QLECTOR посетил конференцию ESWC 2019! Это был отличный шанс ознакомиться с лучшими практиками, связанными с Semantic Web.
Среди презентаций мы узнали из первых рук о текущих разработках компаний, которые используют графы знаний для оптимизации своих производственных процессов. В следующем посте мы расскажем о двух выступлениях, демонстрирующих, как семантические технологии используются в контексте Индустрии 4.0.
Компания FESTO предоставила подробную информацию о том, как они разработали конвейер ETL для графа знаний, собирая соответствующие источники данных, отслеживая изменения, чтобы убедиться, что граф знаний не устаревает, и определяя преобразования ETL в декларативной манере¹. Конвейер превратился в архитектуру микрослужб, в которой каждая служба имеет дело с определенной фазой. Они отслеживают изменения компонентов продукта с течением времени, что также обеспечивает поддержку для управления различными версиями. После загрузки компонентов им присваивается IRI (интернационализированный идентификатор ресурса), а атрибуты и отношения ссылаются на них на основе спецификации сопоставления R2RML, выполняемой механизмом R2RML. Они полагаются на W3C R2RML, чтобы гарантировать, что вся соответствующая информация содержится в сопоставлениях R2RML, и получить гибкость при выборе инструментов и механизмов в зависимости от требований. В тех случаях, когда R2RML был недостаточно выразительным, SWRL использовался на более позднем этапе. Как только схема онтологии сформирована, ее можно обогатить с помощью рассуждений OWL, чтобы раскрыть неявную информацию, а также понять отношения совместимости между компонентами.
Еще один пример использования представила компания Сименс. Они познакомили нас со сложностями рекомендательной системы, разработанной для упрощения процессов настройки продукта с помощью интеллектуальных мастеров выбора². Такая рекомендательная система должна понимать, подходят ли предлагаемые части для цели продукта, функции, которые они обеспечивают, и насколько хорошо они взаимодействуют с другими частями, чтобы гарантировать правильное функционирование всей системы. Их рекомендательная система достигает этого путем объединения: (а) графа знаний, который может структурировать контекстную информацию об элементах, и (б) автокодировщика, который кодирует скрытые функции, возникающие в результате объединения отдельных элементов в решении. При обучении на наборе данных из 50 000 инженерных решений из области автоматизации с пулом из 6 000 настраиваемых элементов и 500 000 технических свойств элементов он значительно превосходит существующие подходы. Рекомендательная система NECTR (нейронные кодировщики в сочетании с тензорной декомпозицией для рекомендаций) может быть обучена от начала до конца и выполняться для получения рекомендаций в режиме реального времени.
Мы рады новым возможностям, появляющимся на пересечении семантических технологий и Индустрии 4.0, и благодарны тем, кто делится знаниями и передовым опытом. Если вы работаете на стыке семантических технологий, искусственного интеллекта и Индустрии 4.0 — пингуйте нас! Мы всегда рады услышать и поучиться у опытных практиков и исследователей!
[1]Liebig, Thorsten, et al. Построение диаграммы знаний для продуктов и решений в отрасли автоматизации. (2019). Доступно здесь."
[2] Хильдебрандт, Марсель и др. Система рекомендаций для сложных приложений реального мира с нелинейными зависимостями и контекстом графа знаний. Европейская семантическая веб-конференция. Springer, Cham, 2019. Доступно здесь.
