El documento presenta un seminario sobre inteligencia de negocios semántica e inteligencia artificial, abordando la transformación digital y la necesidad de convergencia entre el mundo físico y digital en la industria 4.0. Se discuten conceptos clave como el modelo arquitectónico de referencia RAMI 4.0, la importancia de la interoperabilidad y las ontologías, así como herramientas y metodologías para su implementación. Además, se tocan casos de éxito y buenas prácticas para optimizar la gestión de datos y la comunicación en entornos industriales.

1. 30/10/2020 BI & AI 1J. Agustín Martínez – Sergio Salimbeni
Business Intelligence
Semántica
e
Inteligencia Artificial

2. 30/10/2020 BI & AI 2J. Agustín Martínez – Sergio Salimbeni
AGENDA:
1. Introducción
2. Composición, metodologías y buenas prácticas
3. Soporte e implementación
4. Casos de éxito

3. 30/10/2020 BI & AI 3J. Agustín Martínez – Sergio Salimbeni
AGENDA:
1. Introducción
2. Composición, metodologías y buenas prácticas
3. Soporte e implementación
4. Casos de éxito

4. 30/10/2020 BI & AI 4J. Agustín Martínez – Sergio Salimbeni
Transformación Digital
Transformación Industrial
Industrial 4.0
TD
I4.0
Digitalización
Digitización

5. 30/10/2020 BI & AI 5J. Agustín Martínez – Sergio Salimbeni
Transformando Personas, Procesos,
Tecnologías y Organizaciones
• El poder de la visión.
• Se necesita más que tecnología.
• Cultura basada en datos.
• La convergencia es esencial para la
transformación: los mundos físico y digital deben
converger; OT debe combinarse con TI.
• La industria 4.0 requiere cambios organizativos.

6. 30/10/2020 BI & AI 6J. Agustín Martínez – Sergio Salimbeni
 El modelo arquitectónico de referencia RAMI 4.0
brinda a las empresas un marco para desarrollar
productos y modelos comerciales. Es un mapa
tridimensional que muestra cómo abordar el
despliegue de Industria 4.0 de manera estructurada.
 Uno de los principales objetivos de RAMI 4.0 es
asegurarse de que todos los participantes
involucrados tengan un marco común para entenderse
entre sí.
 En relación con esta actividad, la OPC Foundation y
FieldComm Group tienen una iniciativa para crear una
especificación del modelo de información de
dispositivos de automatización de procesos (PA-DIM)
independiente del protocolo basada en el estándar de
interoperabilidad industrial OPC UA.
RAMI 4.0

7. 30/10/2020 BI & AI 7J. Agustín Martínez – Sergio Salimbeni
RAMI 4.0
El RAMI 4.0, Modelo de
Arquitectura de Referencia
Industria 4.0, fue desarrollado
por la Asociación Alemana de
Fabricantes Eléctricos y
Electrónicos (ZVEI) para apoyar
las iniciativas de la Industria
que están ganando una amplia
aceptación en todo el mundo.

8. 30/10/2020 BI & AI 8J. Agustín Martínez – Sergio Salimbeni
Business Intelligence:
Semántica e Inteligencia Artificial
ING. JUAN AGUSTÍN MARTÍNEZ
https://technologies4industry.com.ar/

9. 30/10/2020 BI & AI 9J. Agustín Martínez – Sergio Salimbeni
Eliminando Mitos
¿Necesito tener un doctorado para utilizar ontologías?
No.
¿Necesito ser informático para entender las ontologías?
No.
¿Qué necesito?
Conocer un dominio -o conocer a alguien que entienda un dominio- y
tener interés en modelarlo.

10. 30/10/2020 BI & AI 10J. Agustín Martínez – Sergio Salimbeni
HL7
Health Level Seven:
Protocolo/Estandar para comunicación de datos orientado a datos de salud.
Organización sin fines de lucro dedicada a proveer estandares y soluciones
orientadas a mejorar la interoperabilidad de los datos en salud.
Uno de sus creadores fue:
Donald W. Simborg
Medico Clínico: (1966) - Johns Hopkins School of Medicine
Con ganas de aprender.
Con interés en programación.

11. 30/10/2020 BI & AI 11J. Agustín Martínez – Sergio Salimbeni
Ontologías
 Semántica: Estudio del significado, sentido o interpretación.
 Ontología:
 Modelo para describir el mundo que consiste en un conjunto de tipos, propiedades y
relaciones entre tipos. Se espera que lo representado por modelo en una ontología sea
lo más semejante posible al mundo real. [Wikipedia]
 Mas computacionalmente hablando:
 Una ontología es una descripción (como una especificación formal de un programa) de
los conceptos y relaciones que pueden formalmente existir para un agente o
comunidad de agentes. [Tom Gruber, 1993]
 Consenso -> Interoperabilidad, clave en Industria 4.0
 Inteligencia Artificial
 Razonamiento automático: Reglas de negocio, clasificaciones, etc.

12. 30/10/2020 BI & AI 12J. Agustín Martínez – Sergio Salimbeni
Artefactos de representación de la Semántica
TAXONOMIA Robot
Cobot
es-un
Establecimiento
Fábrica de Manufactura
es-un
Clasificación
TESAURO
Clasificación + Relaciones
Robot
Cobot
es-un
Establecimiento
Fábrica de Manufactura
es-un
relacionado-con
ONTOLOGIA
Clasificación + Relaciones
+ Expresividad + …
Robot
Cobot
es-un
Establecimiento
Fábrica de Manufactura
es-un
instalado-enPersona
interactúa-con

13. 30/10/2020 BI & AI 13J. Agustín Martínez – Sergio Salimbeni
Tecnologías Semánticas
Datos
Modelos
Reglas
Conocimiento
TECNOLOGÍAS SEMÁNTICAS
Tecnologías que tratan de manejar las
relaciones entre datos y las reglas de
cómo se vinculan entre sí, para ofrecer una
organización estructurada de conocimiento y
proporcionar un acceso inteligente a los
recursos que sirva para mediar entre las
intenciones de los
usuarios/sistemas/componentes y la
información disponible.

14. 30/10/2020 BI & AI 14J. Agustín Martínez – Sergio Salimbeni
Problemáticas
• Interoperabilidad
• Entre sistemas
• Entre personas
• Entre máquinas
• Entre todas -> I4.0
• Entornos cambiantes
• Ambigüedad
• Heterogeneidad de los lenguajes de programación
• Escasa documentación de procesos:
• Conceptos
• Diagramas
• etc

15. 30/10/2020 BI & AI 15J. Agustín Martínez – Sergio Salimbeni
AGENDA:
1. Introducción
2. Composición, metodologías y buenas prácticas
3. Soporte e implementación
4. Casos de éxito

16. 30/10/2020 BI & AI 16J. Agustín Martínez – Sergio Salimbeni
Ejemplo Sencillo – Covid 19

17. 30/10/2020 BI & AI 17J. Agustín Martínez – Sergio Salimbeni
Ejemplo Sencillo – Covid 19
http://www.visualdataweb.de/webvowl/

18. 30/10/2020 BI & AI 18J. Agustín Martínez – Sergio Salimbeni
Representación del conocimiento
• es un objeto físico (personas, animales, cosas),
objetos conceptuales(acciones, eventos) o
descriptivos (cualidades, atributos)
Nodo
• relación conceptual de herencia o descripciónArco

19. 30/10/2020 BI & AI 19J. Agustín Martínez – Sergio Salimbeni
La Tecnología Semántica
• Tripleta
Predicado
Sujeto Objeto

20. 30/10/2020 BI & AI 20J. Agustín Martínez – Sergio Salimbeni
Formatos
Intercambio de Información
Reglas Modelo
SWRL
Consultas
OWL
OWL2
RDF(S)RuleML
TRIPLE
Lenguajes
SHACL
SHACL Rules

21. 30/10/2020 BI & AI 21J. Agustín Martínez – Sergio Salimbeni
Ontologías: Composición
• OWL2: Web Ontology Language:
https://www.w3.org/TR/owl2-overview/
• Clases
• Conceptos, ideas básicas que se intentan formalizar de un dominio
• Restricciones (OWL/SHACL)
• Relaciones/Propiedades
• Enlaces entre los conceptos del dominio
• Reglas (SWRL/SHACL)
• Reglas de negocio asociadas al dominio, a sus clases y a las relaciones que poseen
los mismos
• Instancias
• Objetos determinados con propiedades y relaciones
• Axioma (Declaraciones explicitas)

22. 30/10/2020 BI & AI 22J. Agustín Martínez – Sergio Salimbeni
Ontologías: URIs
• Del inglés uniform resource identifier - Identificador de Recursos Uniforme
• Todo, absolutamente todo, posee una URI.
• La ontología en particular posee una URI general y sus recursos comúnmente toman
esa URI como base
• URI ontología:
http://technologies4industry.com.ar/example-ontology
• URI clase Persona:
http://technologies4industry.com.ar/example-ontology#Persona
• URI data property tieneApellido:
http://technologies4industry.com.ar/example-ontology#tieneApellido

23. 30/10/2020 BI & AI 23J. Agustín Martínez – Sergio Salimbeni
Ontologías: Clases
• Representan individuos, objetos o
entidades que comparten características
comunes.
• owl:Class
• rdfs:subClassOf
• rdfs:type
• Una clase puede tener una definición
donde se indiquen por ejemplo que
propiedades y relaciones debe tener un
individuo para pertenecer a una clase
especifica (condiciones necesarias y
suficientes)
• Esta definición es heredada por las subclases
• Clases Disjuntas
• Clases Primitivas/Definidas

24. 30/10/2020 BI & AI 24J. Agustín Martínez – Sergio Salimbeni
Ontologías: Propiedades
• Representan características aplicables a recursos. A su vez pueden
representar relaciones existentes entre dos recursos u objetos.
• Existen dos tipos de propiedades
• owl:ObjectProperty: Relaciones entre objetos (individuos) de clases
• owl:DatatypeProperty: Relaciones entre objetos (individuos) de una clase y un tipo primitivo de
dato
• Estas propiedades pueden tener:
• rdfs:domain – Siempre hace referencia a una clase o conjunto de clase
• rdfs:range – Puede hacer referencia a una clase especifica o a un tipo primitivo

25. 30/10/2020 BI & AI 25J. Agustín Martínez – Sergio Salimbeni
Ontologías: Propiedades
• Podemos definir tipos de propiedades
• Transitiva
• Si A -> B y B -> C entonces A -> C
• Simetrica
• Si A -> B entonces B -> A
• Asimetrica
• Funcional
• Cada recurso puede tener una única propiedad de este tipo
• Inversa
• tieneMascota <> tieneDueño
• Reflexiva
• Areflexiva
• Las propiedades pueden tener subpropiedades
• tieneConocido
tieneAmigo
tieneMejorAmigo

26. 30/10/2020 BI & AI 26J. Agustín Martínez – Sergio Salimbeni
Ontologías: Individuos
• Representa un recurso particular con propiedades
especificas
• Puede pertencer o nó a una o mas de una clase
• Podemos dotar de propiedades a los individuos y el
razonador se encargara de indicarnos a que clases
pertenece, o incluso que propiedades emergen del
mismo.
• OWL no asume de forma explicita que dos individuos
diferentes hacen referencia a entidades diferentes.

27. 30/10/2020 BI & AI 27J. Agustín Martínez – Sergio Salimbeni
Ontologías: Explotación - SPARQL
• Lenguaje estandarizado para la consulta de grafos
• https://www.w3.org/TR/rdf-sparql-query/
• SELECT – WHERE, DISTINCT
• A su vez permite
• Creacion: INSERT, INSERT - WHERE
• Modificacion: UPDATE
• Eliminacion: DELETE
• Ademas
• ORDER BY
• GROUP BY y funciones de agregación (COUNT, MAX, etc)
• LIMIT
• OPTIONAL
• Busqueda en grafos particulares
• BIND

28. 30/10/2020 BI & AI 28J. Agustín Martínez – Sergio Salimbeni
Ontologías: Explotación - SPARQL

29. 30/10/2020 BI & AI 29J. Agustín Martínez – Sergio Salimbeni
Ontologías: Explotación - SPARQL

30. 30/10/2020 BI & AI 30J. Agustín Martínez – Sergio Salimbeni
Ontologías: Explotación - SPARQL

31. 30/10/2020 BI & AI 31J. Agustín Martínez – Sergio Salimbeni
Ontologías: Condiciones y Restricciones
• Las condiciones necesarias o suficientes
definen roles y propiedades.
• Una Persona por ejemplo, necesariamente debe
tener un nombre, apellido y numero de
documento:
• tieneDocumento
• tieneApellido
• tieneNombre
• Comúnmente se definen restricciones sobre
ciertos roles y propiedades en esas
condiciones.
• tieneDocumento exactly 1 Documento
• tieneApellido some string
• tieneNombre some string
• Otras restricciones: only, min, max

32. 30/10/2020 BI & AI 32J. Agustín Martínez – Sergio Salimbeni
Ontologías: Reglas SWRL
• Podemos definir reglas que complementen nuestra ontología descripta en
OWL con el uso de SWRL.
• Semantic Web Rule Language
• Definimos reglas lógicas a través del uso de clausulas de Horn
• Posee un conjunto de built-ins (funciones) que nos facilitan la construcción de
reglas.
• swrlb:floor
• swrlb:greaterThan
• etc
• Ejemplo
• Persona(?x) ^ tieneEmbarazo(?x, ?embarazo) ^ swrlb:equal(?embarazo, true) ->
perteneceAGrupoDeRiesgo(?x, true)
• Persona(?x) ^ tienePatologia(?x, ?p) ^ Hipertension(?p) -> perteneceAGrupoDeRiesgo(?x, true)
• Persona(?x) ^ tieneEdad(?x,?edad) ^ swrlb:greaterThanOrEqual(?edad, 60) ->
perteneceAGrupoDeRiesgo(?x, true)

33. 30/10/2020 BI & AI 33J. Agustín Martínez – Sergio Salimbeni
Ontologías: SHACL

34. 30/10/2020 BI & AI 34J. Agustín Martínez – Sergio Salimbeni
Ontologías: SHACL – Validación

35. 30/10/2020 BI & AI 35J. Agustín Martínez – Sergio Salimbeni
Ontologías: SHACL – Reglas

36. 30/10/2020 BI & AI 36J. Agustín Martínez – Sergio Salimbeni
Ontologías: SHACL – Reglas

37. 30/10/2020 BI & AI 37J. Agustín Martínez – Sergio Salimbeni
Ontologías: Buenas Practicas
• Reutilización
• Buscar la legibilidad humana además de la expresividad
• Documentar el vocabulario
• Encontrar, seleccionar y editar tanto términos como propiedades
• Documentar metodologías y buenas practicas
• Buscar el perfeccionamiento y el aprendizaje
• Utilización y búsqueda constante de herramientas que faciliten modelado
e implementación. Ej: Herramientas de visualización
• Trabajo en equipo
• Verificación gradual

38. 30/10/2020 BI & AI 38J. Agustín Martínez – Sergio Salimbeni
Ventajas
• Interoperabilidad
• Flexibilidad
• Expresividad
• Integración
• Autogestión
• Compartición

39. 30/10/2020 BI & AI 39J. Agustín Martínez – Sergio Salimbeni
AGENDA:
1. Introducción
2. Composición, metodologías y buenas prácticas
3. Soporte e implementación
4. Casos de éxito

40. 30/10/2020 BI & AI 40J. Agustín Martínez – Sergio Salimbeni
Soporte
• IDES
• Topbraid
• Protege
• Menthor

41. 30/10/2020 BI & AI 41J. Agustín Martínez – Sergio Salimbeni
Soporte: IDE Protege
• http://protege.stanford.edu/
• Editor de ontologías gratuito, de código abierto
• Versión desktop y versión web
• Permite a su vez consultar la base de conocimiento con SPARQL
• Integra plugins
• Visualización
• Razonamiento
• etc

42. 30/10/2020 BI & AI 42J. Agustín Martínez – Sergio Salimbeni
Soporte: IDE TopBraid Composer
• http://www.topquadrant.com/
• Editor de ontologías pago
• Posee una versión gratuita limitada
• Versión desktop
• Mucho mas potente
• Permite conectarnos a diferentes SGBD
• Integrar información de diferentes fuentes
• Servidor web y web services

43. 30/10/2020 BI & AI 43J. Agustín Martínez – Sergio Salimbeni
Soporte: Implementación
• Plataforma JAVA
•OWLAPI
• Gestión de la ontología (clases, individuos, propiedades)
• Integración a Pellet y otros razonadores
•Jena
• Consultas SPARQL (Sub-Librería ARQ)
• Gestión de la ontología (clases, individuos, propiedades)
• Integración a Pellet y otros razonadores
•TDB
• Almacenamiento de tripletas (Sub-Librería perteneciente a Jena) llevar el almacenamiento de tripletas a memoria
secundaria con la particularidad de que no es posible realizar inferencias sin trasladar el modelo a memoria
principal
•RDF4J
• https://rdf4j.org/about/
• Eclipse RDF4J is an open source modular Java framework for working with RDF data. This includes parsing, storing,
inferencing and querying of/over such data

44. 30/10/2020 BI & AI 44J. Agustín Martínez – Sergio Salimbeni
Soporte: Implementación
•Plataforma JAVA
• OWLAPI
• Jena
• TDB
•Son buenas para iniciarse en el mundo de las ontologías o para
implementaciones pequeñas, prototipos.
•Son malas para implementaciones que necesiten escalar.
• OWLAPI y Jena cargan toda la ontología a memoria principal
• TDB permite consultar en memoria secundaria pero no permite razonar en memoria principal y no
brinda las herramientas de un SGBD

45. 30/10/2020 BI & AI 45J. Agustín Martínez – Sergio Salimbeni
Soporte: Implementación
•SGBD = Sistemas de gestión integral
• Transacciones ACID
• Integrity Constraints (opción de validar datos al ingresarlos)
• Clustering
• Arquitecturas Cliente/Servidor
• Api Http y multilenguaje
• Repositorios Maven
• Soporte geoespacial
• Hadoop File System

46. 30/10/2020 BI & AI 46J. Agustín Martínez – Sergio Salimbeni
Soporte: Implementación
•SGBD
• Stardog
• TopQuadrant
• GraphDB
• Neo4j
• Oracle
• Y mas..

47. 30/10/2020 BI & AI 47J. Agustín Martínez – Sergio Salimbeni
AGENDA:
1. Introducción
2. Composición, metodologías y buenas prácticas
3. Soporte e implementación
4. Casos de éxito

48. 30/10/2020 BI & AI 48J. Agustín Martínez – Sergio Salimbeni
Casos de éxito: Industria 4.0
• Tema Central: Interoperabilidad
• Protocolo: OPC UA
• Digitalización
• Agentes de colaboración
• Gestión del Ciclo de Vida
• Ontologías: Descripción de
dispositivos e intercambio de
información

49. 30/10/2020 BI & AI 49J. Agustín Martínez – Sergio Salimbeni
Casos de éxito: Fracturas de Núcleo
• Modelado de dominio: Core Fractures
• Modelado de reglas de negocio
•Calculo de variables y detección de oportunidades
• Carga de datos externos en formato xls
• Procesamiento de inferencias
• Soporte a la toma de decisiones

50. 30/10/2020 BI & AI 50J. Agustín Martínez – Sergio Salimbeni
Casos de éxito: Validación de Analisis Bioquimicos
• Modelado de dominio: Análisis Bioquimicos
• Modelado de reglas de negocio
• Rango de valores críticos, normales, decisivos
• Relación con datos históricos
• Clasificación de análisis
• Carga de datos externos a través de bus de interoperabilidad
• Procesamiento de inferencias: Validaciones sobre analisis
• Soporte a la toma de decisiones
• Asociación con LOINC Ontology: Futuro HL7

51. 30/10/2020 BI & AI 51J. Agustín Martínez – Sergio Salimbeni
¿Preguntas?
Muchas Gracias
Ing. Sergio Salimbeni, MBA, PhD
sergio.salimbeni@usal.edu.ar
Ing. Juan Agustín Martínez
mrtnz.agustin@gmail.com