Grafo de Conocimiento interrogable

La verdadera innovación ocurre cuando las ideas se conectan con otras ideas, temas, conceptos, personas, lugares y aprovechan las nuevas capacidades de las máquinas para darnos contextos y hacernos más inteligentes.

GNOSS integra y unifica información heterogénea y aislada en diversos sistemas, así como la que producen los usuarios de la plataforma. 

Búsqueda semántica

GNOSS dispone de un motor de búsqueda basado en el uso de los estándares de la web semántica (que se aprovecha la mayor expresividad y la extensibilidad de los datos aportados por estos estándares), que permite construir potentes, flexibles y evolutivos sistemas de búsqueda para las personas. Nuestro esfuerzo se centra en proporcionar la mejor experiencia posible de descubrimiento de conocimiento a nuestros usuarios, ofreciendo el mejor motor de búsqueda sobre recursos enriquecidos, organizados y contextualizados que son interrogables por máquinas en el marco de un Grafo de Conocimiento.

Con GNOSS los resultados de las búsquedas se convierten en rutas de aprendizaje y descubrimiento, lo que permite ahorrar tiempo e incrementar la productividad de la organización. GNOSS es un software cognitivo que posibilita amplificar, gracias a la ayuda de los sistemas, las capacidades humanas para explorar, descubrir, encontrar, interpretar y conectar significativamente la información.

Búsqueda semántica -- Búsqueda semántica

Interfaces de búsqueda basada en facetas

Una de las propiedades del Grafo de Conocimiento generado por GNOSS es que es interrogable, y por lo tanto, es posible configurar un metabuscador y buscadores facetados específicos que exploten los atributos de cada entidad representada en dicho grafo: personas, organizaciones, lugares, noticias, eventos, informes, recursos multimedia, usuarios, etc.

Los buscadores facetados que podemos generar con GNOSS se caracterizan por:

  • - Ofrecer filtros o facetas de búsqueda sumarizadas basadas en propiedades que caracterizan específicamente a los resultados mostrados. (P.ej.: si se trata de mostrar obras de arte, podrían ser autor, época, estilo, escuela, técnica, etc.).
  • - Refinar la búsqueda, ya que cada posible valor de los filtros o facetas es una opción de refinamiento y estos siempre ofrecen resultados posibles.
  • - Emular el modo de razonar humano y dar la responsabilidad y el control de la búsqueda a la persona.

Este conjunto de características hacen del buscador un instrumento formativo y de aprendizaje en sí mismo.

Interfaces de búsqueda basada en facetas -- Interfaces de búsqueda

Contextos e información enriquecida

Uno de los beneficios que aparecen cuando las máquinas 'entienden' el contenido y los recursos digitales es la posibilidad de vincular los datos entre sí y generar de ese modo contextos significativos para la información o información enriquecida con contextos pertinentes.

GNOSS dispone de un Sistema de Generación de Contextos Semánticos que explota un grafo semántico (un grafo expresado en ficheros RDF) capaz de generar dinámicamente contextos enriquecidos a partir de los datos contenidos en el mismo grafo o a partir de datos contenidos en grafos externos (siempre que estos estén representados de acuerdo con los estándares de la web semántica).

Contextos e información enriquecida -- Información enriquecida

NER-Based Recommendation System

Los sistemas de recomendación basados en el reconocimiento de entidades o sistemas NER (Named Entity Recognition), se basan en el registro y representación expresiva del comportamiento intencional del usuario con relación al conjunto de entidades que manejemos en un grafo de conocimiento.

Están orientados a la recomendación personal sobre la base del conocimiento del comportamiento y preferencias del usuario. Estos sistemas de recomendación son buenos para detectar emergencias, lo que no ocurre con los sistemas NotNER (no basados en el reconocimiento de entidades, sino en estadística predictiva)

Con GNOSS es posible desarrollar sistemas de recomendación NER adaptados a las necesidades de tu negocio.

NER-Based Recommendation System -- Recomendaciones

Semantic Analytics & Visual Data Browsing

La generación de un Grafo de Conocimiento hace posible desarrollar procesos de interrogación y razonamiento no administrados sobre el conjunto de sus entidades enlazadas y agregadas. Esto permite no sólo realizar análisis sobre datos agregados, sino también descubrir conocimiento oculto en las relaciones entre datos, que puede ser emergido mediante el recurso de razonar adecuadamente sobre ellos.

Cuando construyes un Grafo de Conocimiento todas las consultas posibles están implícitas en el mismo. La interrogación del grafo no solo es un modo de descubrir conocimiento mientras busco, sino también un sistema de consulta de cualquier tipo de información que suscite mi interés. Incorporando sistemas de visualización de datos mediante gráficos o 'charts' podemos construir con GNOSS un eficiente sistema no administrado de Business Intelligence y de análisis de la información en tiempo real orientado a la toma de decisiones.

Datos ➯ Grafo de conocimiento ➯ Análisis de información y toma de decisiones 

Semantic Analytics & Visual Data Browsing -- Semantic Analytics

GNOSS Semantic Search Plug-ins

Gracias al API de GNOSS y a los algoritmos de extracción de entidades y etiquetado automático, es posible integrar con poco esfuerzo las explotaciones de los grafos de conocimiento en cualquier CMS y sistema de colaboración existente.

También es posible incorporar con facilidad las funciones de búsqueda semántica y descubrimiento de GNOSS a dichas plataformas a través del API REST de GNOSS. Resulta especialmente fácil hacerlo en WordPress, Drupal y Sharepoint para las cuales hemos desarrollado plugins específicos.

GNOSS Semantic Search Plug-ins -- Plugins

GNOSS Semantic Framework for Developers

Todas estas herramientas de exploración del Grafo de Conocimiento son fácilmente configurables a través de las interfaces de administración y configuración de GNOSS. Tus analistas y desarrolladores podrán configurar con facilidad el comportamiento de los buscadores facetados (qué atributos son indexables para la búsqueda, qué filtros presentar y cuál debe ser su comportamiento, cómo debe funcionar la función autocompletar del buscador, qué datos presentar en los resultados de la búsqueda…), así como las reglas y comportamiento de sistemas de recomendación y de los sistemas analíticos.