Sistemas Inteligentes y la Ciencia del DatoRetos para las empresas

Sistemas de Información Avanzados (Comercio electrónico)Máster de estudios avanzados en dirección de empresas

Joaquín Borrego DíazGrupo Lógica, Computación e Ingeniería del Conocimiento PAIDI TIC-137

Departamento de Ciencias de la Computación e Inteligencia Artificialjborrego@us.es, Twitter:jborrego

Parte II: Algunos (nuevos) modelos de negocio basados en información y redes

• Nuevo modelo de negocio: big data trading & processing. Ejemplos

• Modelos crowdsourcing. Ejemplos

• Modelos disruptivos

• Capitalismo Indie

Parte I: Datos, Información, Conocimiento

• Open Data

• La ciencia del dato

• Procesamiento de eventos complejos

• Complejidad económica

• Cloud Computing

Parte III (cont): Otros casos de estudio

• Caso II: Minería de opiniones y sentimientos

• Caso III: Predicción bajo racionalidad acotada

• Caso IV: Servicios en movilidad basados en conocimiento

• Caso V: Informática urbana. SmartCities

• Caso VI: Content Curation

Preliminares

• Prospección...

• Tecnologías relacionadas con la IA

• Información en Internet y en sus aledaños

• Big Data

Parte III: Casos de estudio de tratamiento de la información

• Caso I, especial: Interoperabilidad Semántica para la empresa

Contenido

Bloque II

Parte III:Casos de estudio

Caso I, especial: Interoperabilidad Semántica para la

empresa

Objetivo primario de una ontología: Facilitar la

interoperabiliad a nivel semántico

Ontología

Aplicación básica: B2C mediante ontologías

Campos de aplicación

Interoperabilidad entre los

módulos de transacciones

Tratamiento de información no

interpretable por todos

Veremos algunos ejemplos

Argumentación homogénea a

travésde Ontologías y

metadatos

bottom-upestructuración

(semántica)Externalización

del conocimiento

InteroperabilidadB2B (¿B2C?)

http://csdb.wilshireconferences.com/forms/download/guide_to_semantics

Casos interesantes:

Externalización del conocimiento en empresas

Interoperabilidad semántica y comercio electrónico

Tendencias ____________________

Oportunidades• Software de gestión

inteligente del conocimiento para la empresa usando estándares como ontologías empresariales

• Integración de la información de la empresa y de servicios mediante tecnología Web Semántica

Índice:

• Aplicaciones en:

• Comercio electrónico

• Explotación del “grafo social” y de objetos

• Externalización del conocimiento en empresas

• Interfaces inteligentes para la documentación

Comercio electrónicoCaso 1(a)

• GoodRelations is a standardized vocabulary for product, price, and company data that

• can be embedded into existing static and dynamic Web pages and that

• can be processed by other computers.

• This increases the visibility of your products and services in the latest generation of search engines, recommender systems, and novel mobile or social applications.

Comercio electrónico

Año 2010

¿Cómo usarlo?: Mirarhttp://searchengineland.com/make-yourself-findable-in-the-global-graph-of-commerce-135082

http://wiki.goodrelations-vocabulary.org/Tools

Herram

ientas

Mini-tutorial de Rich snippets:

http://www.ebusiness-unibw.org/tools/grsnippetgen/

Extendiendo con nuevas ontologías

Caso I(c):Externalización Inteligente

Dimensión I: Ingeniería Ontológica

Ontología

Es un caso particular de:

• Conocimiento entre pares

• ¡¡No procesable!!

• Conocimiento entre pares y “tangible” (datos, información)

• ¡¡Procesable!!

¿Qué sistemas?

Brecha Semántica

Ciclo de Nonaka & Takeuchi

• Cuatro actividades

• ¿Quién las gobierna?

• ¿Pueden ser gobernadas mediante tecnologías 2.0?

Proyección del ciclo de

Nonaka & Takeuchi

Conocimiento

externalizado

Externalización

Caso I(d): Confianza, interfaces• Ontologías como teorías

formales del conocimiento

• Ventajas:

• Confianza en el resultado

• Interoperabilidad semántica

• Desventaja: ¿alfabetización del usuario?

El problema de la representación del conocimiento mediante

ontologías

Una solución: Paella• Metáforas espaciales de los conceptos

implicados en la ontología

• Razonamiento visual

• comprensión de las relaciones

• Implementada como plug-in de Protégé

• Interfaz de usuario: transparente de formalismos ontológicos

Ontology AutomatedReasoner RCC8 CSP

Solver Drawing

Arquitectura de Paella

Interfaz

Tres módulos

Interfaz de Paella

Visualización de anomalías

• Una anomalía NO implica una inconsistencia lógica

• Paella muestra anomalías de carácter mereotopológico

{Ontologíade

seguridad

Casos de éxito

• NASA

• Vodafone

• Renault

• Reegle

• BBC

Casode éxito I

Caso de éxito II:Integración semántica

en movilidad

• Se facilita el intercambio de información entre los repositorios de información sobre sus automóviles

• La modelización realizada se puede compartir con otros servicios de la empresa (por. ej. compra de repuestos)

• Unifican los datos para toda la empresa, que usa un entorno distribuido

• Facilita el prototipado y el desarrollo

Caso de éxito III:Integración semántica

en la industria

Caso de éxito IV: Reegle

Caso de éxito V:BBC y las olimpiadas de

Londres 2012

http://www.w3.org/2001/sw/sweo/public/UseCases/BBC/

Ontologías

• Ontología para las olimpiadas:

Anotación (interfaz)

Publicación de contenidos

• Razonamiento hacia delante en el grafo RDF

Creación “dinámica” de portales

http://www.bbc.co.uk/sport/football/teams/chelsea

Caso II:Minería de conocimiento, opiniones y sentimientos:

Social media

Flujos en Social Media

Blogging corporativo

Compañía

Análisis

¿Extracción de conocimiento?

Oportunidades:

• Diseño de aplicaciones semánticas para enriquecer la experiencia de usuario en la Web 2.0

• Twitter Semántico

• Navegación conceptual

• Trust-based Computing

• Detección de tendencias extraídas de redes sociales

• Opinion analysis

• Análisis inteligente de twitts para

• predecir y estimar epidemias de gripe. consiguieron aproximar la evolución de la gripe mejor y antes que el tradicional método de recolectar la información de los hospitales.

• para predecir el éxito de una película. HP labs: monitorizando twitter pueden predecir si el éxito de un film

Ejemplo

¿Para qué se usa?

Nuestra semantización (ontología)

Representación del conocimiento

OportunidadesServicios personalizados

TecnologíaLinked/Open

data

Smart Cities

Geolocalización de la publicidad

Marketing geolocalizado

Aplicaciones hiperlocales

Gráficas de http://networkedneighbourhoods.com/wp-content/uploads/2011/11/2011-Online-Nhood-Networks-final.pdf

Minería en social media

http://buzztalkmonitor.com/blog/bid/136718/The-business-value-of-sentiment-analysis

• Mide “sentimientos” de cada tweet que analiza

IBM has established the IBM Social Sentiment Index to aggregate and gauge public opinion from a range of social media. The software used can distinguish between sarcasm and sincerity, and applies machine learning to identify which social media commentary is important—and which is just background noise. Through this sentiment analysis, IBM creates real-time public opinion snapshots, identifying trends and gauging how consumers feel about a variety of topics from retail and sports, to movies and urban traffic.

¿Materia Prima? social big data

Ofrecerá 2 años de twitters almacenados

http://datasift.com/

http://www.engagedc.com/inside-the-cave/

Finalmente... un caso de estudio: Elecciones USA 2012: ¿extrapolable a empresas?

 Harper Reed

Usaron CrowdFounding

Caso III: predicción bajo racionalidad acotada

• Los humanos no razonamos “lógicamente”

• El comportamiento colectivo, de manera emergente, es mejor que el individual en muchas ocasiones

• Seleccionamos, razonamos rápido (fast & frugal)

• Aunque argumentamos, no analizamos todos los argumentos o posibilidades

• Los esquemas de razonamiento experimentados con éxito son interesantes

• Conclusión: NO despreciamos nuestros esquemas “no lógicos”

Agentes para trabajar con conocimiento

Ecosis

tema

Web

Semántico

¡Argumento!

Ejemplo de argumentación:Inference Web: Inferencia bajo argumentación

Una demo

Documentación de la deducción

Documentación del razonador usado

Detalle del paso de inferencia

Oportunidades

• Minería de conocimiento (en contraposición a la minería de datos) realizada por agentes

• Análisis de las actividades en redes sociales. Agentes proactivos para personalizar la “vida” en la Web 2.0

• Delegación del comercio electrónico a agentes racionales

Predicción bajo racionalidad acotada versus big data

Ejemplo: predecir las apuestas más populares

Modelo Monstruo(retículo de conceptos)

(una temporada)

Sistema

Resultados

Comparación

Otra aproximación (más global)Más información... Más acierto

¿Aplicaciones del modelo?• A cualquier sistema experto con observaciones

discretizables adecuadamente

• Apuestas deportivas

• Ecología

• Economía (mercados de valores, etc.)

• etc.

• Conjetura: sistemas en el que el conocimiento exhiba una capa epistemológica con cierta estructura (libre de escala)

La hipótesis del residuo libre de escala(Aranda, Borrego y Galán 2012)

• If the attribute set selected to observe the Complex System is computable, objective and induces a Concept Lattice which provides a sound analysis of the CS (from the point of view of BR), then its degree-distribution is scale-free

Scale-Free Structure in Concept Lattices Associatedto Complex Systems

Caso IVServicios en movilidad

basados en conocimiento

http://www.visionmobile.com/product/developer-economics-2013-the-tools-report/

¿Pub

licid

ad?

Móviles y conocimiento

• Representación del conocimiento móvil

• Razonamiento contextual

• Inteligencia ambiental

• Geolocalización

• ¿Foursquare como ejemplo de socialización?

• Informática Urbana (móvil)

Realidad aumentada para traspasar la membrana

Inteligencia Ambiental

Apps para “añadir información a la

realidad”

Razonamiento contextual en NFC

Phonedero

Oportunidades

• Aplicaciones basadas en el conocimiento

• para las apps stores

• Teleasistencia. Telediagnosis

• Aplicaciones hiperlocales

• Espacios transducidos

• Calle como API

• Gestión inteligente del idle screen

Caso V:Informática urbana

ySmartCities

http://www.mckinsey.com/Insights/MGI/Research/Urbanization/Urban_world

Informática Urbana & SmartCities

• Campo de investigación emergente

• Uso (y generación) de información física y digital sobre la ciudad como fuente de nuevas aplicaciones que puedan ser usadas por el ciudadano

In 2050 80% of the world’s population will live in cities

Sensores

Información, media

Capas digitales

OPEN DATA

Local

Global

UrbanInformaticsArquitectura Urbanismo

Social Media

Med

ia A

rt

Mark

etin

g

Telecom

unicacio

nes

Web 2

.0

Location Based

services

• Flujo I2U (instituciones y empresas a usuarios)

• Flujo P2P

• Pieles digitales

• Inter-cities

Fuentes de información

Internet of ThingsSensor Semantic Web

On the Rise

• Wireless Electric Vehicle Charging

• Smart Governance Operating Framework

• Electric Vehicle Charging Infrastructure

• Information Semantic Services

• Intelligent Lamppost

• "Big Data" and Extreme Information Processing and Management

• Hydrogen Economy

• Sustainable Performance Management

• Internet of Things

• Smart Fabrics

At the Peak

• Home Energy Management/Consumer Energy Management

• Water Management

• Data Stewardship Applications

• Sustainability Business Operations Consulting Services

• Web 2.0 for Utilities    

• Location-Based Services in Automotive

• Plug-In Hybrid Electric Vehicles/Electric Vehicles

• Vehicle Information Hub

• Augmented Reality

• Cloud Computing

• Microgrids

• Thermal (or Concentrated) Solar Power

• Distributed Generation

• Integrated and Open Building Automation and Control Systems

• Mobile Health Monitoring

• Combined Heat and Power

Sliding Into the Trough     

• Master Data Management

• Machine-to-Machine Communication Services

• Customer Gateways

• Near Field Communication

• Advanced Metering Infrastructure

• Car-to-Infrastructure Communications

• Electric Vehicles

Climbing the Slope

• Consumer Telematics

Tecnologías emergentespara

Smart Cities, 2011

Dos iniciativas interesantes

PostMates

Gamification (mobile app)The Urbanopoly app is a social, mobile and location-basedGame with a Purpose designed around the idea of the \monopoly" board game. Urbanopoly consumes and generates geo-spatial linked and open data; through a Human Computation mechanisms, those data are validated and enriched; new information is published as linked data. Players are thus involved in the geo-spatial data collection according to the “citizens as sensors" approach and the Urbanopoly game is the entertaining expedient to assess and improve geo-spatial linked data quality.

Caso VI: Content Curation

Cinco pasos...

• ¿Cuáles son semantizables?

Algunos ejemplosCategorías, búsquedas dirigidas a fuentes

Semántica

“Aprende” de tus lecturas

Bottlenose

Social Content Curator

Creas “perlas”Añades las de otrosRedes de conocimiento

Todos los usuarios aportanAlgunos vendenFancy vendeSubscripción a “fancybox”

Crowd content curator+ Un modelo de negocio

Content Curator Semántico: SmartTimes

(PFC de Abel Sayago, en el departamento)

“Entiende” la noticia

¿Cómo lo hace?Fuentes (RSS)

Análisis Formalde Conceptos

Interfaz de

usuario

Fuentes (RSS)Fuentes (RSS)

Categorizaciónfinal

Aprendede

la ejecución

Análisis de Conceptos

• Retículo de conceptos

• generado a partir de las noticias y anotación OpenCalais

RetroalimentaciónAlimentando el módulo

de aprendizaje

Otra aproximación

Para sentimientos

Para el contenido(noticia)

Anotación con respecto a ontología en Opendover

Anotación con respecto a ontología+sentimiento en opendover

Conclusiones

Conclusiones• Ingeniería del conocimiento y grandes conjuntos de datos

• Sistemas complejos: Paradigma para entender el big-data como observaciones de un sistema

• La minería de datos no es suficiente

• Nuevos retos:

• hiperlocalización

• geolocalización,

• confianza en la computación sobre grandes conjuntos de datos

• ...

• Modelos de negocio disruptivos

• Nuevos sistemas de información en la empresa

• Big analytics

• Sentiment Analysis

• Semantic interoperability

BIG DATA

Data Science

Sistemas Inteligentes y la Ciencia del DatoRetos para las empresas

Sistemas de Información Avanzados (Comercio electrónico)Máster de estudios avanzados en dirección de empresas

Joaquín Borrego DíazGrupo Lógica, Computación e Ingeniería del Conocimiento PAIDI TIC-137

Departamento de Ciencias de la Computación e Inteligencia Artificialjborrego@us.es, Twitter:jborrego