SlideShare a Scribd company logo
1 of 75
Download to read offline
Paolo Nesi
DISIT, 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
Sulla base dello spirito della SSP, questo
corso e le sue slide sono rivolti a fornire
informazioni fruibili da un pubblico
eterogeno e non specialistico
Pertanto, la trattazione è volutamente
semplificata per poter essere utile ad
esemplificare le potenzialità delle soluzioni
anche a personale non del settore
Per approfondimenti si possono consultare I
link e/o contattare il docente
             SSP RT, Pisa, Paolo Nesi, DISIT, DSI, UNIFI, 2011   2
Siamo nella società dell’informazione,
abituati a cercare e trovare informazioni in modo
destrutturato, keywords, e.g., google
Per realizzare e usare nuove applicazioni,
gli utenti hanno la necessità di effettuare
ricerche 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
La modellazione della conoscenza e la
semantica
La creazione e gestione della conoscenza
Problematiche
Le architetture parallele e distribuite
Casi 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
Base di Conoscenza
Tipi di conoscenza
Rappresentazioni
Modelli ontologici




           SSP RT, Pisa, Paolo Nesi, DISIT, DSI, UNIFI, 2011   5
Dominati da database (banche di dati,
archivi) che contengono informazioni dirette,
(istanze di record) con poca attenzione al
contesto, al modello, ai concetti e alle
relazioni fra concetti
E’ 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
L’obiettivo è poter trarre vantaggio dalla
conoscenza per esempio tramite elaborazioni automatiche
Modello della conoscenza in grado di descrivere e
supportare
– Fatti e concetti  numeri e simboli
– Concetti e relazioni fra questi  modelli
– Algoritmi/regole per produrre deduzioni, inferire..
     Un processo di intelligence
Può essere utilizzato:
– a supporto delle decisioni
– per produrre risultati per generalizzazione, relazione, etc.

                 SSP RT, Pisa, Paolo Nesi, DISIT, DSI, UNIFI, 2011   7
Diverse tecniche:
– Frame, rule, ontology, logic expression
– Combinazioni di tali tecniche


Tecniche 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
Esempio:
– If <condizione> then <azione>
Pros
– Condizioni di attivazione, firing
– Combinano dati e ragionamento
– Possono derivare da euristiche e gestire incertezze nei
  parametri
Cons
– L’insieme delle regole puo’ essere inconsistente,
  incompleto, etc. .. Esempio…

                SSP RT, Pisa, Paolo Nesi, DISIT, DSI, UNIFI, 2011   9
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
Formalizzano il modello dati e gli algoritmi,
procedure per manipolarli (questo ultimo aspetto
può 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
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 concetti
Cons:
– Certe logiche non sono decidibili
                SSP RT, Pisa, Paolo Nesi, DISIT, DSI, UNIFI, 2011   12
L'ontologia è una specificazione formale
esplicita di una concettualizzazione di un
dominio
Rappresentano:
– Concetti e oggetti: modelli, categorie,
  proprietà,..
– Relazioni fra concetti e fra relazioni
Idealmente mirano a modellare in modo
“esaustivo” un dominio

              SSP RT, Pisa, Paolo Nesi, DISIT, DSI, UNIFI, 2011   13
SSP RT, Pisa, Paolo Nesi, DISIT, DSI, UNIFI, 2011   14
Si può formalizzare in OWL (ontology web
language), 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
Classificazione
secondo vari assi
Dominio Specifico
Multilingua

Istanze connesse
a più nodi

Preso da:
http://mobmed.ax
medis.org



                    SSP RT, Pisa, Paolo Nesi, DISIT, DSI, UNIFI, 2011   16
Alternative, traduzioni
                                         Horse, equino, …..
                   isa                                                               Bretone
  Animale                              Cavallo

             isa                                                                    Normanno
                                    lupo
                                                                          hardware
  Computer     isa
   Science                    Sistema                                    Software
    sys..                                                                                  Related

                                      Referenced                                    task
economia
                      Modello                             collabor
                     economico                             ative               Process

                                                                           Assisted

                                                                           Competitive
                     SSP RT, Pisa, Paolo Nesi, DISIT, DSI, UNIFI, 2011                         17
Le ontologie sono specifiche di un dominio
Spesso prodotte in team e formalizzate in
OWL, 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
Si può vedere come: Ontologia + istanze
Le istanze dei concetti, delle relazioni,
popolano la base di conoscenza
connettendosi all’ontologia con la relazione
di 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
La modellazione della conoscenza e la
semantica
La creazione e gestione della conoscenza
Problematiche
Le architetture parallele e distribuite
Casi 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
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
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
Diretta da
– processi di estrazione
– data mining, crawling


Derivata 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
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
La modellazione della conoscenza e la
semantica
La creazione e gestione della conoscenza
Problematiche
Le architetture parallele e distribuite
Casi 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
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 computazionale
Presenti 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
In termini di elaborazione,
– il modello è logico  deduce verità e verifica condizioni
Incompletezza:
– Mancanza di informazioni rispetto ai valori delle variabili ed al
  dominio

Inconsistenza
– Presenza di contraddizioni in base alla semantica esecutiva

Non decidibilità
– Comportamento on completamente definito
– Modello semantico non completo



                    SSP RT, Pisa, Paolo Nesi, DISIT, DSI, UNIFI, 2011   27
Il modello semantico (come base di
conoscenza e strumenti) tipicamente può non
essere in grado di gestire/valutare:
– Similarità fra concetti
– Distanze dalle verità
– Incertezze nei dati e condizioni
Il modello semantico e la sua gestione
possono essere integrati a livello di sistema
con altre soluzioni:
– fuzzy, distante semantiche, distanze testuali, etc.


                 SSP RT, Pisa, Paolo Nesi, DISIT, DSI, UNIFI, 2011   28
Il motore di inferenza e ricerca può avere
problemi di:
– Produzione di risultati in tempo accettabili per
     Complessità computazionale
     Dimensioni della base di conoscenza
Un 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
La modellazione della conoscenza e la
semantica
La creazione e gestione della conoscenza
Problematiche
Le architetture parallele e distribuite
Casi 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
Una possibile soluzione per la gestione della
complessità computazionale
Parallelismo 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
SpeedUp: misura il vantaggio fra fare una cosa in parallelo e farla in modo
sequenziale




                       SSP RT, Pisa, Paolo Nesi, DISIT, DSI, UNIFI, 2011      32
Semantic Grid vision is to achieve a high degree of
easy to use and seamless automation to facilitate flexible
collaborations and computations on a global scale, by
means of machine processable knowledge both on and in
the 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
MediaGrid.
                                                                                      MediaGrid




                                                                                                                          MediaGrid
                                                                   AXMEDIS

                                                                             MMGRID




                                                                                                                          Omneon
                                                                                                  GridCast


                                                                                                             org
Content Management: storage, UGC, ..                                X                 (x)         (x)           X            X
Content computing/processing: adaptation,                           X                 (x)         (x)          (x)           X
processing conversion, cross media content 
packaging,   ..
Content Delivery Network Management                                 X         X        X           X            X
Metadata enrichment and reasoning                                   X
Content Protection Management (CAS/DRM)                             X
Content Indexing and Querying, knowledge base                       X                              X                         X
Semantic Computing Reasoning on user profiling,                     X
content descriptors, recommendations
User Interaction Support, rendering, collaboration                  X         X                                 X
Client player as grid nodes for intelligent content                 X
Global and/or Local grid                                          L/(G)      G         G          G           G/L            L

                               SSP RT, Pisa, Paolo Nesi, DISIT, DSI, UNIFI, 2011                                                      34
Architetture Distribuite per la Creazione e lo Sfruttamento della Conoscenza, (corso breve in italiano)
La modellazione della conoscenza e la
semantica
La creazione e gestione della conoscenza
Problematiche
Le architetture parallele e distribuite
Casi 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
La modellazione della conoscenza e la
semantica
La creazione e gestione della conoscenza
Problematiche
Le architetture parallele e distribuite
Casi 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
La conoscenza è su WEB.
– Oggi su Web, tutto ruota intorno al Social Networking
L’evoluzione delle SN, verso una gestione più
completa della conoscenza sono le BPN
Le BPN sono in modo sostanziale delle SN
tematiche in cui la conoscenza viene prodotta,
catturata ed esternalizzata attraverso strumenti di
lavoro 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
a     tacita                                 esplicita
   da
                Socializzazione                      Esternalizzazione
   tacita




   esplicita

                Interiorizzazione                         Combinazione



The Knowledge Creating Company (1995)

                           SSP RT, Pisa, Paolo Nesi, DISIT, DSI, UNIFI, 2011   39
Portale: Mobile Medicine
– http://mobmed.axmedis.org


Portale: ECLAP BPN CIP PsP EC
– http://www.eclap.eu


Portale APRE Toscana

            SSP RT, Pisa, Paolo Nesi, DISIT, DSI, UNIFI, 2011   40
Automated
Back office
                                                                      -PC, MACos, linux, …
                                                                      -iPhone, iPod,
                                                                      Windows Mobile,
                                                                      Android(*), ….
Complex content




                  SSP RT, Pisa, Paolo Nesi, DISIT, DSI, UNIFI, 2011                     41
42
Back office
 User: upload                                   automated
  single file                                   adaptation

   content


                                        ADMIN,
                                       validates,
                                         Put in
                                       publication
 User: study and
 designe of mini
applications to be
 uploaded on the
      portal
   Produces in
assisted manner
 procedures nad
mini applications


                     SSP RT, Pisa, Paolo Nesi, DISIT, DSI, UNIFI, 2011   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 Taxonomy
Distances 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
Architetture Distribuite per la Creazione e lo Sfruttamento della Conoscenza, (corso breve in italiano)
Archive
              partner
                  Archive            Original Content/Portals
Library           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
Best practice networking
– Relazioni fra utenti, foaf, networking, etc. modello di
  costruzione della conoscenza
Modello Semantico esteso:
– user, content, relazioni
Contenuti: 1 Milione in 13 lingue, provenienti da 17
partner
– 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
networking

Suggested
Potential
colleagues

Similarity
metrics
based on
static and
dynamic
user
aspects

             January 2011, Florence, Italy   48
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
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
Group/Channel
                       0..n
                                            0..1


  0..n                                      0..n
               0..n       0..n                        1      0..n
TaxonomyTerm                            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
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

   ToTag

ToSocialShare
                                                   Page                 Forum              Object
ToRecommend

  ToEnrich

 ToValidate

  ToPublish
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 Done
by 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
54
SSP RT, Pisa, Paolo Nesi, DISIT, DSI, UNIFI, 2011   55
BPNetworking (business process improvement)
– Applicare, generare, memorizzare, distribuire
– Comprendere, condividere, confrontarsi, raffinare
– Scoprire, creare, accumulare, pubblicare/usare
Modello 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 utentei
Motore GRID per:
– Acquisizione conoscenza esterna e processing




                      SSP RT, Pisa, Paolo Nesi, DISIT, DSI, UNIFI, 2011   56
a     tacita                                 esplicita
   da
                Socializzazione                      Esternalizzazione
   tacita        group, forum,                             pubblicazione,
                 newsletter,                               produzione,
                 workflow                                  indicizzazione
                 studio,
                 apprendimento,                            aggregazione,
   esplicita
                 e-learning                                annotazione
                Interiorizzazione                         Combinazione



Mapping sul modello di Nonaka & Takeuchi, 1995

                           SSP RT, Pisa, Paolo Nesi, DISIT, DSI, UNIFI, 2011   57
La modellazione della conoscenza e la
semantica
La creazione e gestione della conoscenza
Problematiche
Le architetture parallele e distribuite
Casi 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
Progetto OSIM: Open Space Innovative
Mind
– http://openmind.axmedis.org
Obiettivi:
– 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
CoSKOSAM        SKOS Editor


                                    Backup
             Key         SKOS       Control
WEB        database                                          Semantic              Front-end
sites                                                         Engine               Interface
            Crawler        Semantic                    Semantic                Request parser
docu                       Database                    Database
         Text Analyzer      ontology,
                                                     ontology, data,
ments                          data,
                                                        dictionary,               Results
          Translations     dictionary,
                           synonyms,
                                                        synonymy,                production
                                                      terms, links,...
                              terms,
datab                        links,...                                         User Support
ase…        AXCP
                                                                                 Wizard
           ingester               SSD
                                                             Inferential
                                                               engine
utenti      Data Ingestion       ATECO

                                                    OSIM Semantic Database

         http://openmind.axmedis.org/
                           SSP RT, Pisa, Paolo Nesi, DISIT, DSI, UNIFI, 2011                    60
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:DEPARTMENT
Uni: 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:RESEARCH
Uni:Grad.Course           IS COMPOSED OF

                                                                                   based on FOAF ontology
                           SSP RT, Pisa, Paolo Nesi, DISIT, DSI, UNIFI, 2011                                 61
based on GATE
   NLP Platform




                                                               WEB Based
 RDF store based on Sesame

           SSP RT, Pisa, Paolo Nesi, DISIT, DSI, UNIFI, 2011               62
CoSKOSAM




   DMS 2011   63
SSP RT, Pisa, Paolo Nesi, DISIT, DSI, UNIFI, 2011   64
SSP RT, Pisa, Paolo Nesi, DISIT, DSI, UNIFI, 2011   65
Modellazione ontologica
– Accelerazione per lareazione di ontologie di dominio
– FOAF, SKOS, etc.
Data mining
– Crawling ed acquisizione della conoscenza
Natural Language Processing, NLP
– Grammatiche, comprensione
– Completamento e query Multilingua, sinonimi
Generazione and integrazione di Conoscenza
– raffinamenti
Ricerca semantica & natural query language
                 SSP RT, Pisa, Paolo Nesi, DISIT, DSI, UNIFI, 2011   66
La modellazione della conoscenza e la
semantica
La creazione e gestione della conoscenza
Problematiche
Le architetture parallele e distribuite
Casi 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
Project SEOnto: architettura per la comprensione
automatica 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
Ontologia di
dominio
Base di
conoscenza
Gazetteer
Creazione di un
DB RDF
Ricerche
SPARQL
Analisi
statistiche
             SSP RT, Pisa, Paolo Nesi, DISIT, DSI, UNIFI, 2011   69
Modellazione ontologica
– Ontologia di dominio
Natural Language Processing
– Grammatiche, comprensione
Architettura parallela per il processing
Ricerche su semantic db: SPARQL
Validazione del processo di comprensione
– Valutazione del grado di comprensione
– Strumenti statistici

             SSP RT, Pisa, Paolo Nesi, DISIT, DSI, UNIFI, 2011   70
La modellazione della conoscenza e la
semantica
La creazione e gestione della conoscenza
Problematiche
Le architetture parallele e distribuite
Casi 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
OWL: http://www.w3.org/2004/OWL/
DISIT: http://www.disit.dsi.unifi.it
MobileMedicine: http://mobmed.axmedis.org
BPN: http://www.eclap.eu
OSIM: http://openmind.axmedis.org
APRE Toscana: http://bpnet.apretoscana.org




             SSP RT, Pisa, Paolo Nesi, DISIT, DSI, UNIFI, 2011   72
P. Bellini, A. Cappuccio, P. Nesi, Collaborative and Assisted SKOS
Generation and Management, proc of the 17th international conference
on Distirbuted Multimedi Systems, Convitto della Calza, Florence, Italy,
18-20 August 2011.
P. Bellini, I. Bruno, D. Cenni, P. Nesi, "Micro grids for scalable media
computing 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, "Mobile
Medicine: Semantic Computing Management for Health Care
Applications on Desktop and Mobile Devices", in press on Multimedia
Tools and Applications, Springer.
http://www.springerlink.com/content/q8512555u0j00584/
P. Bellini, I. Bruno, P. Nesi, "EXPLOITING INTELLIGENT CONTENT VIA
AXMEDIS/MPEG-21 FOR MODELLING AND DISTRIBUTING NEWS",
International Journal of Software Engineering and Knowledge
Engineering, World Scientific Publishing Company, Vol.21, n.1, pp.3-32.

                     SSP RT, Pisa, Paolo Nesi, DISIT, DSI, UNIFI, 2011     73
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
SSP RT, Pisa, Paolo Nesi, DISIT, DSI, UNIFI, 2011   75

More Related Content

Viewers also liked

Modelli Semantici e Gestione della Conoscenza: Social Network vs Knowledge Ma...
Modelli Semantici e Gestione della Conoscenza: Social Network vs Knowledge Ma...Modelli Semantici e Gestione della Conoscenza: Social Network vs Knowledge Ma...
Modelli Semantici e Gestione della Conoscenza: Social Network vs Knowledge Ma...Paolo Nesi
 
ECLAP short overview at Ljubljana
ECLAP short overview at LjubljanaECLAP short overview at Ljubljana
ECLAP short overview at LjubljanaPaolo Nesi
 
A Trust P2P network for the Access to Open Archive resources
A Trust P2P network for the Access to Open Archive resourcesA Trust P2P network for the Access to Open Archive resources
A Trust P2P network for the Access to Open Archive resourcesPaolo Nesi
 
Anatomy of a Social Network, ECLAP
Anatomy of a Social Network, ECLAPAnatomy of a Social Network, ECLAP
Anatomy of a Social Network, ECLAPPaolo Nesi
 
Personal Content Management on PDA for Health Care Applications
Personal Content Management on PDA for Health Care Applications Personal Content Management on PDA for Health Care Applications
Personal Content Management on PDA for Health Care Applications Paolo Nesi
 
ECLAP Tutorial first part, ECLAP 2012 conference. the general overview
ECLAP Tutorial first part, ECLAP 2012 conference. the general overviewECLAP Tutorial first part, ECLAP 2012 conference. the general overview
ECLAP Tutorial first part, ECLAP 2012 conference. the general overviewPaolo Nesi
 
MyStoryPlayer on ECLAP and overview
MyStoryPlayer on ECLAP and overviewMyStoryPlayer on ECLAP and overview
MyStoryPlayer on ECLAP and overviewPaolo Nesi
 
Distributed Systems, Sync Time and Time ordering
Distributed Systems, Sync Time and Time orderingDistributed Systems, Sync Time and Time ordering
Distributed Systems, Sync Time and Time orderingPaolo Nesi
 
ECLAP 2013 tutorial at Porto, April 2013
ECLAP 2013 tutorial at Porto, April 2013ECLAP 2013 tutorial at Porto, April 2013
ECLAP 2013 tutorial at Porto, April 2013Paolo Nesi
 
Indexing and Searching Cross Media Content in a Social Network
Indexing and Searching Cross Media Content in a Social NetworkIndexing and Searching Cross Media Content in a Social Network
Indexing and Searching Cross Media Content in a Social NetworkPaolo Nesi
 
Technologies for Enhancing Knowledge and Training, the future of e-learning t...
Technologies for Enhancing Knowledge and Training, the future of e-learning t...Technologies for Enhancing Knowledge and Training, the future of e-learning t...
Technologies for Enhancing Knowledge and Training, the future of e-learning t...Paolo Nesi
 
DISIT lab Overview on Tourism and Training, June 2014
DISIT lab Overview on Tourism and Training, June 2014DISIT lab Overview on Tourism and Training, June 2014
DISIT lab Overview on Tourism and Training, June 2014Paolo Nesi
 
Linked Open Graph: browsing multiple SPARQL entry points to build your own LO...
Linked Open Graph: browsing multiple SPARQL entry points to build your own LO...Linked Open Graph: browsing multiple SPARQL entry points to build your own LO...
Linked Open Graph: browsing multiple SPARQL entry points to build your own LO...Paolo Nesi
 
ICT e per la Gestione soccorso integrato nelle maxi emergenze
ICT e per la Gestione soccorso integrato nelle maxi emergenzeICT e per la Gestione soccorso integrato nelle maxi emergenze
ICT e per la Gestione soccorso integrato nelle maxi emergenzePaolo Nesi
 

Viewers also liked (14)

Modelli Semantici e Gestione della Conoscenza: Social Network vs Knowledge Ma...
Modelli Semantici e Gestione della Conoscenza: Social Network vs Knowledge Ma...Modelli Semantici e Gestione della Conoscenza: Social Network vs Knowledge Ma...
Modelli Semantici e Gestione della Conoscenza: Social Network vs Knowledge Ma...
 
ECLAP short overview at Ljubljana
ECLAP short overview at LjubljanaECLAP short overview at Ljubljana
ECLAP short overview at Ljubljana
 
A Trust P2P network for the Access to Open Archive resources
A Trust P2P network for the Access to Open Archive resourcesA Trust P2P network for the Access to Open Archive resources
A Trust P2P network for the Access to Open Archive resources
 
Anatomy of a Social Network, ECLAP
Anatomy of a Social Network, ECLAPAnatomy of a Social Network, ECLAP
Anatomy of a Social Network, ECLAP
 
Personal Content Management on PDA for Health Care Applications
Personal Content Management on PDA for Health Care Applications Personal Content Management on PDA for Health Care Applications
Personal Content Management on PDA for Health Care Applications
 
ECLAP Tutorial first part, ECLAP 2012 conference. the general overview
ECLAP Tutorial first part, ECLAP 2012 conference. the general overviewECLAP Tutorial first part, ECLAP 2012 conference. the general overview
ECLAP Tutorial first part, ECLAP 2012 conference. the general overview
 
MyStoryPlayer on ECLAP and overview
MyStoryPlayer on ECLAP and overviewMyStoryPlayer on ECLAP and overview
MyStoryPlayer on ECLAP and overview
 
Distributed Systems, Sync Time and Time ordering
Distributed Systems, Sync Time and Time orderingDistributed Systems, Sync Time and Time ordering
Distributed Systems, Sync Time and Time ordering
 
ECLAP 2013 tutorial at Porto, April 2013
ECLAP 2013 tutorial at Porto, April 2013ECLAP 2013 tutorial at Porto, April 2013
ECLAP 2013 tutorial at Porto, April 2013
 
Indexing and Searching Cross Media Content in a Social Network
Indexing and Searching Cross Media Content in a Social NetworkIndexing and Searching Cross Media Content in a Social Network
Indexing and Searching Cross Media Content in a Social Network
 
Technologies for Enhancing Knowledge and Training, the future of e-learning t...
Technologies for Enhancing Knowledge and Training, the future of e-learning t...Technologies for Enhancing Knowledge and Training, the future of e-learning t...
Technologies for Enhancing Knowledge and Training, the future of e-learning t...
 
DISIT lab Overview on Tourism and Training, June 2014
DISIT lab Overview on Tourism and Training, June 2014DISIT lab Overview on Tourism and Training, June 2014
DISIT lab Overview on Tourism and Training, June 2014
 
Linked Open Graph: browsing multiple SPARQL entry points to build your own LO...
Linked Open Graph: browsing multiple SPARQL entry points to build your own LO...Linked Open Graph: browsing multiple SPARQL entry points to build your own LO...
Linked Open Graph: browsing multiple SPARQL entry points to build your own LO...
 
ICT e per la Gestione soccorso integrato nelle maxi emergenze
ICT e per la Gestione soccorso integrato nelle maxi emergenzeICT e per la Gestione soccorso integrato nelle maxi emergenze
ICT e per la Gestione soccorso integrato nelle maxi emergenze
 

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

2 repository metadati_e_schemi
2 repository metadati_e_schemi2 repository metadati_e_schemi
2 repository metadati_e_schemiRiccardo Grosso
 
I principi base dell’intelligenza artificiale spiegata ai non tecnici
I principi base dell’intelligenza artificiale spiegata ai non tecnici I principi base dell’intelligenza artificiale spiegata ai non tecnici
I principi base dell’intelligenza artificiale spiegata ai non tecnici KEA s.r.l.
 
Text_to_text__Come_ragionare_con_le_AI_-_Human_Singularity.pdf
Text_to_text__Come_ragionare_con_le_AI_-_Human_Singularity.pdfText_to_text__Come_ragionare_con_le_AI_-_Human_Singularity.pdf
Text_to_text__Come_ragionare_con_le_AI_-_Human_Singularity.pdfHuman Singularity
 
Dialogare con le macchine in linguaggio naturale... Finalmente! Ma ci voleva ...
Dialogare con le macchine in linguaggio naturale... Finalmente! Ma ci voleva ...Dialogare con le macchine in linguaggio naturale... Finalmente! Ma ci voleva ...
Dialogare con le macchine in linguaggio naturale... Finalmente! Ma ci voleva ...KEA s.r.l.
 
Cmplx school spoleto_ve_reti1su3_22ago2016
Cmplx school spoleto_ve_reti1su3_22ago2016Cmplx school spoleto_ve_reti1su3_22ago2016
Cmplx school spoleto_ve_reti1su3_22ago2016Valerio Eletti
 
Linked Open Data di Vittorio Di Tomaso
Linked Open Data di Vittorio Di TomasoLinked Open Data di Vittorio Di Tomaso
Linked Open Data di Vittorio Di TomasoCELI
 
La grammatica della user experience
La grammatica della user experienceLa grammatica della user experience
La grammatica della user experienceStefano Bussolon
 
OntoPiA la rete di ontologie e vocabolari controllati per la pubblica amminis...
OntoPiA la rete di ontologie e vocabolari controllati per la pubblica amminis...OntoPiA la rete di ontologie e vocabolari controllati per la pubblica amminis...
OntoPiA la rete di ontologie e vocabolari controllati per la pubblica amminis...Giorgia Lodi
 
Intelligenza artificiale
Intelligenza artificialeIntelligenza artificiale
Intelligenza artificialeEnrico La Sala
 
SyNTHEMA multimedia content enrichment
SyNTHEMA multimedia content enrichmentSyNTHEMA multimedia content enrichment
SyNTHEMA multimedia content enrichmentSiro Massaria
 
Integrazione di ontologie su un sistema a regole: un caso di studio
Integrazione di ontologie su un sistema a regole: un caso di studioIntegrazione di ontologie su un sistema a regole: un caso di studio
Integrazione di ontologie su un sistema a regole: un caso di studioMaria Pia De Marzo
 
Guido Vetere - Introduzione e critica al web semantico
Guido Vetere - Introduzione e critica al web semanticoGuido Vetere - Introduzione e critica al web semantico
Guido Vetere - Introduzione e critica al web semanticoSocial Media Lab
 
Carlo Bono - Introduzione alla Data Analysis e al Machine Learning - Rinascit...
Carlo Bono - Introduzione alla Data Analysis e al Machine Learning - Rinascit...Carlo Bono - Introduzione alla Data Analysis e al Machine Learning - Rinascit...
Carlo Bono - Introduzione alla Data Analysis e al Machine Learning - Rinascit...Stefano Saladino
 
Presentazione Picariello Vincenzo
Presentazione Picariello VincenzoPresentazione Picariello Vincenzo
Presentazione Picariello VincenzoVincenzo Picariello
 
Hypernexus... ovvero un approccio innovativo alla gestione delle informazioni...
Hypernexus... ovvero un approccio innovativo alla gestione delle informazioni...Hypernexus... ovvero un approccio innovativo alla gestione delle informazioni...
Hypernexus... ovvero un approccio innovativo alla gestione delle informazioni...Net7
 

Similar to Architetture Distribuite per la Creazione e lo Sfruttamento della Conoscenza, (corso breve in italiano) (20)

2 repository metadati_e_schemi
2 repository metadati_e_schemi2 repository metadati_e_schemi
2 repository metadati_e_schemi
 
I principi base dell’intelligenza artificiale spiegata ai non tecnici
I principi base dell’intelligenza artificiale spiegata ai non tecnici I principi base dell’intelligenza artificiale spiegata ai non tecnici
I principi base dell’intelligenza artificiale spiegata ai non tecnici
 
Text_to_text__Come_ragionare_con_le_AI_-_Human_Singularity.pdf
Text_to_text__Come_ragionare_con_le_AI_-_Human_Singularity.pdfText_to_text__Come_ragionare_con_le_AI_-_Human_Singularity.pdf
Text_to_text__Come_ragionare_con_le_AI_-_Human_Singularity.pdf
 
Dialogare con le macchine in linguaggio naturale... Finalmente! Ma ci voleva ...
Dialogare con le macchine in linguaggio naturale... Finalmente! Ma ci voleva ...Dialogare con le macchine in linguaggio naturale... Finalmente! Ma ci voleva ...
Dialogare con le macchine in linguaggio naturale... Finalmente! Ma ci voleva ...
 
Cmplx school spoleto_ve_reti1su3_22ago2016
Cmplx school spoleto_ve_reti1su3_22ago2016Cmplx school spoleto_ve_reti1su3_22ago2016
Cmplx school spoleto_ve_reti1su3_22ago2016
 
Linked Open Data di Vittorio Di Tomaso
Linked Open Data di Vittorio Di TomasoLinked Open Data di Vittorio Di Tomaso
Linked Open Data di Vittorio Di Tomaso
 
Modelli concettuali e architetture Object-Oriented per la progettazione e lo ...
Modelli concettuali e architetture Object-Oriented per la progettazione e lo ...Modelli concettuali e architetture Object-Oriented per la progettazione e lo ...
Modelli concettuali e architetture Object-Oriented per la progettazione e lo ...
 
La grammatica della user experience
La grammatica della user experienceLa grammatica della user experience
La grammatica della user experience
 
OntoPiA la rete di ontologie e vocabolari controllati per la pubblica amminis...
OntoPiA la rete di ontologie e vocabolari controllati per la pubblica amminis...OntoPiA la rete di ontologie e vocabolari controllati per la pubblica amminis...
OntoPiA la rete di ontologie e vocabolari controllati per la pubblica amminis...
 
Intelligenza artificiale
Intelligenza artificialeIntelligenza artificiale
Intelligenza artificiale
 
SyNTHEMA multimedia content enrichment
SyNTHEMA multimedia content enrichmentSyNTHEMA multimedia content enrichment
SyNTHEMA multimedia content enrichment
 
Lezione Feliciati ACS 2012
Lezione Feliciati ACS 2012Lezione Feliciati ACS 2012
Lezione Feliciati ACS 2012
 
Survey On Text Mining
Survey On Text MiningSurvey On Text Mining
Survey On Text Mining
 
Integrazione di ontologie su un sistema a regole: un caso di studio
Integrazione di ontologie su un sistema a regole: un caso di studioIntegrazione di ontologie su un sistema a regole: un caso di studio
Integrazione di ontologie su un sistema a regole: un caso di studio
 
Guido Vetere - Introduzione e critica al web semantico
Guido Vetere - Introduzione e critica al web semanticoGuido Vetere - Introduzione e critica al web semantico
Guido Vetere - Introduzione e critica al web semantico
 
Carlo Bono - Introduzione alla Data Analysis e al Machine Learning - Rinascit...
Carlo Bono - Introduzione alla Data Analysis e al Machine Learning - Rinascit...Carlo Bono - Introduzione alla Data Analysis e al Machine Learning - Rinascit...
Carlo Bono - Introduzione alla Data Analysis e al Machine Learning - Rinascit...
 
Presentazione Picariello Vincenzo
Presentazione Picariello VincenzoPresentazione Picariello Vincenzo
Presentazione Picariello Vincenzo
 
KM - le professionalità coinvolte
KM - le professionalità coinvolteKM - le professionalità coinvolte
KM - le professionalità coinvolte
 
Pycon
PyconPycon
Pycon
 
Hypernexus... ovvero un approccio innovativo alla gestione delle informazioni...
Hypernexus... ovvero un approccio innovativo alla gestione delle informazioni...Hypernexus... ovvero un approccio innovativo alla gestione delle informazioni...
Hypernexus... ovvero un approccio innovativo alla gestione delle informazioni...
 

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

  • 1. Paolo Nesi DISIT, 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, questo corso e le sue slide sono rivolti a fornire informazioni fruibili da un pubblico eterogeno e non specialistico Pertanto, la trattazione è volutamente semplificata per poter essere utile ad esemplificare le potenzialità delle soluzioni anche a personale non del settore Per approfondimenti si possono consultare I link 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 modo destrutturato, keywords, e.g., google Per realizzare e usare nuove applicazioni, gli utenti hanno la necessità di effettuare ricerche 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 la semantica La creazione e gestione della conoscenza Problematiche Le architetture parallele e distribuite Casi 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 Conoscenza Tipi di conoscenza Rappresentazioni Modelli 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 al contesto, al modello, ai concetti e alle relazioni fra concetti E’ 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 dalla conoscenza per esempio tramite elaborazioni automatiche Modello della conoscenza in grado di descrivere e supportare – Fatti e concetti  numeri e simboli – Concetti e relazioni fra questi  modelli – Algoritmi/regole per produrre deduzioni, inferire.. Un processo di intelligence Può 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 tecniche Tecniche 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 parametri Cons – 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 aspetto può 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 concetti Cons: – Certe logiche non sono decidibili SSP RT, Pisa, Paolo Nesi, DISIT, DSI, UNIFI, 2011 12
  • 13. L'ontologia è una specificazione formale esplicita di una concettualizzazione di un dominio Rappresentano: – Concetti e oggetti: modelli, categorie, proprietà,.. – Relazioni fra concetti e fra relazioni Idealmente 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 web language), 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. Classificazione secondo vari assi Dominio Specifico Multilingua Istanze connesse a più nodi Preso da: http://mobmed.ax medis.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 task economia Modello collabor economico ative Process Assisted Competitive SSP RT, Pisa, Paolo Nesi, DISIT, DSI, UNIFI, 2011 17
  • 18. Le ontologie sono specifiche di un dominio Spesso prodotte in team e formalizzate in OWL, 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 + istanze Le istanze dei concetti, delle relazioni, popolano la base di conoscenza connettendosi all’ontologia con la relazione di 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 la semantica La creazione e gestione della conoscenza Problematiche Le architetture parallele e distribuite Casi 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, crawling Derivata 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 la semantica La creazione e gestione della conoscenza Problematiche Le architetture parallele e distribuite Casi 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 computazionale Presenti 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 condizioni Incompletezza: – Mancanza di informazioni rispetto ai valori delle variabili ed al dominio Inconsistenza – Presenza di contraddizioni in base alla semantica esecutiva Non 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 di conoscenza e strumenti) tipicamente può non essere in grado di gestire/valutare: – Similarità fra concetti – Distanze dalle verità – Incertezze nei dati e condizioni Il modello semantico e la sua gestione possono essere integrati a livello di sistema con 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 avere problemi di: – Produzione di risultati in tempo accettabili per Complessità computazionale Dimensioni della base di conoscenza Un 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 la semantica La creazione e gestione della conoscenza Problematiche Le architetture parallele e distribuite Casi 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 della complessità computazionale Parallelismo 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 modo sequenziale SSP RT, Pisa, Paolo Nesi, DISIT, DSI, UNIFI, 2011 32
  • 33. Semantic Grid vision is to achieve a high degree of easy to use and seamless automation to facilitate flexible collaborations and computations on a global scale, by means of machine processable knowledge both on and in the 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 org Content Management: storage, UGC, .. X (x) (x) X X Content computing/processing: adaptation,  X (x) (x) (x) X processing conversion, cross media content  packaging,   .. Content Delivery Network Management X X X X X Metadata enrichment and reasoning X Content Protection Management (CAS/DRM) X Content Indexing and Querying, knowledge base X X X Semantic Computing Reasoning on user profiling,  X content descriptors, recommendations User Interaction Support, rendering, collaboration X X X Client player as grid nodes for intelligent content X Global and/or Local grid L/(G) G G G G/L L SSP RT, Pisa, Paolo Nesi, DISIT, DSI, UNIFI, 2011 34
  • 36. La modellazione della conoscenza e la semantica La creazione e gestione della conoscenza Problematiche Le architetture parallele e distribuite Casi 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
  • 37. La modellazione della conoscenza e la semantica La creazione e gestione della conoscenza Problematiche Le architetture parallele e distribuite Casi 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
  • 38. La conoscenza è su WEB. – Oggi su Web, tutto ruota intorno al Social Networking L’evoluzione delle SN, verso una gestione più completa della conoscenza sono le BPN Le BPN sono in modo sostanziale delle SN tematiche in cui la conoscenza viene prodotta, catturata ed esternalizzata attraverso strumenti di lavoro 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
  • 39. a tacita esplicita da Socializzazione Esternalizzazione tacita esplicita Interiorizzazione Combinazione The Knowledge Creating Company (1995) SSP RT, Pisa, Paolo Nesi, DISIT, DSI, UNIFI, 2011 39
  • 40. Portale: Mobile Medicine – http://mobmed.axmedis.org Portale: ECLAP BPN CIP PsP EC – http://www.eclap.eu Portale APRE Toscana SSP RT, Pisa, Paolo Nesi, DISIT, DSI, UNIFI, 2011 40
  • 41. Automated Back office -PC, MACos, linux, … -iPhone, iPod, Windows Mobile, Android(*), …. Complex content SSP RT, Pisa, Paolo Nesi, DISIT, DSI, UNIFI, 2011 41
  • 42. 42
  • 43. Back office User: upload automated single file adaptation content ADMIN, validates, Put in publication User: study and designe of mini applications to be uploaded on the portal Produces in assisted manner procedures nad mini applications SSP RT, Pisa, Paolo Nesi, DISIT, DSI, UNIFI, 2011 43
  • 44. 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 Taxonomy Distances 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
  • 46. Archive partner Archive Original Content/Portals Library 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
  • 47. Best practice networking – Relazioni fra utenti, foaf, networking, etc. modello di costruzione della conoscenza Modello Semantico esteso: – user, content, relazioni Contenuti: 1 Milione in 13 lingue, provenienti da 17 partner – 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
  • 49. 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
  • 50. 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
  • 51. Group/Channel 0..n 0..1 0..n 0..n 0..n 0..n 1 0..n TaxonomyTerm 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
  • 52. 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 ToTag ToSocialShare Page Forum Object ToRecommend ToEnrich ToValidate ToPublish
  • 53. 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 Done by 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
  • 54. 54
  • 55. SSP RT, Pisa, Paolo Nesi, DISIT, DSI, UNIFI, 2011 55
  • 56. BPNetworking (business process improvement) – Applicare, generare, memorizzare, distribuire – Comprendere, condividere, confrontarsi, raffinare – Scoprire, creare, accumulare, pubblicare/usare Modello 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 utentei Motore GRID per: – Acquisizione conoscenza esterna e processing SSP RT, Pisa, Paolo Nesi, DISIT, DSI, UNIFI, 2011 56
  • 57. a tacita esplicita da Socializzazione Esternalizzazione tacita group, forum, pubblicazione, newsletter, produzione, workflow indicizzazione studio, apprendimento, aggregazione, esplicita e-learning annotazione Interiorizzazione Combinazione Mapping sul modello di Nonaka & Takeuchi, 1995 SSP RT, Pisa, Paolo Nesi, DISIT, DSI, UNIFI, 2011 57
  • 58. La modellazione della conoscenza e la semantica La creazione e gestione della conoscenza Problematiche Le architetture parallele e distribuite Casi 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
  • 59. Progetto OSIM: Open Space Innovative Mind – http://openmind.axmedis.org Obiettivi: – 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
  • 60. CoSKOSAM SKOS Editor Backup Key SKOS Control WEB database Semantic Front-end sites Engine Interface Crawler Semantic Semantic Request parser docu Database Database Text Analyzer ontology, ontology, data, ments data, dictionary, Results Translations dictionary, synonyms, synonymy, production terms, links,... terms, datab links,... User Support ase… AXCP Wizard ingester SSD Inferential engine utenti Data Ingestion ATECO OSIM Semantic Database http://openmind.axmedis.org/ SSP RT, Pisa, Paolo Nesi, DISIT, DSI, UNIFI, 2011 60
  • 61. 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:DEPARTMENT Uni: 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:RESEARCH Uni:Grad.Course IS COMPOSED OF based on FOAF ontology SSP RT, Pisa, Paolo Nesi, DISIT, DSI, UNIFI, 2011 61
  • 62. based on GATE NLP Platform WEB Based RDF store based on Sesame SSP RT, Pisa, Paolo Nesi, DISIT, DSI, UNIFI, 2011 62
  • 63. CoSKOSAM DMS 2011 63
  • 64. SSP RT, Pisa, Paolo Nesi, DISIT, DSI, UNIFI, 2011 64
  • 65. SSP RT, Pisa, Paolo Nesi, DISIT, DSI, UNIFI, 2011 65
  • 66. Modellazione ontologica – Accelerazione per lareazione di ontologie di dominio – FOAF, SKOS, etc. Data mining – Crawling ed acquisizione della conoscenza Natural Language Processing, NLP – Grammatiche, comprensione – Completamento e query Multilingua, sinonimi Generazione and integrazione di Conoscenza – raffinamenti Ricerca semantica & natural query language SSP RT, Pisa, Paolo Nesi, DISIT, DSI, UNIFI, 2011 66
  • 67. La modellazione della conoscenza e la semantica La creazione e gestione della conoscenza Problematiche Le architetture parallele e distribuite Casi 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
  • 68. Project SEOnto: architettura per la comprensione automatica 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
  • 69. Ontologia di dominio Base di conoscenza Gazetteer Creazione di un DB RDF Ricerche SPARQL Analisi statistiche SSP RT, Pisa, Paolo Nesi, DISIT, DSI, UNIFI, 2011 69
  • 70. Modellazione ontologica – Ontologia di dominio Natural Language Processing – Grammatiche, comprensione Architettura parallela per il processing Ricerche su semantic db: SPARQL Validazione del processo di comprensione – Valutazione del grado di comprensione – Strumenti statistici SSP RT, Pisa, Paolo Nesi, DISIT, DSI, UNIFI, 2011 70
  • 71. La modellazione della conoscenza e la semantica La creazione e gestione della conoscenza Problematiche Le architetture parallele e distribuite Casi 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
  • 72. OWL: http://www.w3.org/2004/OWL/ DISIT: http://www.disit.dsi.unifi.it MobileMedicine: http://mobmed.axmedis.org BPN: http://www.eclap.eu OSIM: http://openmind.axmedis.org APRE Toscana: http://bpnet.apretoscana.org SSP RT, Pisa, Paolo Nesi, DISIT, DSI, UNIFI, 2011 72
  • 73. P. Bellini, A. Cappuccio, P. Nesi, Collaborative and Assisted SKOS Generation and Management, proc of the 17th international conference on Distirbuted Multimedi Systems, Convitto della Calza, Florence, Italy, 18-20 August 2011. P. Bellini, I. Bruno, D. Cenni, P. Nesi, "Micro grids for scalable media computing 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, "Mobile Medicine: Semantic Computing Management for Health Care Applications on Desktop and Mobile Devices", in press on Multimedia Tools and Applications, Springer. http://www.springerlink.com/content/q8512555u0j00584/ P. Bellini, I. Bruno, P. Nesi, "EXPLOITING INTELLIGENT CONTENT VIA AXMEDIS/MPEG-21 FOR MODELLING AND DISTRIBUTING NEWS", International Journal of Software Engineering and Knowledge Engineering, World Scientific Publishing Company, Vol.21, n.1, pp.3-32. SSP RT, Pisa, Paolo Nesi, DISIT, DSI, UNIFI, 2011 73
  • 74. 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
  • 75. SSP RT, Pisa, Paolo Nesi, DISIT, DSI, UNIFI, 2011 75