facetas

Recursos > Empresas y organizaciones

    sortFiltrar Ordenar
    337 resultados

    Pdf

    /

    Publicado el 3.8.2018 por Equipo GNOSS

    Google: conocimiento basado en hechos. De enlaces a hechos. Knowledge based Trust. Un grafo de conocimiento "verdadero"

    En el año 2012, Google, en su blog, explicó como estaba transitando de la búsqueda por secuencia de caracteres a la búsqueda de entidades. En su artículo "Things, not Strings" explicaba la construcción de su Grafo de Conocimiento y como éste estaba condicionando la búsqueda, tras la compra dos años antes de Metaweb, empresa creadora de la gran base de entidades llamada Freebase.

    Siguiendo en esta línea y avanzando más, en el año 2015, como se expone en el resumen del paper que adjuntamos "Knowledge Based Trust: Estimating the Trustworthiness of Web Sources" escrito por Xin Luna Dong, Evgeniy Gabrilovich, Kevin Murphy, Van Dang, Wilko Horn, Camillo Lugaresi, Shaohua Sun, Wei Zhang, Google explica como está basándose en hechos y no tanto en links a la hora de seguir avanzando en la construcción de un Grafo de Conocimiento "verdadero".

    Así, los investigadores, apuntan en el resumen del paper que la calidad de las fuentes web se ha evaluado tradicionalmente utilizando señales exógenas como la estructura de los hipervínculos. Desde hace algún tiempo Google está identificando entidades del mundo y proponiendo un nuevo enfoque para sus búsquedas basado en señales endógenas, es decir, en la exactitud de la información objetiva proporcionada por la fuente. Una fuente que tiene pocos hechos falsos se considera confiable. Los hechos se extraen automáticamente de cada fuente mediante métodos de extracción comúnmente utilizados para construir bases de conocimiento (DBPedia, Yago, etc). Se está investigando la forma de distinguir errores cometidos en el proceso de extracción de entidades mediante el uso de inferencias conjuntas en un novedoso modelo probabilístico multicapa.


    Llaman puntaje de confiabilidad al cálculo basado en el conocimiento Confianza (KBT). En datos sintéticos, muestran que con este método pueden calcular los verdaderos niveles de confiabilidad de las fuentes. De este modo lo aplican
    luego a una base de datos con millones de hechos extraídos de la web, y así pueden estimar la confiabilidad de millones de páginas web.

    ...

    Pdf

    /

    Publicado el 1.8.2018 por Equipo GNOSS

    Xin Luna Dong, responsable de investigación del Product Graph de Amazon, expone en esta presentación algunos de los desafios más importantes con los que se están enfrentando a la hora de construir un Grafo de Productos que sea, ya no una parte o subconjunto del Knowledge Graph de Google, sino un Grafo de Productos con características y atributos propios. Todo ello, claro está, con el objetivo de responder mejor y dar una mayor satisfacción al usuario cuando quiere encontrar un producto. La misión es ofrecerle todo el conocimiento existente sobre este producto y ofrecer una experiencia digital mejorada que además le recomiende de forma pertinente ¿Qué otros libros, películas, artículos, han comprado las personas que también han comprado lo mismo que yo?

    En la presentación hace un recuento del conjunto de problemas y retos a los que se enfrentan para abordar este gran desafío:

    No hay fuentes estructuradas que ayuden a la creación del grafo de productos:

    • La Wikipedia ayuda poco, no está centrada en esto
    • Mucho texto estructurado está enterrado en el texto de la descripción del producto
    • Los minoristas y vendedores juegan con el sistema introduciendo ruido en los datos

    Se crean productos nuevos todos los días

    • La curación es imposible
    • Refrescar los nuevos productos es un gran desafío

    Hay un gran número de categorías de productos:

    • Definición muy manual de la ontología necesaria
    • Dificultad para capturar la tendencia de nuevas categorías de productos y sus propiedades

    Muchas entidades no son nombradas como entidades

    • No es aplicable el reconocimiento de entidades
    • Nuevos desafíos para la extracción, enlazado y búsqueda

    La presentación aborda los diversos escenarios de investigación que se están planteando.

    ...

    Página Web

    /

    Publicado el 1.8.2018 por Equipo GNOSS

    Thomson Reuters explica la importancia de construir un Grafo de Conocimiento

    En este artículo la compañia Thomson Reuters hace un repaso de qué es un Grafo de Conocimiento y la importancia que esto tiene en la configuración de la web actual y en las explotaciones para el negocio. Es un artículo divulgativo sobre el estado de la cuestión.

    Esto le da pie para explicar como su servicio de Knowledge Graph Feed permite a los clientes de Servicios Financieros acelerar sus estrategias digitales y de inteligencia artificial. El grafo de conocimiento con 2.000 millones de relaciones da vida a una visión completa del ecosistema financiero para que los usuarios puedan descubrir conocimiento sobre la base de las relaciones no previstas ni preadministradas que el grafo presenta.

    ...

    Página Web

    /

    Publicado el 1.8.2018 por Equipo GNOSS

    El Grafo de Conceptos de Microsoft

    El llamado Gráfico Conceptual de Microsoft intenta duplicar las diversas entidades existentes en el mundo. Se conforma como un gran grafo de conceptos, aprovechando la información  de miles de millones de páginas web y registros de búsqueda de años, aunque podemos decir que Google, Facebook, Amazon y otras empresas le llevan una ventaja considerable.

    https://concept.research.microsoft.com/Home/Introduction

    ...

    Página Web

    /

    Publicado el 1.8.2018 por Equipo GNOSS

    La construcción del Grafo de Conocimiento en Linkedin

    El director de Inteligencia Artificial de Linkedin explica en este artículo como Linkedin está construyendo su Grafo de Conocimiento.

    LinkedIn knowledge Graph es una gran base de conocimiento construida sobre "entidades" en LinkedIn, como miembros, trabajos, títulos, habilidades, compañías, ubicaciones geográficas, escuelas, etc. Estas entidades y las relaciones entre ellas forman la ontología del mundo profesional y son utilizados por LinkedIn para mejorar sus sistemas de recomendación, búsqueda, monetización y productos de consumo, negocios y análisis del consumidor.

    En este artículo el autor explica como aplican técnicas de Machine Learning para resolver los desafíos al crear el grafo de conocimiento, que es esencialmente un proceso de estandarización de datos sobre contenido generado por el usuario y fuentes de datos externas, en el que el aprendizaje automático se aplica:

    • la construcción taxonómica de entidades
    • la inferencia de relaciones entre entidades,
    • la representación de datos para consumidores de datos descendentes
    • la penetración de conocimiento (información) a partir del grafo 
    • la adquisición activa de datos de los usuarios para validar nuestra inferencia y recopilar datos de capacitación.

    El grafo de conocimiento de LinkedIn es un grafo dinámico. Las nuevas entidades se agregan al grafo y las nuevas relaciones se forman continuamente. Las relaciones existentes también pueden cambiar. Por ejemplo, el mapeo de un miembro a su título actual cambia cuando tiene un nuevo trabajo. Por tanto, hay que actualizar el grafo de conocimiento de LinkedIn en tiempo real cuando se produzcan cambios en el perfil de los miembros y nuevas entidades emergentes.

    ...

    Página Web

    /

    Publicado el 1.8.2018 por Equipo GNOSS

    Gartner: glosario sobre Inteligencia Artificial

    Artificial intelligence is technology that appears to emulate human performance typically by learning, coming to its own conclusions, appearing to understand complex content, engaging in natural dialogs with people, enhancing human cognitive performance (also known as cognitive computing) or replacing people on execution of nonroutine tasks. Applications include autonomous vehicles, automatic speech recognition and generation and detecting novel concepts and abstractions (useful for detecting potential new risks and aiding humans quickly understand very large bodies of ever changing information).

    ...

    Página Web

    /

    Publicado el 1.8.2018 por Equipo GNOSS

    Watson y la Inteligencia Artificial. Promesas incumplidas en el sector sanitario

    There are 50 hospitals on 5 continents that use Watson for Oncology, an IBM product that charges doctors to ingest their cancer patients' records and then make treatment recommendations and suggest journal articles for further reading.

    The doctors who use the service assume that it's a data-driven AI that's using data from participating hospitals to create massive data-sets of cancer treatments and outcomes and refine its inferences. That's how IBM advertises it. But that's not how it works.

    ...

    Etiquetas:

    Página Web

    /

    Publicado el 1.8.2018 por Equipo GNOSS

    IBM Watson suspende en sus recomendaciones sobre el cáncer basadas en Inteligencia Artificial

    El Hospital Nacional de Dinamarca ha suspendido un proyecto encargado a IBM Watson Oncology, después de que esta tecnología de inteligencia artificial propusiera utilizar un medicamento que habría tenido consecuencias fatales para los pacientes.

    Fuente: Diario TI

    ...

    Página Web

    /

    Publicado el 1.8.2018 por Equipo GNOSS

    Las promesas de IBM sobre la Inteligencia Artificial de Watson se topan con la realidad

    Hace cinco años, IBM anunció que su supercomputador Watson revolucionaría el tratamiento del cáncer mediante el uso de su inteligencia artificial para digerir y destilar los miles de estudios de oncología publicados cada año, además de datos a nivel del paciente y recomendaciones de expertos para diagnósticos de tratamiento. Un informe publicado por STAT News muestra que, años más tarde, las promesas de IBM se han topado con la realidad.

    ...

    Pdf

    /

    Publicado el 17.8.2015 por Equipo GNOSS

     

    Las tecnologías de la web semántica se aplican a menudo a un gran espectro de aplicaciones en las que el conocimiento del dominio se conceptualiza y formaliza (Ontología) como soporte para suprocesamiento (Razonamiento) operado por las máquinas. Por otra parte, a través de una sutil unión de razonamiento humano (cognitivo) y el razonamiento mecánico (base lógica), es posible para los seres humanos y máquinas compartir tareas complementarias. Por nombrar algunas de esas áreas de aplicación: Portales Corporativos y Gestión del Conocimiento, E-Commerce, E-trabajo, Salud, E-Gobiemo, la comprensión del lenguaje natural y automatizada, búsqueda de información, integración de datos y Servicios, Redes sociales y filtrado colaborativo, etc.

    Desde la perspectiva social y económica esta tecnología emergente debe contribuir no solo al crecimiento de la riqueza económica, sino que también debe mostrar un aporte claro de valor en nuestras actividades cotidianas para ser una tecnología transparente y eficiente. La adopción de las tecnologías de la Web Semántica por parte de la industria está avanzando lentamente. Uno de los problemas es que el mundo académico no siempre es consciente de los problemas concretos que se plantean en la industria. Por el contrario, la industria no está a menudo bien informada acerca de los desarrollos académicos que potencialmente puede satisfacer sus necesidades. En este documento se presenta un trabajo en curso en la fertilización cruzada entre la industria y la academia. En particular, se presenta una colección de campos de aplicaciones y casos de uso de las empresas que están interesadas en las promesas de la tecnología de la Web Semántica.

    Campos de aplicación:

    • Knowledge Management
    • E-Commerce
    • Biosciences and Medical applications

     

    ...