inteligencia artificial semántica

La creciente necesidad de integrar contenido heterogéneo y distribuido, de interpretarlo y dotarle de contexto ha llevado a los grafos de conocimiento a una situación prominente. Los casos del Knowledge Graph de Google o Microsoft Graph son ejemplos de su creciente utilidad y popularidad. Los grafos de conocimiento son el medio para enriquecer los datos con datos relacionados, pero que no están dentro de los sistemas de la organización.

Un grafo de conocimiento tiene cuatro grandes propiedades: unifica información heterogénea y distribuida, la hace interrogable por máquinas y personas, es expresivo y esta expresividad puede extenderse o ampliarse con facilidad.

Los grafos de conocimiento resultan una solución ideal para almacenar datos extraídos del análisis de fuentes no estructuradas, como documentos, utilizando el procesamiento en lenguaje natural (PNL). También son capaces de almacenar datos estructurados, incluidos los metadatos que, de manera implícita, proporcionan estructura y contexto a la información. En definitiva, los grafos de conocimiento permiten almacenar datos, dotarlos de estructura y contexto a la par que ofrecen sistemas de interrogación, recuperación de la información, descubrimiento de conocimiento y análisis que los hacen imprescindibles en un muy largo número de casos de uso.

Mediante el análisis basado en grafos de conocimiento, se pueden descubrir y explotar de manera automática las relaciones orgánicas y dinámicas entre activos digitales, fuentes de datos, procesos, personas e interacciones. Un aspecto clave a este respecto es la extracción de entidades. Las entidades (personas, organizaciones, lugares, eventos, etc.) pueden identificarse a través de técnicas de procesamiento del lenguaje natural antes de la ingesta de datos y posterior desambiguación. De este modo, los grafos de conocimiento acumulan silenciosamente "datos inteligentes", es decir, datos expresivos que los sistemas de Inteligencia Artificial apropiados pueden leer y "entender" fácilmente y cuya explotación ofrece resultados de alta calidad.

GNOSS hace posible que las organizaciones puedan construir su propio grafo de conocimiento, integrando en él el conjunto de información relevante para la empresa. Ese grafo de conocimiento facilita las siguientes explotaciones funcionales:

• Descubrimiento de conocimiento
  • Sistemas de interrogación, búsqueda y recuperación de información
    • Búsqueda basada en restricciones iteradas o razonamiento natural: buscadores facetados
    • Búsquedas basadas en restricciones iteradas o razonamiento natural sobre mapas
    • Búsquedas basadas en restricciones iteradas o razonamiento natural sobre ‘timelines’
    • Interrogación basada en visualizaciones gráficas de indicadores
    • Navegación a través de entidades
  • Sistemas de gestión de metadatos y etiquetado de la información de la empresa
  • Sistemas de Análisis basados en datos interpretados
    • Business Analytics and Insights
    • Learning Analytics
• Enriquecimiento de la información y generación de información contextual
• Sistemas de recomendación y perfilado de usuarios basado en el reconocimiento explícito de intereses

Las organizaciones más en la frontera pueden esperar obtener un valor significativo de los grafos de conocimiento en las áreas de aplicación que permiten la construcción de las funciones de inteligencia y aprendizaje, destacando las siguientes áreas:

• Colaboración, intercambio y aprendizaje social: los datos consolidados en un grafo de conocimiento están interrelacionados y contextualizados, lo que ayuda a su descubrimiento y localización a través de conexiones implícitas e indirectas. Un grafo de conocimiento puede funcionar como la “mente” de las aplicaciones de colaboración y aprendizaje de la empresa, tales como:
  • Software social en el lugar de trabajo.
  • Plataformas de aprendizaje y formación
  • Sistemas de Learning Analytics
• Investigación y auditoría: la capacidad de capturar y desambiguar entidades que se asignan a individuos, cosas, organizaciones, lugares, eventos, procesos de fabricación o distribución, etc. en el mundo real, permite explorar las relaciones entre todas ellas para identificar el origen de incidentes, fraudes, riesgos en las cadenas de suministros, defectivos en cadenas de fabricación….
• Análisis e informes: una vez procesados e interpretados, tanto datos estructurados como no estructurados, en un grafo de conocimiento, éstos se pueden consultar, interrogar, integrar con terceras partes y visualizar de un modo no administrado, expresivo y personal, facilitando de este modo la extensión de las funciones de inteligencia y análisis al conjunto de la organización.
• Integración y administración del contenido de la empresa: interoperabilidad y automatización. La lectura autónoma y la "comprensión" de los datos por parte de las máquinas hace posible la integración y la operatividad de los datos para el conjunto de aplicaciones de la organización.
• Gestión del contenido:
  • Gestión del contenido de la organización: integración, publicación, distribución y notificación inteligente, en función del perfilado de las distintas audiencias, del contenido de la organización.
  • Comunicación, gestión del contenido de la web e integración con contenidos externos.
• Reutilización de datos y colaboración entre industrias y empresas: los datos, en un grafo de conocimiento, están vinculados conceptualmente o, si se prefiere, semánticamente; esto facilita que se combinen datos y metadatos y, de ese modo, que puedan compartirse más fácilmente y resulten más fácilmente reutilizables.
• Gestión de la relación con el cliente: perfilado y caracterización de la experiencia del cliente. El CRM y la caracterización de los clientes y de su experiencia contribuyen al diseño de estrategias comerciales que optimizan la rentabilidad, la eficiencia operativa, la satisfacción del cliente y su lealtad mediante la implementación de procesos centrados en el cliente.

El mundo y las empresas se han llenado de datos. Pero no todos los datos cuentan historias. Los Datos Masivos (Big Data) se preocupan por el volumen de los datos, la velocidad a la que se ingieren, la variedad de fuentes y su veracidad, pero la interpretación queda en manos de las personas que los manipulan. Los Datos Interpretados (Smart Data) cuentan historias; añaden a lo anterior el hecho de que los datos saben lo que son y con que otros están relacionados y que pueden ser semánticamente interpretados por máquinas y sistemas.

Los Datos interpretados funcionan como los átomos de un grafo de conocimiento y de los sistemas analíticos asociados, y son la base para construir una solución de Inteligencia Artificial capaz de responder a la pregunta "¿Qué puede suceder?" Los sistemas predictivos y de detección de tendencias y futuros basados en el análisis de datos masivos interpretados representan una forma de Inteligencia Artificial que hace posible análisis avanzados.

Las empresas que desean consolidar su función de inteligencia están obligadas a hacer análisis predictivo sobre la base de datos interpretados, consolidados en un grafo de conocimiento que integre y unifique la información de la empresa con información relevante del exterior.

Este conjunto de técnicas se enmarca dentro del campo de la Inteligencia Artificial para análisis y definición de estrategias, un campo central de la Inteligencia de Negocio. El objetivo es identificar estrategias, prácticas, tecnologías y productos que van a crear valor para el negocio en el futuro.

Algunos de los casos de uso más relevantes serían los que pretenden:

• la predicción de la demanda
• el establecimiento dinámico de precios
• el mantenimiento predictivo de equipos y máquinas
• la identificación de patrones de fraude y detección de fraudes