working on embers

This commit is contained in:
cocco_git 2017-08-18 11:51:22 +02:00
parent 00a11fbf8a
commit 1ab16fd6c9
8 changed files with 65 additions and 3 deletions

View file

@ -0,0 +1,36 @@
\section{Embers}
Sviluppato dal Descovery Analitics Centre della Virginia Polytechic Institute \textbf{EMBERS} è un progetto che dal 2012 predice ogni giorno 45-50 eventi di rilevanza sociale in molti paesi del Sud America. \cite{Butler}
I finanziamenti arrivano (22 milioni) dall'agenzia di intelligence di stato americana (IARPA) \footnote{\url{https://www.iarpa.gov/
}} in quanto parte del progetto OSI (Open Source Indicators, \footnote{\url{https://www.iarpa.gov/index.php/research-programs/osi}} ), con una collaborazione attiva in termini di ricercatori e finanziamenti di molte università americane.
Lavora utilizzando dati come tweets, pagine facebook , blog posts, ricerche di Google, Wikipedia, dati metereologici, indicatori finanziari ed economici, immagini satellitari. I dati utilizzati sono OpenSource, ovvero accessibili attraverso internet da qualsivoglia operatore, questi dati, che sono di fatto BigData, sono definiti dagli autori del progetto come \textit{massivi, passivi}
Instancabile il programma lavora 24h, 7su7, offrendo pronostici sugli eventi che sconvolgeranno i paesi posti sotto osservazione.
I tipi di eventi prevedibili sono epidemie di malattie rare o di influenze, rivolte ed elezioni poilitche; ma gli autori del progetto sono, inaspettatamente, interessati alle ultime due classi di eventi.
Nell'articolo già citato, con cui Embers si presenta al mondo, i ricercatori elencano i successi ottenuti nella previsione di eventi quali la primavera brasiliana del 2013, le violente proteste degli studenti venezuelani del 2014, le elezioni presidenziali di Panama e Colombia sempre del 2014.
Embers si presenta come il fiore all'occhiello della ricerca in casa Iarpa, infatti rispetto ai presistenti progetti (ICEWS, PITF), il sistema ha un'accuratezza elevata, fino ad indicare città, giorno e volume dell'assembramento di persone.
Inoltre, l'utilizzo di motori per l'analisi e la produzione di testo naturale consente un certo livello di comprensione del fenomeno in questione, e finanché una narrazione dell'evento:
\begin{figure}
\centering
\includegraphics[width=0.7\linewidth]{images/embers-narrazione}
\caption{An example narrative for a EMBERS alert message. Here, color red indicates named entities, green refers to descriptive protest related keywords. Items in blue are historical or real time statistics and those in magenta refer to inferred reasons of protest.}
\label{fig:embers-narrazione}
\end{figure}
Il processo di svolgimento di embers comprende quattro stadi: ingestion (aquisizione dei dati), enrichment (processamento di questi), modeling (analisi secondo i modelli che costituiscono E), and selection (integrazione dei risultati e presentazione delle predizioni finali).
Un'altra particolarità di EMBERS è quella di utilizzare un approccio a più modelli. Questi sono:
- Planned Protest Model; dai social sono identificati specifici segni di chiamate a eventi di protesta (con luogo e data);
- Dynamic Query expansion; usa twitter per identificare tempo e luogo di diffusione nell'uso di alcune parole chiavi legate alle proteste;
- Volume-based model; si serve di molti dati di indicatori sociali, economici, politici.
- Cascade regression model; modellizza le attività su Twitter che siano legate con organizzazioni e mobilitazioni;
- baseline model ; usa un modello di stima a partire dallo storico degli eventi del GSR (a monthly catalog of events as reported in newspapers of record in 10 Latin American countries).
Efficienza: numero di giorni che la previsione arriva in anticipo rispetto alle news.
Accuratezza: scarto fra la data prevista e quella effettiva.
Nella presentazione del progetto non si elude di affrontare anche le implicazioni etiche di questo! Si tratta di uno strumento che certamente può degenerare se nelle mani sbagliate, come per esempio quelle di un governo autoritario non democratico. Al contrario il popolo è salvo se EMBERS è utilizzato da un governo attento e premuroso come quello statunitense! Anzi, in queste circostanze è da considerare come sensore accurato degli umori dei cittadini rispetto alle politiche governative, uno strumento capace di far sentire più forte la voce di tutti, di avvicinare palazzi del potere e mondo che li circonda.
Obbiettivi:
-affinare sempre di più la precisione della previsione;
-cercare di ridurre sempre più l'lemento umano necessario allo sviluppo dell'analisi, attualmente il suo ruolo maggiore è quello di generare il GSR (ancora una volta si esplicita quanto l'elemento umano sia il problema da eliminare per ottimizzare).

Binary file not shown.

After

Width:  |  Height:  |  Size: 215 KiB

View file

@ -1,3 +1,13 @@
\begin{thebibliography}{}
\begin{thebibliography}{1}
\bibitem{Butler}
Sathappan Muthiah, Anil Vullikanti, Achla Marathe, Kristen Summers, Graham
Katz, Andy Doyle, Jaime Arredondo, Dipak~K. Gupta, David Mares, Naren
Ramakrishnan, Patrick Butler, Rupinder~Paul Khandpur, Parang Saraf, Nathan
Self, Alla Rozovskaya, Liang Zhao, Jose Cadena, and Chang-tien Lu.
\newblock {EMBERS at 4 years: Experiences operating an Open Source Indicators
Forecasting System}.
\newblock {\em Proceedings of the 22nd ACM SIGKDD International Conference on
Knowledge Discovery and Data Mining - KDD '16}, pages 205--214, 2016.
\end{thebibliography}

BIN
main.pdf

Binary file not shown.

Binary file not shown.

View file

@ -6,7 +6,6 @@
\usepackage{url}
\begin{document}
\author{Officina di Fisica}

View file

@ -1 +1,2 @@
\contentsline {section}{\numberline {0.1}L'IoT e' la panacea dei casalinghi tecnofili}{2}
\contentsline {section}{\numberline {0.1}L'IoT e' la panacea dei casalinghi tecnofili}{4}
\contentsline {section}{\numberline {0.2}Embers}{7}

16
mybib.bib Normal file
View file

@ -0,0 +1,16 @@
@article{Butler,
abstract = {EMBERS is an anticipatory intelligence system forecasting population-level events in multiple countries of Latin America. A deployed system from 2012, EMBERS has been generating alerts 24x7 by ingesting a broad range of data sources including news, blogs, tweets, machine coded events, currency rates, and food prices. In this paper, we describe our experiences operating EMBERS continuously for nearly 4 years, with specific attention to the discoveries it has enabled, correct as well as missed forecasts, and lessons learnt from participating in a forecasting tournament including our perspectives on the limits of forecasting and ethical considerations.},
archivePrefix = {arXiv},
arxivId = {arXiv:1604.00033v1},
author = {Muthiah, Sathappan and Vullikanti, Anil and Marathe, Achla and Summers, Kristen and Katz, Graham and Doyle, Andy and Arredondo, Jaime and Gupta, Dipak K. and Mares, David and Ramakrishnan, Naren and Butler, Patrick and Khandpur, Rupinder Paul and Saraf, Parang and Self, Nathan and Rozovskaya, Alla and Zhao, Liang and Cadena, Jose and Lu, Chang-tien},
doi = {10.1145/2939672.2939709},
eprint = {arXiv:1604.00033v1},
file = {:home/cocco/Documents/Mendeley Desktop/embers.pdf:pdf},
isbn = {9781450342322},
journal = {Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining - KDD '16},
keywords = {civil unrest,event forecasting,open source indicators},
pages = {205--214},
title = {{EMBERS at 4 years: Experiences operating an Open Source Indicators Forecasting System}},
url = {http://dl.acm.org/citation.cfm?doid=2939672.2939709},
year = {2016}
}