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

1. Sistemas de Información Avanzados (Comercio electrónico)
Máster de estudios avanzados en dirección de empresas
Sistemas Inteligentes y la Ciencia del Dato
Retos para las empresas
Joaquín Borrego Díaz
Grupo Lógica, Computación e Ingeniería del Conocimiento PAIDI TIC-137
Departamento de Ciencias de la Computación e Inteligencia Artificial
jborrego@us.es, Twitter:jborrego

2. Preliminares
• Prospección...
Contenido
• Tecnologías relacionadas con la IA Parte III: Casos de estudio de
• Información en Internet y en sus aledaños tratamiento de la información
• Big Data
• Caso I, especial:
Interoperabilidad Semántica para la
Parte I: Datos, Información, Conocimiento empresa
• Open Data
• La ciencia del dato
Bloque II
Parte III (cont): Otros casos de estudio
• Procesamiento de eventos complejos
• Complejidad económica • Caso II: Minería de opiniones y
sentimientos
• Cloud Computing
Parte II: Algunos (nuevos) modelos de
• Caso III: Predicción bajo
racionalidad acotada
negocio basados en información y redes
• Nuevo modelo de negocio: big data • Caso IV: Servicios en movilidad
trading & processing. Ejemplos basados en conocimiento
• Modelos crowdsourcing. Ejemplos • Caso V: Informática urbana.
SmartCities
• Modelos disruptivos
• Capitalismo Indie • Caso VI: Content Curation

3. Parte III:
Casos de estudio

4. Caso I, especial:
Interoperabilidad
Semántica para la
empresa

5. Objetivo primario de una
ontología: Facilitar la
interoperabiliad a nivel
semántico
Ontología

6. Aplicación básica: B2C mediante
ontologías

7. Campos de aplicación
Tratamiento de
información no Argumentación
interpretable por homogénea a
todos través
Veremos algunos de Ontologías y
ejemplos metadatos
Interoperabilidad bottom-up
entre los estructuración
módulos de (semántica)
transacciones Externalización
del conocimiento
Interoperabilidad
B2B (¿B2C?)
http://csdb.wilshireconferences.com/forms/download/guide_to_semantics

8. Casos interesantes:
Interoperabilidad semántica y Externalización del conocimiento
comercio electrónico en empresas

9. Tendencias ____________________

10. Oportunidades
• Software de gestión
inteligente del conocimiento
para la empresa usando
estándares como ontologías
empresariales
• Integración de la
información de la empresa y
de servicios mediante
tecnología Web Semántica

11. Índice:
• Aplicaciones en:
• Comercio electrónico
• Explotación del “grafo social” y de objetos
• Externalización del conocimiento en
empresas
• Interfaces inteligentes para la
documentación

12. Comercio electrónico
Caso 1(a)

13. Comercio electrónico
• GoodRelations is a standardized
vocabulary for product, price, and
company data that Año 2010
• can be embedded into existing
static and dynamic Web pages
and that
• can be processed by other
computers.
• This increases the visibility of your
products and services in the latest
generation of search
engines, recommender
systems, and novel mobile
or social applications.

15. ¿Cómo usarlo?: Mirar
http://searchengineland.com/make-yourself-findable-in-the-global-graph-of-commerce-135082
tas
ie n
a m
err
H
http://wiki.goodrelations-vocabulary.org/Tools

16. Mini-tutorial de Rich snippets:
http://www.ebusiness-unibw.org/tools/grsnippetgen/

17. Extendiendo con nuevas
ontologías

18. Caso I(c):
Externalización Inteligente
Dimensión I:
Ontología
Ingeniería Ontológica

19. Es un caso
particular de: ¿Qué
sistemas?
• Conocimiento entre
pares
• ¡¡No procesable!!
• Conocimiento entre pares y
“tangible” (datos, información)
• ¡¡Procesable!!
Brecha
Semántica

20. Ciclo de Nonaka
& Takeuchi
• Cuatro actividades
• ¿Quién las gobierna?
• ¿Pueden ser
gobernadas mediante
tecnologías 2.0?

21. Proyección
del ciclo de
Nonaka & Takeuchi

22. ex Con
te oc
rn im
al ien
iz to
ad
o
Externalización

23. Caso I(d): Confianza, interfaces
• Ontologías como teorías
formales del conocimiento
• Ventajas:
• Confianza en el
resultado
• Interoperabilidad
semántica
• Desventaja:
¿alfabetización del
usuario?

24. El problema de la representación
del conocimiento mediante
ontologías

25. Una solución: Paella
• Metáforas espaciales de los conceptos
implicados en la ontología
• Razonamiento visual
• comprensión de las relaciones
• Implementada como plug-in de Protégé
• Interfaz de usuario: transparente de
formalismos ontológicos
Automated CSP
Ontology Reasoner RCC8 Solver Drawing

26. Arquitectura de Paella
Tres
módulos
Inte
rfaz

27. Interfaz de Paella

28. Visualización de anomalías
• Una anomalía NO implica una inconsistencia lógica
• Paella muestra anomalías de carácter
mereotopológico
Ontología
de
seguridad
{

29. Casos de éxito
• NASA
• Vodafone
• Renault
• Reegle
• BBC

30. Caso
de éxito I

31. Caso de éxito II:
Integración
semántica
en movilidad

32. Caso de éxito III:
Integración semántica
en la industria
• Se facilita el intercambio de información
entre los repositorios de información
sobre sus automóviles
• La modelización realizada se puede
compartir con otros servicios de la
empresa (por. ej. compra de repuestos)
• Unifican los datos para toda la empresa,
que usa un entorno distribuido
• Facilita el prototipado y el desarrollo

33. Caso de éxito
IV: Reegle

34. Caso de éxito V:
BBC y las olimpiadas de
Londres 2012
http://www.w3.org/2001/sw/sweo/public/UseCases/BBC/

35. Ontologías
• Ontología para las
olimpiadas:

36. Anotación
(interfaz)

37. Publicación de contenidos
• Razonamiento hacia delante en el grafo RDF

38. Creación “dinámica” de portales
http://www.bbc.co.uk/sport/football/teams/chelsea

39. Caso II:
Minería de conocimiento, opiniones y sentimientos:
Social media

40. Flujos en Social Media
Blogging
Compañía
corporativo
Análisis
¿Extracción de conocimiento?

41. Oportunidades:
• Diseño de aplicaciones
semánticas para
enriquecer la experiencia
de usuario en la Web 2.0
• Análisis inteligente de twitts
• Twitter Semántico para
• predecir y estimar epidemias
• Navegación conceptual de gripe. consiguieron aproximar
• Trust-based Computing la evolución de la gripe mejor y
antes que el tradicional método
• Detección de de recolectar la información de
los hospitales.
tendencias extraídas
de redes sociales • para predecir el éxito de una
película. HP labs: monitorizando
• Opinion analysis twitter pueden predecir si el éxito
de un film

42. Ejemplo

44. ¿Para qué se usa?

45. Nuestra semantización
(ontología)

46. Representación del conocimiento

47. Servicios Oportunidades
Geolocalización de personalizados
la publicidad
Marketing
geolocalizado
Aplicaciones
hiperlocales
Tecnología
Linked/Open
data
Smart
Cities
Gráficas de http://networkedneighbourhoods.com/wp-content/uploads/2011/11/2011-Online-Nhood-Networks-final.pdf

48. Minería en
social media
http://buzztalkmonitor.com/blog/bid/136718/The-business-value-of-sentiment-analysis

49. • 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.

50. ¿Materia Prima? social big data
Ofrecerá 2 años de twitters almacenados
http://datasift.com/

51. Finalmente... un caso de estudio: Elecciones USA
2012: ¿extrapolable a empresas?
http://www.engagedc.com/inside-the-cave/

52. Harper Reed

55. Us
aro
nC
row
dF
ou
nd
ing

56. Caso III: predicción bajo
racionalidad acotada
• Los humanos no • Aunque argumentamos, no
razonamos “lógicamente” analizamos todos los
argumentos o posibilidades
• El comportamiento
colectivo, de manera • Los esquemas de
emergente, es mejor que el razonamiento
individual en muchas experimentados con éxito
ocasiones son interesantes
• Seleccionamos, razonamos • Conclusión: NO
rápido (fast & frugal) despreciamos nuestros
esquemas “no lógicos”

57. Agentes para trabajar con conocimiento
¡A
rg
a
em
um
s ist b en
E co We tico to
án !
S em

58. Ejemplo de argumentación:
Inference Web: Inferencia bajo argumentación

59. Una demo

60. Documentación de la
deducción

61. Documentación del razonador usado

62. Detalle del paso de inferencia

63. 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

64. Predicción bajo racionalidad
acotada versus big data
Ejemplo: predecir las apuestas más populares

65. Modelo Monstruo
(retículo de conceptos)
(una temporada)

66. Sistema
Resultados
Comparación

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

68. ¿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)

69. 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 Associated
to Complex Systems

70. Caso IV
Servicios en movilidad
basados en
conocimiento

71. ad?
licid
b
¿Pu
http://www.visionmobile.com/product/developer-economics-2013-the-tools-report/

72. Móviles y conocimiento
• Representación del
conocimiento móvil
• Razonamiento contextual
• Inteligencia ambiental
• Geolocalización
• ¿Foursquare como ejemplo
de socialización?
• Informática Urbana
(móvil)

73. Apps para “añadir
información a la
realidad”
Realidad aumentada para
traspasar la membrana
Inteligencia Ambiental
Razonamiento
contextual en NFC
Phonedero

74. Oportunidades
• Aplicaciones basadas
en el conocimiento
• Espacios transducidos
• para las apps stores
• Calle como API
• Teleasistencia.
Telediagnosis • Gestión inteligente del
idle screen
• Aplicaciones
hiperlocales

75. Informática urbana
Caso V: y
SmartCities

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

77. 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

78. Sensores
Capas digitales
Información, media

79. OPEN DATA
Local
Global

80. Fuentes de información
• Flujo I2U (instituciones y
empresas a usuarios)
• Flujo P2P
So Marketing n es • Pieles digitales
cia io
lM
ed
ia om
u ni
c ac
• Inter-cities
ec
Tel
Urban
Arquitectura Informatics Urbanismo
Lo
ca
t
0 se ion B
2.
rv
ice ase
Media Art
eb
s d
W

81. Internet of Things
Sensor Semantic Web

82. At the Peak • Vehicle Information Hub
On the Rise • "Big Data" and
Extreme • Home Energy Management/ • Augmented Reality
• Wireless Electric Information Consumer Energy Management
Vehicle Charging Processing and
• Cloud Computing
•
Management
• Water Management
Smart Governance
• • Microgrids
Operating Hydrogen Economy
• Data Stewardship Applications
Framework
• • Thermal (or Concentrated) Solar
• Electric Vehicle
Sustainable
Performance • Sustainability Business Operations Power
Consulting Services
Management
Charging
• Distributed Generation
Infrastructure
• Internet of Things • Web 2.0 for Utilities
• Information • Integrated and Open Building
Semantic Services • Smart Fabrics • Location-Based Services in Automation and Control Systems
Automotive
• Intelligent Lamppost • Mobile Health Monitoring
• Plug-In Hybrid Electric Vehicles/
Electric Vehicles • Combined Heat and Power
Sliding Into the Trough • Near Field
Communication
• Master Data
Management • Advanced
Metering
Tecnologías emergentes • Machine-to- Infrastructure Climbing the Slope
Machine
para Communication • Car-to-
• Consumer Telematics
Services Infrastructure
Smart Cities, 2011 Communications
• Customer
Gateways • Electric Vehicles

84. Dos iniciativas interesantes
PostMates
Gamification (mobile app)
The Urbanopoly app is a social, mobile and location-based
Game 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.

85. Caso VI: Content Curation

86. Cinco pasos...
• ¿Cuáles son semantizables?

87. Algunos ejemplos
Categorías, búsquedas dirigidas a fuentes
“Aprende”
de tus lecturas
Semántica

88. Bottlenose

89. Social Content
Curator
Creas “perlas”
Añades las de otros
Redes de conocimiento

90. Crowd content curator+ Un modelo de negocio
Todos los usuarios aportan
Algunos venden
Fancy vende
Subscripción a “fancybox”

91. Content Curator Semántico:
SmartTimes
(PFC de Abel Sayago, en el
departamento)
“Entiende”
la noticia

92. ¿Cómo lo hace?
Fuentes (RSS)
Aprende
de
la ejecución
Análisis Formal
de Conceptos
Interfaz
Categorización de
final usuario

93. Análisis de
Conceptos
• Retículo de
conceptos
• generado a partir
de las noticias y
anotación
OpenCalais

94. Retroalimentación
Alimentando
el módulo
de aprendizaje

95. Otra
aproximación
Para sentimientos
Para el contenido
(noticia)

96. Anotación con respecto a ontología en Opendover

97. Anotación con respecto a ontología+sentimiento en
opendover

98. Conclusiones

99. Conclusiones
• Ingeniería del conocimiento y grandes conjuntos de datos
• Sistemas complejos: Paradigma para entender el big-data
como observaciones de un sistema BI
G
• La minería de datos no es suficiente DA
• Nuevos retos: TA
• hiperlocalización
• geolocalización,
• confianza en la computación sobre grandes conjuntos de
datos
• ...
• Modelos de negocio disruptivos
Da
• Nuevos sistemas de información en la empresa Sc ta
ie
• Big analytics nc
e
• Sentiment Analysis
• Semantic interoperability

100. Sistemas de Información Avanzados (Comercio electrónico)
Máster de estudios avanzados en dirección de empresas
Sistemas Inteligentes y la Ciencia del Dato
Retos para las empresas
Joaquín Borrego Díaz
Grupo Lógica, Computación e Ingeniería del Conocimiento PAIDI TIC-137
Departamento de Ciencias de la Computación e Inteligencia Artificial
jborrego@us.es, Twitter:jborrego