facetas
Tipo de contenido

Recursos > Grafos de Conocimiento: web semántica

    sortFiltrar Ordenar
    951 resultados

    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

    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

    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.

    ...

    Página Web

    /

    Publicado el 1.5.2018 por Equipo GNOSS

    Proust y la IA: cómo la literatura puede ser valiosa para la analítica de datos. BBVA

    Ángel Pérez reflexiona en este artículo sobre los modelos literarios como una forma de aprendizaje para que las máquinas puedan entender mejor cómo pensamos los seres humanos.

    ...

    Página Web

    /

    Publicado el 17.1.2018 por Equipo GNOSS

    Mejoras en Linked Open Vocabularies (LOV)

    El proyecto Linked Open Vocabularies (LOV) continúa en su tarea de eliminar las barreras que la selección de vocabularios puede provocar a los publicadores de datos en el desarrollo de sus proyectos Linked Data.

    Un reciente paper, Linked Open Vocabularies (LOV): a gateway to reusable semantic vocabularies on the Web, premiado con el Semantic Web Outstanding Paper Award 2017, describe LOV como un catálogo de vocabularios reutilizables de alta calidad, para la descripción de datos en la Web. La iniciativa LOV recopila y hace visible indicadores que no habían sido previamente recopilados, como la interconexión entre vocabularios o el historial de versiones

    ...

    Página Web

    /

    Publicado el 9.1.2018 por Equipo GNOSS

    Las Tecnologías Semánticas apuntalan la Inteligencia Artificial conversacional

    De manera discreta, las tecnologías semánticas se han convertido en un componente clave de la Inteligencia Artificial y otras aplicaciones de big data.

    Después de una larga hibernación, la Inteligencia Artifical ha despertado con energías para probar su valor en los negocios. Las tecnologías semánticas apoyan este resurgimiento, ayudanda a los usuarios a comprender textos, audios y relaciones entre los datos.

    Leer más en Search Data Management.

    ...

    Presentación

    /

    Publicado el 25.4.2017 por Ricardo Alonso Maturana

    Mapping SparQl with Pig Latin (12 June 2011)

    Overview

     1. Motivation

    2. Framework

    3. PigSPARQL

    4. Evaluation

    5. Summary PigSPARQL: Mapping SPARQL to Pig Latin

    ...

    Página Web

    /

    Publicado el 25.4.2017 por Ricardo Alonso Maturana

    Mining Big Data with   RDF Graph Technology

    agenda:

    • Big Data in Action
    • Introducing Oracle Spatial and Graph
    • Using RDF for Big Data and Mining
    • Tools: Oracle and 3rd party
    • Demo
    • Summary

    ...

    Página Web

    /

    Publicado el 10.4.2017 por Equipo GNOSS

    Semantic Data Management in Practice Half-day Tutorial at WWW 2017

    After years of research and development, standards and technologies for semantic data are sufficiently mature to be used as the foundation of novel data science projects that employ semantic technologies in various application domains such as bio-informatics, materials science, criminal intelligence, and social science. Typically, such projects are carried out by domain experts who have a conceptual understanding of semantic technologies but lack the expertise to choose and to employ existing data management solutions for the semantic data in their project. For such experts, including domain-focused data scientists, project coordinators, and project engineers, our tutorial delivers a practitioner's guide to semantic data management. We discuss the following important aspects of semantic data management and demonstrate how to address these aspects in practice by using mature, production-ready tools:

    • i) storing and querying semantic data;
    • ii) understanding,
    • iii) searching, and
    • iv) visualizing the data;
    • v) automated reasoning;
    • vi) integrating external data and knowledge; and
    • vii) cleaning the data.

    ...

    Etiquetas: