sys.. Related Referenced taskeconomia Modello collabor economico ative Process Assisted Competitive SSP RT, Pisa, Paolo Nesi, DISIT, DSI, UNIFI, 2011 17
  • 18. Le ontologie sono specifiche di un dominioSpesso prodotte in team e formalizzate inOWL, vi sono strumenti di:– Editing, e.g., Protégé– Database semantici, e.g., Sesame in RDF (Resource Description Language)– Inferenza su database– Query semantiche, per esempio formalizzati in SPARQL (Simple Protocol and RDF Query Language)– …. SSP RT, Pisa, Paolo Nesi, DISIT, DSI, UNIFI, 2011 18
  • 19. Si può vedere come: Ontologia + istanzeLe istanze dei concetti, delle relazioni,popolano la base di conoscenzaconnettendosi all’ontologia con la relazionedi instance-of (io), e.g.:– il documento afkagf.pdf connesso al nodo Analgesia della tassonomia MobMed– Carlo Rossi e’ un Paziente– Carlo Rossi e’ figlio di Giovanni Rossi SSP RT, Pisa, Paolo Nesi, DISIT, DSI, UNIFI, 2011 19
  • 20. La modellazione della conoscenza e lasemanticaLa creazione e gestione della conoscenzaProblematicheLe architetture parallele e distribuiteCasi di Studio:– Best Practice Network & e-Learning– Modellazione e gestione della conoscenza– Valutazione della comprensione di documenti SSP RT, Pisa, Paolo Nesi, DISIT, DSI, UNIFI, 2011 20
  • 21. Le fasi principali:–Data Mining discovering, crawling, data gathering–Estrazione della conoscenza–Costruzione della conoscenza–Uso della conoscenza SSP RT, Pisa, Paolo Nesi, DISIT, DSI, UNIFI, 2011 21
  • 22. Algoritmi di elaborazione, come per esempio:– Estrazione delle caratteristiche: Feature extraction– Estrazione delle configurazioni: Pattern recognition– Estrazione di elementi di base– ….Applicazioni specifiche per:– Text and web processing, NLP– Image processing– Video processing– Signal processing– Etc. SSP RT, Pisa, Paolo Nesi, DISIT, DSI, UNIFI, 2011 22
  • 23. Diretta da– processi di estrazione– data mining, crawlingDerivata e/o Dedotta da Composizione di elementi Analisi statistiche, analisi empiriche, clustering Processi di apprendimento Inferenze / deduzioni nella base di conoscenza SSP RT, Pisa, Paolo Nesi, DISIT, DSI, UNIFI, 2011 23
  • 24. Alcuni Servizi ed Applicazioni– Ricerche semantiche con o senza deduzioni– Supporto alle decisioni, taking decision, Identificazioni di casi critici– Raccomandazioni e suggerimenti Similarità, distanze fra concetti, rami di concetti, etc.– Calcolo automatico: Adattamenti automatici di contenuti, instradamenti, ottimizzazione, etc.. SSP RT, Pisa, Paolo Nesi, DISIT, DSI, UNIFI, 2011 24
  • 25. La modellazione della conoscenza e lasemanticaLa creazione e gestione della conoscenzaProblematicheLe architetture parallele e distribuiteCasi di Studio:– Best Practice Network & e-Learning– Modellazione e gestione della conoscenza– Valutazione della comprensione di documenti SSP RT, Pisa, Paolo Nesi, DISIT, DSI, UNIFI, 2011 25
  • 26. Relative alla– Modellazione e problemi di consistenza, completezza, ….– Creazione dell’ontologia: manuale ? Creazione in team, collaborativa– Estrazione e costruzione della conoscenza 1 bilione di documenti, 10 bilioni di immagini, ..– Complessità computazionalePresenti nelle varie fasi e sui vari media …in modo diverso:– mining, estrazione, costruzione, uso della conoscenza SSP RT, Pisa, Paolo Nesi, DISIT, DSI, UNIFI, 2011 26
  • 27. In termini di elaborazione,– il modello è logico  deduce verità e verifica condizioniIncompletezza:– Mancanza di informazioni rispetto ai valori delle variabili ed al dominioInconsistenza– Presenza di contraddizioni in base alla semantica esecutivaNon decidibilità– Comportamento on completamente definito– Modello semantico non completo SSP RT, Pisa, Paolo Nesi, DISIT, DSI, UNIFI, 2011 27
  • 28. Il modello semantico (come base diconoscenza e strumenti) tipicamente può nonessere in grado di gestire/valutare:– Similarità fra concetti– Distanze dalle verità– Incertezze nei dati e condizioniIl modello semantico e la sua gestionepossono essere integrati a livello di sistemacon altre soluzioni:– fuzzy, distante semantiche, distanze testuali, etc. SSP RT, Pisa, Paolo Nesi, DISIT, DSI, UNIFI, 2011 28
  • 29. Il motore di inferenza e ricerca può avereproblemi di:– Produzione di risultati in tempo accettabili per Complessità computazionale Dimensioni della base di conoscenzaUn esempio sulle dimensioni:– Un DB tradizionale con 1 bilione di record  una volta convertito in un modello semantico può venire a modellare oltre 500 bilioni di relazioni semantiche (triple RDF)– A queste vano aggiunte le conoscenze che prima non erano modellate nel DB tradizionale SSP RT, Pisa, Paolo Nesi, DISIT, DSI, UNIFI, 2011 29
  • 30. La modellazione della conoscenza e lasemanticaLa creazione e gestione della conoscenzaProblematicheLe architetture parallele e distribuiteCasi di Studio:– Best Practice Network & e-Learning– Modellazione e gestione della conoscenza– Valutazione della comprensione di documenti SSP RT, Pisa, Paolo Nesi, DISIT, DSI, UNIFI, 2011 30
  • 31. Una possibile soluzione per la gestione dellacomplessità computazionaleParallelismo nei dati– Analizzo 10 immagini su 10 calcolatori per produrre una valutazione (dati diversi procedura analoga)Parallelismo nei procedimenti– Analizzo la stessa immagine con 10 algoritmi diversi su 10 calcolatori diversi  un decimo del tempo totale (se tutti hanno tempi di esecuzione identici)– ….. Magari…!!! SSP RT, Pisa, Paolo Nesi, DISIT, DSI, UNIFI, 2011 31
  • 32. SpeedUp: misura il vantaggio fra fare una cosa in parallelo e farla in modosequenziale SSP RT, Pisa, Paolo Nesi, DISIT, DSI, UNIFI, 2011 32
  • 33. Semantic Grid vision is to achieve a high degree ofeasy to use and seamless automation to facilitate flexiblecollaborations and computations on a global scale, bymeans of machine processable knowledge both on and inthe Grid: (Roure 2005)Now we need more! (IEEE Multimedia, 2011)– Automatizzare procedure di acquisizione, estrazione, processo, creazione, ed uso della conoscenza– Gestire tali processi in parallelo su cloud– Realizzare architetture tolleranti ai fallimenti– Utilizzare tecnologie flessibili e riconfigurabili SSP RT, Pisa, Paolo Nesi, DISIT, DSI, UNIFI, 2011 33
  • 34. MediaGrid. MediaGrid MediaGrid AXMEDIS MMGRID Omneon GridCast orgContent Management: storage, UGC, .. X (x) (x) X XContent computing/processing: adaptation,  X (x) (x) (x) Xprocessing conversion, cross media content packaging,   ..Content Delivery Network Management X X X X XMetadata enrichment and reasoning XContent Protection Management (CAS/DRM) XContent Indexing and Querying, knowledge base X X XSemantic Computing Reasoning on user profiling,  Xcontent descriptors, recommendationsUser Interaction Support, rendering, collaboration X X XClient player as grid nodes for intelligent content XGlobal and/or Local grid L/(G) G G G G/L L SSP RT, Pisa, Paolo Nesi, DISIT, DSI, UNIFI, 2011 34
  • 35. La modellazione della conoscenza e lasemanticaLa creazione e gestione della conoscenzaProblematicheLe architetture parallele e distribuiteCasi di Studio:– Best Practice Network & e-Learning– Modellazione e gestione della conoscenza– Valutazione della comprensione di documenti SSP RT, Pisa, Paolo Nesi, DISIT, DSI, UNIFI, 2011 36
  • 36. La modellazione della conoscenza e lasemanticaLa creazione e gestione della conoscenzaProblematicheLe architetture parallele e distribuiteCasi di Studio:– Best Practice Network & e-Learning– Modellazione e gestione della conoscenza– Valutazione della comprensione di documenti SSP RT, Pisa, Paolo Nesi, DISIT, DSI, UNIFI, 2011 37
  • 37. La conoscenza è su WEB.– Oggi su Web, tutto ruota intorno al Social NetworkingL’evoluzione delle SN, verso una gestione piùcompleta della conoscenza sono le BPNLe BPN sono in modo sostanziale delle SNtematiche in cui la conoscenza viene prodotta,catturata ed esternalizzata attraverso strumenti dilavoro collaborativo quali:– Groupware, blog, forum, commenti, chat, emails, wiki– Conoscenza indicizzata in db semantico, accessibile,– Formalizzazione del workflow SSP RT, Pisa, Paolo Nesi, DISIT, DSI, UNIFI, 2011 38
  • 38. a tacita esplicita da Socializzazione Esternalizzazione tacita esplicita Interiorizzazione CombinazioneThe Knowledge Creating Company (1995) SSP RT, Pisa, Paolo Nesi, DISIT, DSI, UNIFI, 2011 39
  • 39. Portale: Mobile Medicine– http://mobmed.axmedis.orgPortale: ECLAP BPN CIP PsP EC– http://www.eclap.euPortale APRE Toscana SSP RT, Pisa, Paolo Nesi, DISIT, DSI, UNIFI, 2011 40
  • 40. AutomatedBack office -PC, MACos, linux, … -iPhone, iPod, Windows Mobile, Android(*), ….Complex content SSP RT, Pisa, Paolo Nesi, DISIT, DSI, UNIFI, 2011 41
  • 41. 42
  • 42. Back office User: upload automated single file adaptation content ADMIN, validates, Put in publication User: study and designe of miniapplications to be uploaded on the portal Produces inassisted manner procedures nadmini applications SSP RT, Pisa, Paolo Nesi, DISIT, DSI, UNIFI, 2011 43
  • 43. Users: – Static: User Profile as provided – Dynamic: play, UGC post, friends, votes, comments, ..Content, Cross Media Content (Objects): – Technical description + semantics – Metadati + semantic description as TaxonomyDistances among dynamic symbolic entities: – UU, CU, CC, GC, …Problems: – Computational Complexity: AXCP scalable Clustering, K-means, K-Medoids, …. – To find distances among semantic symbolic descriptors SSP RT, Pisa, Paolo Nesi, DISIT, DSI, UNIFI, 2011 44
  • 44. Archive partner Archive Original Content/PortalsLibrary partner Archive Library partner partner Library Search/Query partner Content ECLAP Agg. Content Performing BPN Metadata art Services Institutions, Social Srv. students, Search and browsing metadata lovers SSP RT, Pisa, Paolo Nesi, DISIT, DSI, UNIFI, 2011 46
  • 45. Best practice networking– Relazioni fra utenti, foaf, networking, etc. modello di costruzione della conoscenzaModello Semantico esteso:– user, content, relazioniContenuti: 1 Milione in 13 lingue, provenienti da 17partner– Audio, video, immagini, documenti, xmedia– Che devono essere: Ingeriti, indicizzati multilingua, Aggregati: collection, playlist, annotazioni, … Commentati & tagged: forum, gruppi,… SSP RT, Pisa, Paolo Nesi, DISIT, DSI, UNIFI, 2011 47
  • 46. networkingSuggestedPotentialcolleaguesSimilaritymetricsbased onstatic anddynamicuseraspects January 2011, Florence, Italy 48
  • 47. Local: Content collection Search/query Navigations.. taxonomy Suggestions … Video of the Content Organizer: – http://bpnet.eclap.eu/drupal/?q=en- US/home&axoid=urn:axmedis:00000:obj:ea5 eb861-18b6-4262-8d4b-77b3d3c084f0 SSP RT, Pisa, Paolo Nesi, DISIT, DSI, UNIFI, 2011 49
  • 48. Content Management services– Automated Ingestion and repurposing for: metadata and content items– Multilingual Indexing and querying– Content and Metadadat Enrichment Metadata editing, translation and validation– IPR Wizard, for IPR modeling and assignment– Content aggregation– Content annotations– E-learning support–… SSP RT, Pisa, Paolo Nesi, DISIT, DSI, UNIFI, 2011 50
  • 49. Group/Channel 0..n 0..1 0..n 0..n 0..n 0..n 1 0..nTaxonomyTerm Content Comment 1..n Page Forum Object 0..n Playlist Document Collection 0..n 1..2 0..n Annotation AVObject 1..n Image Video Audio SSP RT, Pisa, Paolo Nesi, DISIT, DSI, UNIFI, 2011 51
  • 50. recommend haveColleague registeredTo RegisteredUser Group/Channel 0..1 0..n preferredTerm Action 0..n 0..n 0..n 0..n 1 0..n TaxonomyTerm Content Comment ToRate ToComment performedOn ToTagToSocialShare Page Forum ObjectToRecommend ToEnrich ToValidate ToPublish
  • 51. database F database ! F Upload via  form PROPOSED  by IPR wizard (axdbv4 F) UNDER Upload via  Upload  ‐IPR rule Rules IPR assessment  IPR completed Rules by Metadata  Status to be  UNDER‐ Editor Automated  enrich  rule or  ENRICH UNDER‐ Enrich Rules user request UPLOA AXCP DED Enrichment Done Enrichment Doneby RULE assessing Rule passing to  validation Rules Validation  non  by Drupal form Done TOBEAPP approved ROVED by Metadata UNDER‐ final publication Rule Editor VALID by RULE ECLAP and/or EDL PUBLISHE D SSP RT, Pisa, Paolo Nesi, DISIT, DSI, UNIFI, 2011 53
  • 52. 54
  • 53. SSP RT, Pisa, Paolo Nesi, DISIT, DSI, UNIFI, 2011 55
  • 54. BPNetworking (business process improvement)– Applicare, generare, memorizzare, distribuire– Comprendere, condividere, confrontarsi, raffinare– Scoprire, creare, accumulare, pubblicare/usareModello semantico:– Persone, concetti e contenuti: relazioni Modello semantico : foaf, skos, relazioni, annotazioni, etc.– A supporto delle ricerche di concetti, contenuti, persone– NLP: comprensione, indexing, etc.– Comportamento degli utenti, conoscenza prodotta dagli utenteiMotore GRID per:– Acquisizione conoscenza esterna e processing SSP RT, Pisa, Paolo Nesi, DISIT, DSI, UNIFI, 2011 56
  • 55. a tacita esplicita da Socializzazione Esternalizzazione tacita group, forum, pubblicazione, newsletter, produzione, workflow indicizzazione studio, apprendimento, aggregazione, esplicita e-learning annotazione Interiorizzazione CombinazioneMapping sul modello di Nonaka & Takeuchi, 1995 SSP RT, Pisa, Paolo Nesi, DISIT, DSI, UNIFI, 2011 57
  • 56. La modellazione della conoscenza e lasemanticaLa creazione e gestione della conoscenzaProblematicheLe architetture parallele e distribuiteCasi di Studio:– Best Practice Network & e-Learning– Modellazione e gestione della conoscenza– Valutazione della comprensione di documenti SSP RT, Pisa, Paolo Nesi, DISIT, DSI, UNIFI, 2011 58
  • 57. Progetto OSIM: Open Space InnovativeMind– http://openmind.axmedis.orgObiettivi:– Realizzazione di un portale per la ricerca di competenze descritte in termini di: CV, corsi, pubblicazioni, relazioni di ricerca, relazioni fra ricercatori, documenti, etc.– Ricerche su base semantica ma con risultati pesati in funzione della distanza di similarità SSP RT, Pisa, Paolo Nesi, DISIT, DSI, UNIFI, 2011 59
  • 58. CoSKOSAM SKOS Editor Backup Key SKOS ControlWEB database Semantic Front-endsites Engine Interface Crawler Semantic Semantic Request parserdocu Database Database Text Analyzer ontology, ontology, data,ments data, dictionary, Results Translations dictionary, synonyms, synonymy, production terms, links,... terms,datab links,... User Supportase… AXCP Wizard ingester SSD Inferential engineutenti Data Ingestion ATECO OSIM Semantic Database http://openmind.axmedis.org/ SSP RT, Pisa, Paolo Nesi, DISIT, DSI, UNIFI, 2011 60
  • 59. Uni: UNIVERSITY RECTOR IS A Uni: PROFESSOR I H S A S A F Uni: UNI:FULL A Associated IS A Uni: TEACHER IS A RESEARCHER C U Professor I L S T SKOS:Concept Y A Uni:DEPARTMENTUni: FACULTY HAS AFFILIATED Uni:RESEARCHER B E T HAS COMPETENCE H L A W A H O K O S A N E R G K S Uni:LABORATORY Uni: COURSE Uni:RESEARCHUni:Grad.Course IS COMPOSED OF based on FOAF ontology SSP RT, Pisa, Paolo Nesi, DISIT, DSI, UNIFI, 2011 61
  • 60. based on GATE NLP Platform WEB Based RDF store based on Sesame SSP RT, Pisa, Paolo Nesi, DISIT, DSI, UNIFI, 2011 62
  • 61. CoSKOSAM DMS 2011 63
  • 62. SSP RT, Pisa, Paolo Nesi, DISIT, DSI, UNIFI, 2011 64
  • 63. SSP RT, Pisa, Paolo Nesi, DISIT, DSI, UNIFI, 2011 65
  • 64. Modellazione ontologica– Accelerazione per lareazione di ontologie di dominio– FOAF, SKOS, etc.Data mining– Crawling ed acquisizione della conoscenzaNatural Language Processing, NLP– Grammatiche, comprensione– Completamento e query Multilingua, sinonimiGenerazione and integrazione di Conoscenza– raffinamentiRicerca semantica & natural query language SSP RT, Pisa, Paolo Nesi, DISIT, DSI, UNIFI, 2011 66
  • 65. La modellazione della conoscenza e lasemanticaLa creazione e gestione della conoscenzaProblematicheLe architetture parallele e distribuiteCasi di Studio:– Best Practice Network & e-Learning– Modellazione e gestione della conoscenza– Valutazione della comprensione di documenti SSP RT, Pisa, Paolo Nesi, DISIT, DSI, UNIFI, 2011 67
  • 66. Project SEOnto: architettura per la comprensioneautomatica di documenti e validazione.Obiettivi e problemi:– Mappare in modo automatico la conoscenza di un dominio specifico procedimento di acquisizione e comprensione per estrarre e formalizzare la conoscenza contenuta– Acquisizione automatica di conoscenza contenuta in un insieme di documenti Tramite l’analisi di documenti, NLP– Validare: misurare il livello di comprensione, Misurare la quantità di affermazioni corrette che sono state estratte e modellate e ritrovate in modo automatico dal procedimento SSP RT, Pisa, Paolo Nesi, DISIT, DSI, UNIFI, 2011 68
  • 67. Ontologia didominioBase diconoscenzaGazetteerCreazione di unDB RDFRicercheSPARQLAnalisistatistiche SSP RT, Pisa, Paolo Nesi, DISIT, DSI, UNIFI, 2011 69
  • 68. Modellazione ontologica– Ontologia di dominioNatural Language Processing– Grammatiche, comprensioneArchitettura parallela per il processingRicerche su semantic db: SPARQLValidazione del processo di comprensione– Valutazione del grado di comprensione– Strumenti statistici SSP RT, Pisa, Paolo Nesi, DISIT, DSI, UNIFI, 2011 70
  • 69. La modellazione della conoscenza e lasemanticaLa creazione e gestione della conoscenzaProblematicheLe architetture parallele e distribuiteCasi di Studio:– Best Practice Network & e-Learning– Modellazione e gestione della conoscenza– Valutazione della comprensione di documenti SSP RT, Pisa, Paolo Nesi, DISIT, DSI, UNIFI, 2011 71
  • 70. OWL: http://www.w3.org/2004/OWL/DISIT: http://www.disit.dsi.unifi.itMobileMedicine: http://mobmed.axmedis.orgBPN: http://www.eclap.euOSIM: http://openmind.axmedis.orgAPRE Toscana: http://bpnet.apretoscana.org SSP RT, Pisa, Paolo Nesi, DISIT, DSI, UNIFI, 2011 72
  • 71. P. Bellini, A. Cappuccio, P. Nesi, Collaborative and Assisted SKOSGeneration and Management, proc of the 17th international conferenceon Distirbuted Multimedi Systems, Convitto della Calza, Florence, Italy,18-20 August 2011.P. Bellini, I. Bruno, D. Cenni, P. Nesi, "Micro grids for scalable mediacomputing and intelligence on distributed scenarious", IEEE Multimedia,in press, IEEE Computer Soc. Press.P. Bellini, I. Bruno, D. Cenni, A. Fuzier, P. Nesi, M. Paolucci, "MobileMedicine: Semantic Computing Management for Health CareApplications on Desktop and Mobile Devices", in press on MultimediaTools and Applications, Springer.http://www.springerlink.com/content/q8512555u0j00584/P. Bellini, I. Bruno, P. Nesi, "EXPLOITING INTELLIGENT CONTENT VIAAXMEDIS/MPEG-21 FOR MODELLING AND DISTRIBUTING NEWS",International Journal of Software Engineering and KnowledgeEngineering, World Scientific Publishing Company, Vol.21, n.1, pp.3-32. SSP RT, Pisa, Paolo Nesi, DISIT, DSI, UNIFI, 2011 73
  • 72. Paolo Nesi Distributed Systems and Internet Technology, DISIT Dipartimento di Sistemi e Informatica, DSI Università degli studi di Firenze, UNIFI Via S. Marta 3, Firenze Tel: 055-4796523 Email: paolo.nesi@unifi.it http://www.disit.dsi.unifi.it SSP RT, Pisa, Paolo Nesi, DISIT, DSI, UNIFI, 2011 74
  • 73. SSP RT, Pisa, Paolo Nesi, DISIT, DSI, UNIFI, 2011 75