Este documento describe el desarrollo de una ontología y herramientas para filtrar ideas en sistemas de gestión de ideas mediante el uso de tecnologías semánticas. Presenta los retos de los sistemas de gestión de ideas, como la gran cantidad de información y datos con ruido. Luego describe cómo las tecnologías semánticas como Linked Data pueden usarse para estructurar y vincular los datos de ideas. Finalmente, detalla la metodología para desarrollar la ontología Gi2MO y herramientas como IdeaStream para filtrar autom

1. Sistemas de Gestión de Ideas
Aplicación de Tecnologías Semánticas para su filtrado
Autor:
Grupo de Sistemas Inteligentes
Departamento de Ingeniería de Sistemas Telemáticos
Universidad Politécnica de Madrid

2. Contenido
 Contexto: sistemas de gestión de ideas
 Retos
 Tecnologías habilitadoras
 Soluciones, metodología y alternativas
 Lecciones aprendidas
-2-

3. 1. Sistemas de Gestión de Ideas
-3-

4. Ciclo de sobre-expectación de
tecnologías emergentes 2010 - Gartner
-4-

5. Ciclo de sobre-expectación de
tecnologías emergentes 2011 - Gartner
-5-

6. Ciclo de sobre-expectación de
tecnologías emergentes 2012 - Gartner
-6-

7. Innovación abierta
-7-

8. Tecnología de Gestión de Ideas
 Un Sistema de Gestión de Ideas es un
enfoque estructurado para la gestión de la
innovación mediante la implantación de
sistemas software que permitan gestionar:
 La generación, solicitud y captura de Ideas
 La colaboración para desarrollar ideas
 Recompensas o premios a las mejores ideas
 La revisión e implementación de ideas
 La monitorización de los resultados de las
ideas,
-8-

9. Enfoques
Sistemas de Gestión de Ideas - SGI
 Buzón de Sugerencias de ideas
 Campañas de ideas
-9-

10. SGI = Buzones de Sugerencia de
Ideas
 SGI transforman el
buzón de
sugerencias en un
programa informático
que procesa las
ideas
- 10 -

11. Problemas SGI
 Si los usuarios no
reciben
realimentación sus
ideas y se
implementan, dejan
de participar
 Evaluación opaca
- 11 -

12. Problemas SGI
 Avalancha de ideas
 Los empleados /
clientes proponen
ideas no alineadas
con los intereses
dela empresa
 Ideas duplicadas
 Ideas irrelevantes
- 12 -

13. Concurso de ideas
 Facilita que los usuarios estén motivados
(periodo bien definido y con premio)
 Facilita alienar las ideas para un tema /
problema concreto de la empresa
 Complementario del enfoque de innovación
continua
- 13 -

14. Fases de un SGI
 (Opcional) Se inicia el concurso de ideas
 Los usuarios internos / externos proponen
ideas
 (Opcional) pueden ver ideas del resto,
colaborar en ideas existentes, puntuarlas,
comentarlas, …
 Las mejores ideas se evalúan por un comité,
que selecciona unas ideas para implementarlas
 Se monitoriza su éxito
- 14 -

15. - 15 -

16. - 16 -

17. - 17 -

18. Contenido
 Contexto: sistemas de gestión de ideas
 Retos
 Tecnologías habilitadoras
 Soluciones, metodología y alternativas
 Lecciones aprendidas
- 18 -

19. 2. Retos
- 19 -

20. Problemas
 Exceso de información
 Grandes cantidades de datos recogidos en el
tiempo
 Datos con ruido
 Ideas similares, ideas obvias
 Picos de datos
 Muchas ideas en periodos muy breves
 Valorar la innovación
 Falta de métricas para valorar la innovación,
mucho esfuerzo
- 20 -

21. Objetivo: mejorar cómo podemos
filtrar las ideas automáticamente
- 21 -

22. Investigación hasta ahora
 Definir la ontología Gi2MO para formalizar y
enlazar sistemas de gestión de ideas
 Conectar las ideas con los sistemas de las
empresas siguiendo los principios de Linked
Data
 Definir métricas para automatizar la
caracterización / valoración de ideas
- 22 -

23. Resultados software...
 Software liberado como software abierto, todo
disponible en http://www.gi2mo.org
- 23 -

24. Contenido
 Contexto: sistemas de gestión de ideas
 Retos
 Tecnologías habilitadoras
 Soluciones, metodología y alternativas
 Lecciones aprendidas
- 24 -

25. 3. Tecnologías habilitadoras
- 25 -

26. Tecnologías Semánticas en la
Internet del futuro
http://www.youtube.com/watch?v=off08As3siM
- 26 -

27. Linked Data. Problemas de
Wikipedia
 Ejemplo de inteligencia colectiva
 ¿Cuántos futbolistas que han ganado el
mundial lo ganaron de juveniles?
 → No está automatizado
- 27 -

28. Tecnologías semánticas
No estructurado → para personas Estructurado → para máquinas
- 28 -

29. Y ya es consultable, y enlazado
con otros datos
All soccer players, who played as goalkeeper for a club that has a stadium
with more than 40.000 seats and who are born in a country with more than
10 million inhabitants
- 29 -

30. Linked Data
 Usar tecnologías semánticas para
 Publicar datos estructurados en la web
 Establecer enlaces entre datos de diferentes
fuentes
RDF RDF RDF RDF RDF
RDF RDF RDF RDF RDF
RDF RDF RDF RDF
link links links links
A B C D E
- 30 -

31. Principios de Linked Data
 Usar URIs para los nombres de las cosas
 Usar HTTP Uris para que la gente pueda
acceder a estos nombres
 Cuando alguien accede a una URI; obtiene
RDF
 Incluir sentencias RDF que enlazan otras
URIs para descubrir cosas relacionadas
Tim Berners-Lee 2007
http://www.w3.org/DesignIssues/LinkedData.html
- 31 -

32. El modelo de datos RDF
rdf:type
pd:cygri foaf:Person
foaf:name
Richard Cyganiak
foaf:based_near
dbpedia:Berlin
Linking Open Drug Data – Christian Bizer
- 32 -

33. Los datos e identifican con HTTP
URIs
rdf:type
pd:cygri foaf:Person
foaf:name
Richard Cyganiak
foaf:based_near
dbpedia:Berlin
pd:cygri = http://richard.cyganiak.de/foaf.rdf#cygri
dbpedia:Berlin = http://dbpedia.org/resource/Berlin
- 33 -

34. Resolviendo URIs en la Web
rdf:type
pd:cygri foaf:Person
foaf:name 3.405.259
Richard Cyganiak dp:population
foaf:based_near
dbpedia:Berlin
skos:subject
dp:Cities_in_Germany
- 34 -

35. Desreferenciando URIs en la Web
rdf:type
pd:cygri foaf:Person
foaf:name 3.405.259
Richard Cyganiak dp:population
foaf:based_near
dbpedia:Berlin
skos:subject
skos:subject
dbpedia:Hamburg dp:Cities_in_Germany
skos:subject
dbpedia:Muenchen
- 35 -

36. Ejemplo
- 36 -

37. - 37 -

38. LD Datasets : Mayo 2007
 Alrededor de 500 millones de RDF triplas
 Alrededor de 120,000 enlaces RDF entre fuentes de datos
- 38 -

39. LOD Datasets: Septiembre 2008
- 39 -

40. LOD Datasets: Marzo 2009
- 40 -

41. LOD Datasets: Julio 2009
- 41 -

42. LOD: Septiembre 2010
- 42 -

43. LOD – Septiembre 2011
http://lod-cloud.net/
- 43 -

44. Consultando LD
http://wiki.dbpedia.org/OnlineAccess#h28-5
All soccer players, who played as goalkeeper for a club that has a stadium with more
than 40.000 seats and who are born in a country with more than 10 million inhabitants
Gracias a Linked Data, la Web se puede
consultar como una Gran Base de Datos,
realizando la concepción de
la Web Semántica
- 44 -

45. SPARQL
SELECT DISTINCT ?player {
?s foaf:page ?player.
?s rdf:type <http://dbpedia.org/ontology/SoccerPlayer> .
?s dbpedia2:position ?position .
?s <http://dbpedia.org/property/clubs> ?club .
?club <http://dbpedia.org/ontology/capacity> ?cap .
?s <http://dbpedia.org/ontology/birthPlace> ?place .
?place ?population ?pop.
OPTIONAL {?s <http://dbpedia.org/ontology/number> ?tricot.}
Filter (?population in (<http://dbpedia.org/property/populationEstimate>,
<http://dbpedia.org/property/populationCensus>,
<http://dbpedia.org/property/statPop> ))
Filter (xsd:int(?pop) >10000000 ) .
Filter (xsd:int(?cap) <40000 ) .
Filter (?position = "Goalkeeper"@en || ?position =
<http://dbpedia.org/resource/Goalkeeper_%28association_football%29> || ?position =
<http://dbpedia.org/resource/Goalkeeper_%28football%29>)
} Limit 1000
- 45 -

46. Contenido
 Contexto: sistemas de gestión de ideas
 Retos
 Tecnologías habilitadoras
 Soluciones, metodología y alternativas
 Lecciones aprendidas
- 46 -

47. 4. Soluciones
- 47 -

48. Metodología
1.Analizar sistemas industriales y trabajos
académicos
2.Capturar elementos comunes y dinámica en la
forma de ciclo de vida de las ideas
3.Listar propiedades comunes para cada estado
del ciclo de vida
4.Formalizar el ciclo de vida como una ontología
5.Evaluar en sistemas reales
- 48 -

49. Proceso SGI
- 49 -

50. Metadatos de las ideas
- 50 -

51. Resultados: ontología Gi2MO
- 51 -

52. Panorámica de la ontología
- 52 -

53. Detalle ontología
- 53 -

54. Evaluación
 “Scrapping” de bancos de ideas
 “Mappings” a Gi2MO
 Cobertura del 87% de metadatos
- 54 -

55. Validación de Gi2MO
 Recuperación (scraping) de Ideas
 Dell IdeaStorm (10k ideas/ 520k triplas)
 myStarBucks (11k ideas/ 190k triplas)
 Adobe Ideas (580 ideas/ 17k triplas)
 Cisco i-Prize (830 ideas/ 133k triplas)
 Experimentos con una instalación propia
 ETSIT Ideas (basada en PGI de Atos Origin /
Drupal)
- 55 -

56. Gi2MO RDFme - Drupal
Mapping
Importar / Exportar
- 56 -

57. Gi2MO Idea Browser
- 57 -

58. Gi2MO Idea Analyst
- 58 -

59. IdeaStream
- 59 -

60. IdeaStream
- 60 -

61. Contenido
 Contexto: sistemas de gestión de ideas
 Retos
 Tecnologías habilitadoras
 Soluciones, metodología y alternativas
 Lecciones aprendidas
- 61 -

62. 5. Lecciones aprendidas
- 62 -

63. Tecnología
 Ventajas de CMS como Drupal para
desarrollo rápido frente a otras alternativas
web
 Potencia de Linked Data para combinar datos
frente a alternativas tradicionales
 Ventajas del modelo de software abierto para
difundir resultados de investigación
- 63 -

64. Metodología investigación
 Es complejo el diseño de experimentos
 Compromiso completitud vs utilidad en
metadatos
 Pueden requerir 'voluntarios'
 Amazon Mechanical Turk?
 Amigos?
 Importancia del rigor en la evaluación →
datos!
- 64 -

65. ¿Preguntas?
- 65 -