Segunda parte del Tema, impartido dentro de la asignatura "Sistemas de Información Avanzados (Comercio electrónico)" dentro del
Máster de estudios avanzados en dirección de empresas de la Universidad de Sevilla
Actividad integradora 6 CREAR UN RECURSO MULTIMEDIA
Información Adaptativa, Ingeniería del Conocimiento e Inteligencia Colectiva (parte II)
1. Sistemas de Información Avanzados (Comercio electrónico)
Máster de estudios avanzados en dirección de empresas
Información Adaptativa,
Ingeniería del Conocimiento e Inteligencia Colectiva
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. Contenidos:
Bloque II:
Inteligencia Colectiva y Sistemas de Información
•
Técnicas y aplicaciones:
•
•
•
•
•
•
Gamification
CrowdS(F)ourcing: campo potencial de aplicación
Modelos CrowdS(F)ourcing
Social Media como canal I/O del sistema de información
Semántica para marketing:
•
•
geodemografía
Análisis de sentimientos
Social Content Curation
3. ¿Qué van a mostrar estos ejemplos?
• Cómo intervienen los siguientes elementos
de procedencia/naturaleza (o alimentados
por lo) social en los sistemas información:
• Redes sociales e inteligencia colectiva
• Sistemas complejos: análisis Social
media y el sistema de información de la
empresa
• Información adaptativa como producto
de inteligencia colectiva
4. ¿La tecnología nos hace antisociales?
NO, nunca ha sustituido completamente las relaciones
sociales
Es más, podemos usarla para potenciar y encontrar
soluciones
7. Nos centraremos en “gamification” de tipo
transformacional
La gamificación que no usa
modelos abstractos (alejados del
objetivo real) no la trataremos
aquí (No necesita Inteligencia
Artificial)
La “gamificación”
permite mejorar
los procesos de la
empresa
8. Uso de filosofía y tecnología de juegos para aprovechar el
crowdsourcing en la resolución de problemas
11. Proceso: Pasos
En nuestro caso, el
diseño del modelo es
transversal:
Definido el universo, se
concretan los elementos
http://www.gamasutra.com/blogs/VictorManrique/20130618/194563/
Gamification_Design_Framework_The_SMA_Model.php
12. Reglas de oro
http://www.gartner.com/newsroom/id/1629214
•
Accelerated feedback cycles. In the real world, feedback loops are
slow (e.g., annual performance appraisals) with long periods between
milestones. Gamification increases the velocity of feedback loops to
maintain engagement.
•
Clear goals and rules of play. In the real world, where goals are fuzzy
and rules selectively applied, gamification provides clear goals and welldefined rules of play to ensure players feel empowered to achieve goals.
•
A compelling narrative. While real-world activities are rarely
compelling, gamification builds a narrative that engages players to participate
and achieve the goals of the activity.
•
Tasks that are challenging but achievable. While there is no
shortage of challenges in the real world, they tend to be large and longterm. Gamification provides many short-term, achievable goals to maintain
engagement.
13. Para cada tipo de juegos interesa
animar a un tipo de jugador
• La clasificación de Bartle
http://en.wikipedia.org/wiki/Bartle_Test
22. Ejemplo de Kickstarter
El éxito llevó a los autores a dejar sus trabajos y
centrarse en el desarrollo del producto a través de
la constitución de una empresa, Studio Neat,
27. ¿Qué negocio es éste?
• Lo mejor es ver cómo son los productos que ofrecen:
http://vilmanunez.com/2013/06/24/como-preparar-una-propuesta-de-redes-sociales-incluye-plantillas/
28. El presupuesto (los números no cuentan)...
http://vilmanunez.com/2013/06/24/como-preparar-una-propuesta-de-redes-sociales-incluye-plantillas/
29. Flujos en Social Media
Blogging
corporativo
Análisis
¿Extracción de conocimiento?
Compañía
30. Casos de éxito/
oportunidades:
•
Diseño de aplicaciones
semánticas para
enriquecer la experiencia
de usuario en la Web 2.0
•
•
Twitter Semántico
Navegación conceptual
•
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
• Trust-based Computing
• Detección de
tendencias extraídas
de redes sociales
• Opinion analysis
32. Bots para Social Media
•
•
Bot para Twits programados
Agentes artificiales que
“mantienen” la presencia en la red
•
•
Reactivos
Inteligentes: Dear Assistant
33. •
•
Relativamente fáciles de crear
•
•
Bots para promover el tabaco...
SocialBots para propaganda, publicidad,
atención a tu empresa...
Investigadores de la Universidad Federal
de Ouro Preto, Brasil anuncian que
Carina Santos una periodista con
muchísimos seguidores en Twitter, no era
una persona, sino un bot,
•
Twitalyzer clasificaba a Ms. Santos
con más influencia que Oprah
Winfrey.
39. Nuestra semantización (ontología)
Semantic Geodemography and Urban Interoperability.
J. Borrego-Díaz, A. M. Chávez-González, M.A. Martín-Pérez, J.A. Zamora-Aguilera.
Proc. Metadata and Semantic Research 6th International Conference, MTSR 2012.
44. •
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.
45. ¿Materia Prima? social big data
Ofrecerá 2 años de twitters almacenados
http://datasift.com/
46. Finalmente... un caso de estudio: Elecciones USA
2012: ¿extrapolable a empresas?
http://www.engagedc.com/inside-the-cave/
52. A Formal Context for WordNet
- 155287 Words (Lemmas)
- 117659 Senses (Synsets)
- 206941 pairs Word-sense
•
•
•
Case study. Real language with structured semantics
Lexical database of English. Words (Lemmas) grouped in
sets of cognitive synonyms (Synsets)
Working with wordNet and FCA:
•
•
Lemmas/Synsets
Análisis Formal de
Conceptos
Objects/Attributes
Strong relationship between Formal Concepts and
Language Concepts
53. Scale-Free Topology
Enhancing
Opinion Lexicon
•
•
•
Concept lattice associated to
WordNet has similar topology to
complex semantic networks.
•
Node’s degree follow a power
law distribution.
Opinion lexicon
provides polarity
to words
WordNet
provides senses
•
The Concept
Lattice provides
structure
•
All together?
54. Sentiment Lattice & Concepts
•
Sentiment Lattice: A subset of the concept lattice
associated to WordNet with the words from an
opinion lexicon.
•
Sentiment Concept: Each concept of the sentiment
Lattice.
•
The valuation of each concept comes from the
aggregation of the sentiment of each word
contained in the extension of the concept.
55. Sentiment lexicon analysed for this
work
•
FCA can be used for:
•
•
Test the consistency of sentiment lexicons
Analyse information item’s sentiment
New
sentiments
emergence
Selected
Bing Liu’s Opinion Lexicon: http://www.cs.uic.edu/~liub/FBS/sentiment-analysis.html
SentiWordNet: http://sentiwordnet.isti.cnr.it/
AFINN-111: http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6010
56. Trending topic: “Syria”
•
•
Trending topic: “A word, phrase
or topic that is tagged at a
greater rate than other tags is
said to be a trending topic”
•
11,500 tweets collected in
order to perform
experiments:
Obtained after
processing the whole
tweet set
•
Weighted lattice (tweet
count)
•
Red/Green =>
Negative/Positive
sentiment
•
•
•
Topic: “Syria”
Language: English
Date: 05/20/2013 (collection
process lasted 6 hours)
74. Conclusiones
•
La Ingeniería del Conocimiento y el tratamiento de grandes
conjuntos de datos parecen necesarios para los sistemas de
información de la empresa
•
•
•
Los datos son las huellas de Sistemas Complejos:
Paradigma para entender el big-data como observaciones de
un sistema
La minería de datos no es suficiente
Nuevos retos:
•
•
•
Hiperlocalización
•
•
G
DA
TA
Te Sem
ch a n
no ti
lo c
gie
s
Extracción de conocimiento
Geolocalización,
BI
Confianza en la computación sobre grandes conjuntos de
datos
Actualizar los sistemas de información en la
empresa
•
•
•
Big analytics
Sentiment Analysis
Semantic interoperability
Da
Sc ta
ie
nc
e
75. Sistemas de Información Avanzados (Comercio electrónico)
Máster de estudios avanzados en dirección de empresas
Información Adaptativa,
Ingeniería del Conocimiento e Inteligencia Colectiva
Gracias
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