En el último año, el contexto se ha convertido en una palabra de moda y ya he escuchado a muchas personas hablar sobre el contexto como si fuera algo radicalmente nuevo. No lo es No creo que sea una evolución tan grande, ya que será un paso evolutivo en la computación (móvil). Sugiero encarecidamente leer el libro de Shel Israel y Robert Scoble, llamado “La era del contexto”. Es una lectura fácil y capta esta joven industria bastante bien.
Básicamente , uno obtiene el contexto al apilar capas de datos uno encima del otro y, por lo tanto, obtener nuevos conocimientos significativos.
Una regla de oro es que cuantas más capas agregue, más enriquecidas serán sus ideas. Ahora. Si bien esto puede parecer bastante trivial, en realidad todavía hay mucha innovación por hacer en este campo.
Estoy hablando de mis propias experiencias de trabajo en la industria del contexto en Argus Labs – Convirtiendo los datos en bruto en conocimiento accionable:
- ¿Es AOL’s Alto el futuro del correo electrónico?
- ¿Es JavaScript el futuro de la web?
- ¿Las impresoras 3D serán tan desechables como las impresoras de inyección de tinta? Es decir, ¿será más barato reemplazar la impresora en lugar de reemplazar el material de la impresora?
- Futuro de la tecnología: ¿Cuáles son las aplicaciones más interesantes para la computación ubicua y la Internet generalizada?
- ¿Saldrá Google del negocio en nuestra vida?
- Los datos de sensores son un elemento crítico en la industria del contexto, pero es un conjunto de datos completamente diferente con el que estamos acostumbrados a trabajar. Una pequeña tasa de muestra de datos del sensor podría no tener sentido, mientras que una muestra a gran escala no lo es. Esto significa que, antes de poder aplicar los datos del sensor como una capa, necesita un procesamiento (lateral). Los sensores no se van, por el contrario, los vemos incorporados en ropa, zapatos, etc. Son un componente fundamental para el Internet de las cosas.
- En tiempo real, ahora más que nunca la creación de contextos se utiliza para entregar resultados personalizados, esto significa (casi) procesamiento y entrega de resultados en tiempo real. Los enfoques y sistemas de BI tradicionales fallan y se requieren nuevos mecanismos para construirse.
- La semántica y las ontologías son un ingrediente importante debido al hecho de que las muchas capas de datos pueden tener diferentes significados y ponderaciones. Es importante distribuirlos adecuadamente y comprender su impacto en el modelo de datos general que está construyendo.
- El aprendizaje / razonamiento automático es más importante que nunca. Si bien los sistemas expertos podrían ayudarlo a superar partes de sus problemas de arranque en frío, en general, se enfrentará a mapas autoorganizados, agrupaciones, cadenas ocultas de Markov y muchos más enfoques que permitirán a las máquinas dejar que surjan nuevos patrones de forma independiente, y a su vez ser utilizado como un disparador para otros patrones (en modo de aprendizaje reforzado).
- El enfoque multidisciplinario de las ciencias sociales / psicología / aprendizaje automático y computación es crucial para comprender los patrones y crear plantillas a partir de ellos. Por ejemplo, a partir de los datos que recopilamos, pudimos discriminar entre las personas que tenían una gran probabilidad de desarrollar una depresión, esto no es algo que un desarrollador pueda identificar.
Hemos visto que los primeros en adoptar soluciones y aplicaciones ricas en el contexto son usuarios auto y sociales cuantificados. Y si bien pueden ser los primeros en subirse al carro y disfrutar de experiencias súper personalizadas, ya estamos viendo una gran aceptación e interés en la industria de la salud, la industria musical y la industria social.
Por lo tanto, el contexto es un tema candente y es el primer paso para crear agentes inteligentes y crecer hacia un futuro en el que las máquinas se comportarán de manera más personalizada con sus usuarios.