The rate of world population aging is increasing. This situation directly affects all countries socially and economically and, increasing their compromise and effort to improve the living conditions of this sector of society. In environments with large influxes of elderly people, such as nursing homes, the use of technology has shown promise in improving their quality of life. The use of smart devices allows people to automate everyday tasks and learn from them to predict future actions. Additionally, smartphones capture a wealth of information that allows to adapt to nearby actuators according to people’s preferences and even detect anomalies in their behaviour. Current works are proposing new frameworks to detect these behaviours and act accordingly. However, these works are not focused on managing multi-device environments where sensors and smartphones data are considered to automate environments with elderly people or to learn from them. Also, the most of these works require a permanent Internet connection, so the full benefit of smart devices is not completely achieved. In this work, we present an architecture that takes the data from sensors and smartphones in order to adapt the behaviour of the actuators of the environment. In addition, it uses this data to learn from the environment to predict actions or to extrapolate the actions that should be executed according to similar behaviours. The architecture is implemented through a use-case based on a nursing home located in a rural area. Thanks to this work, the quality of life of the elderly is improved in a simple, affordable and transparent way for them.
Autores: Daniel Flores-Martin / Javier Rojo / Enrique Moguel / Javier Berrocal / Juan Manuel Murillo Rodríguez /
Palabras Clave: Elderly people - Internet of Things - Machine Learning - Nursing Homes
Las aplicaciones de mensajería se están convirtiendo cada vez más en el método preferido para conectar con las empresas para determinados tipos de operaciones. Los chatbots, que se ofrecen a través de plataformas de mensajería, permiten un nivel de servicio y de comodidad que en muchos casos supera lo que los humanos pueden ofrecer. Pero los chatbots que conocemos no ofrecen conversaciones naturales y fluidas. Problema que desespera y desinforma a los usuarios, creando un rechazo a esta prometedora tecnología. Es por ello, que se propone una arquitectura para la creación de chatbots conversacionales dependientes del contexto haciendo uso de Minería de Procesos.
Autores: Javier Romero-Álvarez / Jaime Alvarado-Valiente / Javier Rojo / Enrique Moguel / Juan Hernández /
Palabras Clave: Chatbots - Contexto - minería de procesos
La ingente cantidad de información recogida por los dispositivos móviles proporciona una visión de los distintos procesos que un usuario sigue en su día a a día. Estos procesos pueden ser analizados, con el fin de saber más acerca del usuario como individuo y como parte de distintos grupos sociales. Sin embargo, analizar eventos que están sujetos al comportamiento humano, donde el indeterminismo y la variabilidad prevalecen, no es sencillo. No existen, por lo tanto, técnicas sencillas que permitan discernir que usuarios pertenecen a un determinado grupo y cuales no, impidiendo crear Social Workflows solo con la información de aquellos usuarios que tienen algo en común. En esta demo presentamos Social Events Analyzer (SEA), un toolkit que permite analizar Social Workflows mediante Federated Process Mining. SEA proporciona modelos más fieles al comportamiento de los usuarios que conforman un Social Workflow y abre la puerta al uso de la minería de procesos como base para la creación de nuevos procedimientos automáticos adaptados al comportamiento de los usuarios.
Autores: Javier Rojo / Jose García-Alonso / Javier Berrocal / Juan Hernandez / Juan Manuel Murillo Rodríguez / Carlos Canal /
Palabras Clave: Federated Process Mining - Pattern discovery - Process Mining - Social Workflows
