Successfully reported this slideshow.
We use your LinkedIn profile and activity data to personalize ads and to show you more relevant ads. You can change your ad preferences anytime.
Big Social Machines:
Architecture and Challenges
Srinath Srinivasa
Web Science Lab
IIIT Bangalore
http://cds.iiitb.ac.in/w...
More data beats better algorithms...
But...
Without good models, we get insights like these..
Social Machines
Represents a class of environments comprising of interplay 
between humans and technology
Outputs of socia...
Social Machines
Social Machines 
Social Machines and Interaction Machines (Open-world computing) [Wegner 97]
Output
Input
A (closed-world)...
Social Machines
Social Machines are “open­world” systems – the environment is 
changing even as it is computing responses
...
Big Social Machines
Technical Challenges
Massive number of users 
Wide geographical distribution 
Significant amounts of d...
Technical Challenges
Data Management Challenges
The Vs of Big Data: Volume, Variety, Velocity, Veracity
Continuous models ...
An Abstract Architecture
Architectural Elements
Content Aggregation and Distribution 
Network (CADN)
Interactive nature of social machines require ...
Architectural Elements
CADN Example Based on Geo Hashing
Smart Traffic Social Machine
HSR area
Notifier
Hebbal area
Aggreg...
Information Logistics
Getting the right information to the right 
place at the right time to the right recipient
Challenge...
Information Logistics
Strategic infrastructure: Distributed lookup tables [Patil 2010]
Optimality criteria
Efficiency of l...
Social Machines
Business logic for Big Social Machines
Challenges:
Database semantics for long running distributed 
proces...
Business Logic Challenges
Data and Consistency Challenges
Conventional relational databases may prove insufficient for 
da...
Semantics Layer
The “brain” behind the social machine
Continuously extracts semantics from operational 
details and feeds ...
Semantics Layer
Document vector model not very attractive:
Curse of dimensionality
Sparse vector space
Spurious features i...
Semantics Layer
Proposal for a new model: Co­
occurrence graph   [Rachakonda et al. 
2014] 
Founded on Hebbian theory and ...
Semantics Layer
Business Logic Layer
POS tagging
Entity Resolution
Canonicalization
Semantics Layer
Semantics Layer
Episodic hypotheses
Algorithms running over the co­occurrence graph to 
extract specific semantic associat...
23
Semantics Layer
Topical Anchors: Given 
a list of noun phrases, 
identify a semantic 
topic for these terms.
Powered by...
24
Semantics Layer
Topic Expansion: Given a
term, expands it into
semantically relevant topical
clusters with different
se...
25
Semantics Layer
Other algorithms on co­occurrence graphs 
developed at WSL:
[Rachakonda et al. 2014, Kulkarni et al. 20...
26
Semantics Layer
Some algorithmic techniques for mining semantics from co­
occurrence graphs:
Random walks
MCMC
Graph cl...
27
Conclusions
Proposal:
Abstract architecture for social machines
Challenges:
Integration of systems, data and semantic l...
28
Thank You!
References
● SOCIAM http://www.sociam.org/
● Shadbolt, Nigel R.; Daniel A. Smith; Elena Simperl; Max Van Kleek; Yang Yang;...
Upcoming SlideShare
Loading in …5
×

Big Social Machines: Architecture and Challenges

423 views

Published on

Slides for my talk at Amrita University, 6 Nov 2015. Proposing an abstract architecture for social machines and enumerating research challenges.

Published in: Internet
  • Be the first to comment

  • Be the first to like this

Big Social Machines: Architecture and Challenges

  1. 1. Big Social Machines: Architecture and Challenges Srinath Srinivasa Web Science Lab IIIT Bangalore http://cds.iiitb.ac.in/wsl/
  2. 2. More data beats better algorithms... But...
  3. 3. Without good models, we get insights like these..
  4. 4. Social Machines Represents a class of environments comprising of interplay  between humans and technology Outputs of social machines a result of both human and  algorithmic decisions Humans as “participants” rather than users  Humans not just use social machines for problem­solving – they are  also used as elements of problem­solving “The Web is an engine to create abstract social machines” – Tim  Berners­Lee, Weaving the Web  About Social Machines https://youtu.be/8Iz7ZqSOJGU 
  5. 5. Social Machines
  6. 6. Social Machines  Social Machines and Interaction Machines (Open-world computing) [Wegner 97] Output Input A (closed-world) Turing Machine computation Hidden-variable Single-stream Interaction Machine Hidden-adversary Multi-stream Interaction Machine
  7. 7. Social Machines Social Machines are “open­world” systems – the environment is  changing even as it is computing responses They are “multi­stream” interaction machines – inputs on one  interaction channel may become part of the response on some  other interaction channel Characteristic building blocks of a multi­stream interaction  machine [Srinivasa 2001]:  – Computation – Persistence of state (across computations) – Channel Sensitivity (of responses) 
  8. 8. Big Social Machines Technical Challenges Massive number of users  Wide geographical distribution  Significant amounts of disconnected, mobile and ad hoc operations Human Issues Privacy and identity management nightmare Privileges and access control challenges  Moral dilemmas concerning use of humans as part of the machine
  9. 9. Technical Challenges Data Management Challenges The Vs of Big Data: Volume, Variety, Velocity, Veracity Continuous models of Consistency, Semantics extraction, and  Transactions Process Management Challenges Divergent aggregation (no one problem being solved at any time) LRC (long­running continuous) models of information logistics
  10. 10. An Abstract Architecture
  11. 11. Architectural Elements Content Aggregation and Distribution  Network (CADN) Interactive nature of social machines require  evolution of present­day CDNs into CADNs Efficient management of human interactions  comprising of pull and push elements Continuous Optimization in a multi­user  environment
  12. 12. Architectural Elements CADN Example Based on Geo Hashing Smart Traffic Social Machine HSR area Notifier Hebbal area Aggregator BTM area Notifier BTM area Notifier Icon made by Freepik from www.flaticon.com is licensed under CC BY 3.0
  13. 13. Information Logistics Getting the right information to the right  place at the right time to the right recipient Challenges: Uncertainty in information requirements Churn in information location, relevance and  user requirements
  14. 14. Information Logistics Strategic infrastructure: Distributed lookup tables [Patil 2010] Optimality criteria Efficiency of lookup Robustness against Random failures Churn Targeted attacks Cost Latency Bookkeeping cost Infrastructure cost Optimal topology classes under different constraints: bookkeeping, lookup efficiency, infra cost
  15. 15. Social Machines Business logic for Big Social Machines Challenges: Database semantics for long running distributed  processes Scalable security and access control Consistency issues
  16. 16. Business Logic Challenges Data and Consistency Challenges Conventional relational databases may prove insufficient for  data challenges of Big social machines NoSQL: Useful for databases with highly skewed read/write  ratio and/or require large amount of joins (graph queries) Difficult to enforce ACID semantics on distributed NoSQL data  stores CAP theorem and the Single System Image (SSI) 
  17. 17. Semantics Layer The “brain” behind the social machine Continuously extracts semantics from operational  details and feeds back configuration and control  options to the lower layers Need for an underlying data structure to represent  operational knowledge for extracting semantics
  18. 18. Semantics Layer Document vector model not very attractive: Curse of dimensionality Sparse vector space Spurious features increasing dimensionality Costly operations involving dimensionality  reduction Difficult to obtain precise semantic associations by  dimensionality reduction
  19. 19. Semantics Layer Proposal for a new model: Co­ occurrence graph   [Rachakonda et al.  2014]  Founded on Hebbian theory and  Cognitive models of episodic and  semantic memory Co­occurrence represents starting  point for mining semantics  Reasoning across co­occurrences  facilitated by different algorithms for  mining different kinds of semantics
  20. 20. Semantics Layer Business Logic Layer POS tagging Entity Resolution Canonicalization
  21. 21. Semantics Layer
  22. 22. Semantics Layer Episodic hypotheses Algorithms running over the co­occurrence graph to  extract specific semantic associations Based on hypothesizing how episodic knowledge can  be generalized into semantic knowledge Example “topical anchor” hypothesis: If a conversation/process is about topic t, then the longer  the conversation/process is observed, the greater the  probability of encountering t.
  23. 23. 23 Semantics Layer Topical Anchors: Given  a list of noun phrases,  identify a semantic  topic for these terms. Powered by Wikipedia  co­occurrence graph  hosted by Agama  (graphdb developed at  WSL) Web APIs enable use of  Topical Anchors in  third party applications 
  24. 24. 24 Semantics Layer Topic Expansion: Given a term, expands it into semantically relevant topical clusters with different senses. Uses co-occurrence datasets from Wikipedia 2006 or 2011. Web APIs enable use by third party applications
  25. 25. 25 Semantics Layer Other algorithms on co­occurrence graphs  developed at WSL: [Rachakonda et al. 2014, Kulkarni et al. 2014a, Kulkarni et al. 2014b] ● Topical markers ● Semantic siblings ● Deep matching ● Narrative modeling (work in progress)
  26. 26. 26 Semantics Layer Some algorithmic techniques for mining semantics from co­ occurrence graphs: Random walks MCMC Graph clustering Centrality and PageRank based models HITS Gibbs Sampling Stochastic graphical models (Markov random fields, Bayesian networks) Spectral analysis of graph neighborhoods 
  27. 27. 27 Conclusions Proposal: Abstract architecture for social machines Challenges: Integration of systems, data and semantic layers Continuous, diffusive computation and systemic  optimization Continuous semantics extraction and semantic  interventions
  28. 28. 28 Thank You!
  29. 29. References ● SOCIAM http://www.sociam.org/ ● Shadbolt, Nigel R.; Daniel A. Smith; Elena Simperl; Max Van Kleek; Yang Yang; Wendy Hall (2013). "Towards a Classification  Framework for Social Machines" (PDF). WWW 2013 Companion.  ● Berners­Lee, Tim; J. Hendler (2009). "From the Semantic Web to social machines: A research challenge for AI on the World  WideWeb" (PDF). Artificial Intelligence. doi:10.1016/j.artint.2009.11.010. ● Peter Wegner. 1997. Why interaction is more powerful than algorithms. Commun. ACM 40, 5 (May 1997), 80­91. ● Srinivasa, Srinath. "An algebra of fixpoints for characterizing interactive behavior of information systems." PhD diss.,  Universitätsbibliothek, Brandenburgische Technische Universitaet, Cottbus, 2001. ● Sanket Patil. Designing Optimal Network Topologies under Multiple Efficiency and Robustness Constraints. Proceedings of  the PhD Forum at the International Conference on Distributed Computing and Networking (ICDCN 2010), Kolkata, January  2010. ● Aditya Ramana Rachakonda, Srinath Srinivasa, Sumant Kulkarni, M S Srinivasan. A Generic Framework and Methodology  for Extracting Semantics from Co­occurrences. Data & Knowledge Engineering, Elsevier, Volume 92, July 2014, Pages 39–59.  DOI: 10.1016/j.datak.2014.06.002 ● Sumant Kulkarni, Srinath Srinivasa. SortingHat: A Deep Matching Framework to Match Labeled Concepts. Demo Paper in  the 20th International Conference on Management of Data (COMAD 2014), Hyderabad, India, December 2014. ● Sumant Kulkarni, Srinath Srinivasa, Jyotiska Nath Khasnabish, Karthikay Nagal, Sandeep Kurdagi. SortingHat: A  Framework for Deep Matching Between Classes of Entities. Proceedings of 10th International Workshop on Information  Integration on the Web (IIWeb 2014) co­located with ICDE 2014, Chicago, Illinois, USA, March 2014.

×