Este documento describe el contenido de un curso sobre Sistemas de Información Avanzados y Comercio Electrónico. El curso se divide en dos bloques principales: Ingeniería del Conocimiento y Sistemas de Información, e Inteligencia Colectiva y Sistemas de Información. Cada bloque cubre diversos temas como ontologías, comercio electrónico, minería de datos, redes sociales, análisis de sentimientos y contenido generado por los usuarios.

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 I: Ingeniería del Conocimiento y Sistemas de
Información
•
Parte I
•
•
•
•
Análisis, estado del arte,
prospectiva
Tecnologías
Información versus conocimiento
Caos de información versus
Ciencia del Dato
•
•
•
Big Data
•
Parte II: Casos de Aplicación
•
•
•
•
•
Interoperabilidad semántica
Ontologías y comercio electrónico
Semántica para procesos de negocio
Ejemplos de interoperabilidad semántica
•
Ciencia del Dato
Complejidad
Modelos de negocio basados en datos
•
Reutilización de las capacidades
Movilidad

3. Después del descanso...
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

4. Bloque I: Ingeniería
del conocimiento
y sistemas de
información
parte I

5. Estado del arte, tecnologías, hypes
Análisis desde la IA/IC de
la curva de Gartner 2013
http://farm9.staticflickr.com/8475/8392820088_7d4a9973ff_o.jpg

6. En 2012...

7. Tecnologías interesantes del ciclo, y tecnologías de Ingeniería
del Conocimiento (la Inteligencia Artificial en general)
•
•
•
•
•
•
•
•
Minería de datos (en BigData)
Linked Data, Minería de datos
Web Semántica (y agentes)
Representación del conocimiento
Inteligencia colectiva
Sistemas multiagente, Web
Semántica
Procesamiento del lenguaje
natural, análisis de sentimiento,
ontologías
Agentes, Web Semántica
•
•
•
BigData
•
•
•
•
•
Gamification
Complex Event Processing
Cloud Computing (private,
hybrid)
Crowdsourcing
Internet of things
Automated content recognition
Application Stores

8. En 2013...

9. Conclusiones y cuestión...
•
•
•
•
•
•
¡No hay muchos cambios ni “aceleraciones”!
Cambio de escala: Big Data, Cloud Computing,
•
Data Science
IA para tecnologías del lenguaje
Sentimientos, crowdsourcing/founding
Sensores
Procesamiento “en memoria”: nuevos tipos de datos
¿Cómo afecta(rá) a los sistemas de información,
marketing, negocios etc.?

10. Oportunidad: modelos
de negocio disruptivos
• Idea: aprovechar la tecnología nueva para
crear (y ocupar) un nicho de mercado
• Antes: Exhibición de la tecnología
• Ahora: Exhibición de la utilidad,
aprovechando las nuevas tecnologías/
tendencias

11. Información adaptativa
• Información que se puede (re)utilizar de
distintas formas
• Información que se adapta a un entorno
nuevo sin problemas
• Información que es entendible para
cualquier miembro de la organización
Nuestra aproximación
Interoperable semánticamente

12. http://www.inteco.es/file/03mDN9EbIu4Imu8Dl6FREw

13. De la Información/datos al conocimiento
• Proceso natural
•
Inteligencia de negocio adaptativa
•
Disciplina que usa técnicas de predicción y
optimización para construir sistemas que
auto-aprendan a decidir
•
Data mining, modelos de predicción,
optimización, adaptación y son usados por
los “business managers” para tomar
decisiones
Z. Michalewicz, M. Schmidt,M. Michalewicz, C. Chiriac Adaptive Business Intelligence, Springer 2006

14. Estructura simplificada de un
Inteligencia de negocio adaptativa
•
Inteligencia de negocio:
•
“El uso de información que permite a las
organizaciones dirigir de la mejor forma,
decidir, medir, gestionar y optimizar el alcance
de la eficiencia y los resultados financieros.”
Propuesta

15. Dónde entra la Inteligencia Artificial
• Puede ser aplicada en muchos de los pasos
anteriormente descritos
• La IA proporciona multitud de metodologías,
técnicas y herramientas para adaptar y hacer
“inteligentes” nuestros sistemas
• Nos centraremos en algunas técnicas de Ingeniería/
Representación del Conocimiento

16. Caos de información
versus Ciencia del Dato

17. Big Data
•
Tratamiento y análisis de
enormes
repositorios de datos
que resulta imposible
tratarlos con las
herramientas de
bases de datos y
analíticas
convencionales
Everyday, we create 2.5 quintillion bytes
of data–so much that 90% of the data in
the world today has been created in the
last two years alone. This data comes
from everywhere:
•
•
•
posts to social media sites,
•
•
from sensors used to gather climate
information,
transaction records of online
purchases,
•
•
from cell phone GPS signals
digital pictures and videos posted
online,
etc.
This data is big data.
http://www-01.ibm.com/software/data/bigdata/

18. Implicaciones
(World Economic Forum
2012)
2012
•
Can human behaviour be understood, predicted and
controlled?
•
The advent of “big data” – enormous datasets now being
harvested from records from websites (including social media
sites), mobile phones, GPSs and banking transactions are giving
physicists, social scientists and complex system experts
powerful new tools to understand and predict human
behaviour.
•
This development likely will have profound impacts on politics,
marketing, infrastructure design and many other spheres.

19. Problemas
• Privacidad
• Datos pueden estar
distorsionados
•
Potencian el aprendizaje
automático
•
Extraer comportamientos
personales
• Identificación
• TECNOLOGÍA
http://www.technologyreview.com/printer_friendly_article.aspx?id=38775

20. Six Provocations for Big Data
(Boyd & Crawford, 2011)
http://papers.ssrn.com/sol3/papers.cfm?abstract_id=1926431
• Automating Research Changes the Definition of
Knowledge
• Claims to Objectivity and Accuracy are Misleading
• Bigger Data are Not Always Better Data
• Not All Data Are Equivalent
• Just Because it is Accessible Doesn’t Make it Ethical
• Limited Access to Big Data Creates New Digital
Divides

21. Información en Internet
http://www.good.is/post/the-world-of-data-we-re-creating-on-the-internet/

22. ¿Dónde fluye esa información?
Libre de escala,
mundo pequeño

23. Se necesita una nueva disciplina:
La ciencia del dato (Data Science)
• El buscador de
Google fue el primer
caso importante de
aplicación de esta
ciencia
Áreas implicadas:
Cloud computing
Databases and information integration
Learning, natural language processing and information
extraction
Computer vision
Information retrieval and web information access
Knowledge discovery in social and information networks

24. Ciencia del dato versus
aplicaciones sobre datos
• A data application acquires its
value from the data itself, and
creates more data as a result.
It’s not just an application with
data; it’s a data product
•
Data science enables the
creation of data
products.

25. Posibles beneficios del aprovechamiento del Big Data
•
Servicios Financieros
Los datos obtenidos de los teléfonos móviles pueden permitir una comprensión profunda de los hábitos
de gasto y ahorro en los diferentes sectores y regiones.
•
•
•
Los historiales de pagos digitales permiten que los usuarios generen un historial de crédito, generando la
posibilidad de que sean candidatos para préstamos y otros servicios de crédito financiero.
Salud
Los datos recogidos a través de los dispositivos móviles, capturados por los profesionales del sector,
presentados por individuos o analizados en forma de data exhaust (grandes cantidades de datos antes
de ser procesados), pueden ser una herramienta útil para entender las tendencias de salud de la
población o frenar los brotes epidémicos.
•
•
•
Cuando se recolectan en un contexto de historiales sanitarios individuales, estos datos no solamente
mejoran la continuidad en el cuidado de los pacientes, sino que pueden ser utilizados para crear bases
de datos inmensas con las que los que tratamientos y resultados pueden ser comparados de forma
eficiente y poco costosa.
Agricultura
•
Los pagos móviles de productos agrarios, las compras y los subsidios pueden ayudar a los gobiernos a
mejorar sus predicciones sobre las tendencias de producción de productos y sus incentivos. Este
conocimiento puede ser utilizado para asegurar la adecuación del almacenaje de los cultivos, reducir los
desperdicios y el deterioro de productos y proporcionar una mejor información sobre los tipos de
ayuda financiera que necesitan los agricultores. El patrón de conducta del uso del teléfono móvil puede
ayudar a los gobiernos y a las ONG a identificar las zonas en peligro. La detección temprana puede
ayudar a prevenir que las familias abandonen sus tierras y el decrecimiento de la producción agrícola.
http://www.ticbeat.com/libreriaticbeat/big-data/

26. Una aplicación: Procesamiento
de eventos complejos
• ¿Qué tienen en común...
• Primavera árabe
• Crisis financiera mundial
• Crisis en Darfur
• Mercado del vino mundial
• para que puedan ser analizados y, si es
posible, ser predecidos?

27. Ejemplos de resultados:

28. Análisis de redes
(sistemas complejos)
/1201.3798
arxiv.org/abs
http://
http://www.ecb.int/press/pr/date/2010/html/pr100107.en.html

29. The network of global corporate control
•
Concentration of power is not good or bad
in itself, says the Zurich team, but the
core's tight interconnections could be. As
the world learned in 2008, such
networks are unstable. "If one
[company] suffers distress," says
Glattfelder, "this propagates."
Red (financiera)
http://www.plosone.org/article/info%3Adoi%2F10.1371%2Fjournal.pone.0025995

30. Revueltas árabes versus índice
de precios de alimentos
The Food Crises and Political Instability in North Africa and the Middle East
Marco Lagi, Karla Z. Bertrand,Yaneer Bar-Yam
http://arxiv.org/abs/1108.2455

31. Complejidad económica

32. Complejidad
económica
•
•
•
Visualización
Redes complejas
Diagnosis
Countries whose economic
complexity is greater than
what we would expect,
given their level of income, tend
to grow faster than those
that are “too rich” for
their current level of
economic complexity. In this
sense, economic complexity
is not just a symptom or
an expression of
prosperity:
it is a driver.
Economic complexity,
therefore, is expressed in the composition of a country’s
productive output and reflects the structures that
emerge to hold and combine knowledge.

33. Tema de investigación:
Aplicar el Ingeniería del
conocimiento a Complejidad
Económica
Enlaces entre
productos miden
la probabilidad de ser
co-exportados
Caminos:
composición de
capacidades
•
Información representada
contextos formales
•
Contextualizar dentro de
países o grandes compañías

34. Complejidad económica versus control/simulación de
sistemas complejos
•
Matemáticos, físicos, ingenieros o incluso músicos han desembarcado en
bancos de inversión, brókeres y hedge funds.
•
Misión: desarrollar algoritmos que permitan realizar estrategias
de inversión convencionales (arbitraje, contrapartida o creación
de mercado, inversión intradía, detección de correlaciones en el precio
de los activos...), pero a mucha más velocidad gracias a los avances
tecnológicos.
•
Sistemas pensados para que operen con total autonomía. No
aspiran a dar el pelotazo inmediato. Con cada movimiento, su objetivo
es ganar 0,001 euros.
•
Parece una meta de rentabilidad modesta, ¿no? Multipliquen esta
cantidad por miles de operaciones por minuto, ocho horas al día, cinco
días a la semana, 52 semanas al año... Un martillo pilón con el que hacer
dinero si se acierta con el modelo.

35. ¿N
ue
de vo
O s ti
LA po
P? s
Combinación de fast-trading y social media para los sistemas de información
Lucky Sort

36. Ejemplos
(de nuestro grupo)
http://www.shorpy.com/node/438

37. 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”

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

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

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

41. Sistema
Resultados
Comparación

42. ¿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)

43. 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 scalefree
Scale-Free Structure in Concept Lattices Associated
to Complex Systems

44. Parte II:
Casos, aplicaciones

45. Big data... again
http://bigdatalandscape.com/

46. Casos llamativos
¡Modelo de
negocio
interesante!

47. Datos “cerrados”
versus datos abiertos
• Transporte
• Localización de nuevos enclaves para
servicios
• Estudios de mercado
• ...
http://www.guardian.co.uk/public-leaders-network/blog/2012/mar/19/
open-data-raw-material-industrial?CMP=twt_gu

48. Open Data
•
•
•
Poner a disposición pública datos de instituciones, organizaciones,
etc.
•
Privacidad, protección de datos
No descarga de bases de datos. Consulta en forma de APIs
Construcción de Mashups
Tecnologías
para la
transparencia
•
•
•
Data visualisation and navigation
•
•
Going mobile
Data collection
Connecting and engaging citizens
via social media networks
Traditional media
http://www.transparency-initiative.org/reports/global-mapping-of-technology-for-transparency-and-accountability
http://es.scribd.com/doc/61030999/Open-data-study-New-technologies

49. Públicos, privados
Transparencia
Institucional
Estandarización
de formatos
Transparencia
corporativa

50. Múltiples iniciativas
Open Data

51. Datos “cerrados”
versus datos abiertos

52. •
Ecosistema para modelos de negocio basados
en open data
http://www.deloitte.com/assets/Dcom-UnitedKingdom/Local%20Assets/Documents/Market
%20insights/Deloitte%20Analytics/uk-da-open-growth.pdf

53. •
Linked Data
Los Datos Enlazados es la forma
que tiene la Web Semántica de
vincular los distintos datos que están
distribuidos en la Web
•
•
“Linked data: datos sin ontologías”
•
Se vinculan a recursos de otros
sitios de la WWW
•
Se calcula combinando/agregando
datos enlazados de distintos
recursos
•
Se ponen a disposición de la
comunidad los resultados
•
Open Linked Data
Los datos enlazan cosas arbitrarias
que se describen en RDF.
BBC:
BBC music
BBC programs
BBC WildLife Finder

54. Linked Data Canalización débil del conocimiento
•
Proponer semantizaciones
débiles en forma de
clientes para proyectos
existentes
•
Linked data versus open
data
• Sistemas para
extraer conocimiento
de la empresa
Ejemplo:
Empresa farmacéutica

55. Ingeniería del conocimiento y
big data
BIG DATA

56. Grafo social (y de objetos)
en el entorno Big Data

57. ¡!
RDFa es un conjunto
de extensiones de
XHTML propuestas
por W3C para
introducir semántica
en los documentos.
Se ha definido una
correspondencia
simple que
permite extraer
tripletes RDF

58. Conclusión: Es big
data social
¡Google no
puede hacer
esto!

59. El grafo del conocimiento de Google
3.500.000.
000 de
relaciones
entre
objetos
50.000.000
de objetos
Conclusión: Es big
Knowledge

60. ¿Materia prima para
nuevos proyectos de
este tipo?
(porque Google y Facebook ya la
tienen)

61. Semántica
DBpedia (Wikipedia)
dbpedia.org/
CommonTag
www.commontag.org

62. ¿Y el Big data?

63. Modelo de negocio basado
en el ciclo completo
•
•
•
Dispositivo
•
Exploración de
nuevos tipos de
explotación de la
información
Flujo de datos
Modelo freemium
para el almacenamiento

64. Parte III:
Casos de estudio

65. Caso especial:
Interoperabilidad
Semántica para la
empresa

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

67. Aplicación básica: B2C mediante
ontologías

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

69. Casos interesantes (los veremos):
Interoperabilidad semántica y
comercio electrónico
Externalización del conocimiento
en empresas

70. Tendencias ____________________

71. 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

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

73. Comercio electrónico

74. Comercio electrónico
•
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.
Año 2010

76. ¿Cómo usarlo?: Mirar
http://searchengineland.com/make-yourself-findable-in-the-global-graph-of-commerce-135082
as
t
n
ie
m
ra
r
e
H
http://wiki.goodrelations-vocabulary.org/Tools

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

78. Extendiendo con nuevas
ontologías

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

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

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

82. Proyección
del ciclo de
Nonaka & Takeuchi

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

84. Semántica aplicada a la
mejora de calidad de
los procesos de
negocio
Improving Business Process Model Quality Using Domain Ontologies
Samira Si-Said Cherfi, Sarah Ayad, and Isabelle Comyn-Wattiau.
Journal on Data Semantics 2(2-3):75-87 (June 2013)

85. Ejemplo: Quiero (como
profesor) hacer un viaje
Problema:
¿Un nuevo empleado
entiende los
conceptos como
debe?

86. Primer paso: identificar similaridades
con la ontología modelo

87. Describir el metamodelo “proceso
de negocio”

88. Parte de la Ontología para el
metamodelo (ontología de alto nivel)

89. Ambigüedades...
Ambigüedades, deficiencia de
abstracción, incompletitud de la
especificación
Trasladando a
la ontología

90. “Mapea” tu proceso como instanciación del
metamodelo (pedirá refinar las acciones
del proceso, requisitos, detalles, etc.)

91. Otro ejemplo
(ahora en EPC, Event Process Chaining)
http://en.wikipedia.org/wiki/Event-driven_process_chain
Ontología
para empresa
Semantic EPC: Enhancing Process Modeling Using Ontology Languages
Oliver Thomas, Michael Fellmann: in Semantic Business Process
and Product Lifecycle Management. Proceedings of the Workshop SBPM 2007, Innsbruck, April 7, 2007,
CEUR Workshop Proceedings, ISSN 1613-0073, online CEUR-WS.org/Vol-251/

92. Ejemplo de Procesamiento de un
pedido en EPC
•
•
Cuestiones:
•
¿Todo los miembros de la empresa entienden igual este
proceso?
•
¿Otras empresas entenderán este proceso?
Para que esto sea posible podemos usar la ontología como
“conocimiento común” (consenso sobre los elementos)

93. Necesitamos modelizar dos elementos:
El lenguaje
de EPC
El modelo
concreto
Instanciación

95. Bajando a la sintaxis...

96. Procesando como RDF
EPML:
Mendling, J.; Nüttgens, M.: EPC Markup Language (EPML) – An XML-Based Interchange Format for EventDriven Process Chains (EPC) : Technical Report JM–2005–03–10.Vienna University of Economics and
Business Administration, 2005

97. Ventajas de este tipo de
semantizaciones
• Mejora la calidad de los procesos
• Elimina ambigüedad
• El metamodelo estandariza los procesos

98. Algunos ejemplos
recientes de uso de la
Web Semántica

99. Caso de éxito
IV: Reegle

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

101. Ontologías
• Ontología para las
olimpiadas:

102. Anotación
(interfaz)

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

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

105. ¿Podemos reutilizar los éxitos?

106. • Sí, pensemos en el caso de éxito de uso como un
caso de capacidad (una funcionalidad que mejora
el negocio nueva que se ha conseguido)
• Capacidad documentada => REUTILIZABLE

107. NASA Space Shuttle Program
•
Detección de dificultades, y soluciones posibles ( que implicarán
nuevas capacidades)
http://my.safaribooksonline.com/book/software-engineering-and-development/software-requirements/
0321205766/illustrative-applications-and-galleries/ch03lev1sec4

108. Dificultades:
•
Disparate IT systems and information used by the NASA Space Shuttle program
result in the following barriers:
•
•
Knowledge exists but is hard to find.
•
Complex processes, non-user-friendly documentation, and systems that require
long learning curves.
Information is in databases, but it is often not synchronized and is impossible to
integrate.
Se les
presentaron
los
siguientes
casos de
capacidad

109. Ejemplo:
Product Design
Assistant
Audi lo usa para
diseñar prototipos
(testcar)
Múltiples
ventajas
Consecuencia: Contratistas de la NASA
plantean aplicarlo

110. Otra vuelta de tuerca: Estandaricemos la
información de los casos de capacidad
Tema de Tesis:
Ontología para repositorios
de casos de capacidad
•
http://www.capabilitycases.org/CASES/CC_Temp_Long.html

111. Caso
Servicios en movilidad
basados en
conocimiento

112. i ci d
ad?
¿Pu
bl
http://www.visionmobile.com/product/developer-economics-2013-the-tools-report/

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

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

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

116. Sistemas de Información Avanzados (Comercio electrónico)
Máster de estudios avanzados en dirección de empresas
Información Adaptativa,
Ingeniería del Conocimiento e Inteligencia Colectiva
Fin del Bloque I
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