facetas

Recursos > knowledge graph

    sortFiltrar Ordenar
    27 resultados

    Página Web

    /

    Publicado el 22.8.2019 por Equipo GNOSS

    Los grafos de conocimiento de nuevo en 2019 el 'Hype Cycle for Emerging Technologies de Gartner

    Los Grafos de Conocimiento siguen en 2019 en la zona de subida del Hype Cycle for Emerging Technologies 2019 de Gartner. Los encontramos por primera vez en los 'hype cycle' de Gartner el año pasado tanto en el de Emerging Technologies como en el de Inteligencia Artificial 2018.

    Este año agrupa las tecnologías emergentes en 5 tendencias:

    • Sensorización y movilidad.
    • Humanos aumentados.
    • Computación y comunicación "postclásicas".
    • Ecosistemas digitales.
    • Inteligencia Artificial avanzada y analítica.

    Gartner ha publicado el informe el 2 de agosto de 2019 en: https://www.gartner.com/en/documents/3956015. Puedes ver el resumen y la tabla de contenidos más abajo.

     

    Published: 06 August 2019

    ID: G00370466

    Analyst(s): David Smith , Brian Burke

    Summary:

    The 2019 Hype Cycle highlights the emerging technologies with significant impact on business, society and people over the next five to 10 years. This year includes technologies that promise to deliver a global low-latency internet, create a virtual map of the real world and mimic human creativity.

    Table of contents:

    Analysis

    • What You Need to Know
    • The Hype Cycle
    • The Priority Matrix
    • Off the Hype Cycle
    • On the Rise
      • Biotech — Cultured or Artificial Tissue
      • Immersive Workspaces
      • AR Cloud
      • Decentralized Web
      • Generative Adversarial Networks
      • Adaptive ML
      • DigitalOps
      • Decentralized Autonomous Organization
      • Nanoscale 3D Printing
      • Augmented Intelligence
      • Flying Autonomous Vehicles
      • Transfer Learning
      • Emotion AI
      • Light Cargo Delivery Drones
      • Synthetic Data
      • Knowledge Graphs
      • Personification
      • Explainable AI
    • At the Peak
      • Edge AI
      • Low Earth Orbit Satellite Systems
      • Autonomous Driving Level 5
      • Edge Analytics
      • AI PaaS
      • Biochips
      • 5G
      • Graph Analytics
    • Sliding Into the Trough
      • Next-Generation Memory
      • 3D Sensing Cameras
      • Autonomous Driving Level 4
    • Appendixes
      • Hype Cycle Phases, Benefit Ratings and Maturity Levels

    ...

    Página Web

    /

    Publicado el 21.2.2019 por Equipo GNOSS

    Gartner sitúa Graph Analytics entre las cinco primeras tendencias tecnológicas en 2019

    La consultora Gartner ha aprovechado la celebración de la cumbre Gartner Data & Analytics, celebrada en Sydney en febrero, para identificar las principales tendencias tecnológicas de datos y análisis que contarán con un gran potencial entre los próximos tres a cinco años, marcando las futuras líneas de investigación y desarrollo en este ámbito.  

    Dentro de este ránking de tendencias encontramos en la cuarta posición la Inteligencia Artificial Explicable, implementada cada vez más para aumentar y remplazar la toma de decisiones humanas. La Inteligencia Artificial Explicable en la ciencia de datos y las plataformas de aprendizaje automático (ML), por ejemplo, sería capaz de generar automáticamente una explicación de los modelos en términos de precisión, atributos y estadísticas en lenguaje natural.

    En la quinta posición se sitúa Graph Analytics, conjunto de técnicas analíticas que permite la exploración de relaciones entre entidades de interés, tales como organizaciones, personas y transacciones.

    La aplicación del procesamiento de gráficos y los DBMS de gráficos crecerá al 100% anual hasta 2022 para acelerar continuamente la preparación de datos y permitir una ciencia de datos más compleja y adaptable. 

    En su intervención, Rita Sallam, vicepresidente de investigación de Gartner, ha dejado patente el potencial impacto que los líderes de datos y análisis pueden tener en el negocio de estas tendencias, adaptando en consecuencia a ello modelos de negocio y operaciones.

    Asimismo, Gartner recomienda que los líderes de datos y análisis hablen con los líderes empresariales sobre sus prioridades comerciales y exploren cómo estas tendencias pueden posibilitar nuevas posibilidades de negocio.

     

    ‘TOP 10’ de Tendencias Tecnológicas:

    N ° 1: Análisis Aumentado

    Nº 2: Gestión de datos aumentados

    Nº 3: Inteligencia continua

    Nº 4: Inteligencia Artificial Explicable

    Nº 5: Graph Analytics                                                   

    Nº 6: Red de datos

    Nº 7: Procesamiento de Lenguaje Natural (NLP) / Análisis Conversacional

    Nº 8: Aprendizaje automático (ML) e Inteligencia Artificial  con soluciones comerciales

    Nº 9: Blockchain

    Nº 10: Servidores de memoria persistentes

     

    Las próximas cumbres Gartner Data & Analytics 2019 se llevarán a cabo del 4 al 6 de marzo en Londres , del 18 al 21 de marzo en Orlando , del 29 al 30 de mayo en Sao Paulo , del 10 al 11 de junio en Mumbai , del 11 al 12 de septiembre en la Ciudad de México y del 19 al 19 de octubre. 20 en Frankfurt. 

    ...

    Página Web

    /

    Publicado el 13.9.2018 por Equipo GNOSS

    Knowledge Graph: una nueva fuente de conocimiento. Ira Manzano

    En este artículo Ira Manzano explica de una forma sencilla qué es un Grafo de Conocimiento y cuales son sus principales ventajas y aplicaciones para cualquier institución

    ...

    Página Web

    /

    Publicado el 7.8.2018 por Ricardo Alonso Maturana

    Why Knowledge Graphs Are Foundational to Artificial Intelligence (by Jim Webber)

    AI is poised to drive the next wave of technological disruption across industries. Like previous technology revolutions in Web and mobile, however, there will be huge dividends for those organizations who can harness this technology for competitive advantage.

    I spend a lot of time working with customers, many of whom are investing significant time and effort  in building AI applications for this very reason. From the outside, these applications couldn’t be more diverse – fraud detection, retail recommendation engines, knowledge sharing – but I see a sweeping opportunity across the board: context.

    Without context (who the user is, what they are searching for, what similar users have searched for in the past, and how all these connections play together) these AI applications may never reach their full potential. Context is data, and as a data geek, that is profoundly exciting.

    We’re now looking at things, not strings

    ...

    ...

    Página Web

    /

    Publicado el 7.8.2018 por Ricardo Alonso Maturana

    What tools are you using for knowledge graph building?

    Here you can see a very interesting conversation thread in Hacker News, with 15 comments, where databases and other tools for the construction and exploitation of Knowledge Graphs are reviewed.
    Among others, they are mentioned, NeoJ4, BlazeGraph or Karma

    ...

    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.

    ...