В машинном обучении Ontology все чаще используется для предоставления моделей ML на основе анализа сходства и знаний о сценариях.
В традиционных определениях на основе меток объекты часто изолированы, с плохой масштабируемостью и возможностью дублирования, а связь между объектами не может быть отражена. В определениях, основанных на онтологии, объекты больше не существуют изолированно, и такие функции, как поиск сценариев, слияние онтологий и рекомендации онтологий, также могут выполняться посредством маркировки отношений.
Онтология была впервые представлена Xtreme1, первой в мире мультисенсорной обучающей платформой данных с открытым исходным кодом, чтобы абстрагировать определение проблем ИИ от различных требований к модели. Его можно повторно использовать и расширять для создания базы знаний об алгоритмах ИИ, что ускоряет разработку моделей.
Что такое онтология?
Онтология — это структурированный способ описания всего в мире, включающий три элемента:
Класс — представляет тип, метку или абстрактный класс, представляющий экземпляр;
Отношение — представление отношения между описаниями, которые могут быть ориентированными или неориентированными графами. Например, в сценарии автономного вождения автомобили могут иметь отношения «параллельное движение», «обгон» и т. д.;
Свойства — представление атрибутов узла или отношения. Например, атрибуты «автомобиля» могут включать «цвет», «окно открыто/закрыто» и т. д., а атрибуты «пешехода» могут включать его «пол» или «маска включена/выключена».
Автономное вождение — одна из самых многообещающих и сложных тем для исследований компаний, занимающихся искусственным интеллектом, и автомобильной промышленности. В настоящее время основные автономные транспортные средства оснащены некоторыми высокочувствительными датчиками, такими как камеры, устройства LiDAR и Radar. Хотя эти датчики могут уже быть в состоянии точно идентифицировать определенные объекты, такие как автомобиль или дорожный знак, запрещающий поворот, транспортное средство не может понять значение условий вождения без всестороннего понимания сценария данных. Следовательно, для преодоления разрыва между восприятием среды вождения и обработкой знаний необходим удобный для машин метод представления знаний.
Какова роль Ontology в хранении данных?
После определения классов и свойств в Ontology Center пользователи могут легко искать такие сценарии, как «Chage Lane». Центр онтологий также может выводить новые аннотации на основе правил между классами, свойствами и отношениями. По мере увеличения объема данных Ontology Центр онтологий также может рекомендовать более эффективные модели Ontology в различных областях.
2.1 Поиск сценария
Поиск по сценарию решает проблему определения и поиска данных, возникающих в конкретном сценарии.
Традиционно, когда мы курируем данные, определяя данные через иерархию меток, возникает проблема, заключающаяся в том, что метки данных являются слишком общими и не могут точно определить конкретные проблемы в сценарии данных. В то же время в традиционных определениях на основе меток объекты слишком изолированы и не могут избежать дублирования или показать связи с другими объектами.
Функция Поиск по сценарию определяет объекты с помощью классов и свойств, определяя сценарии с помощью отношений и свойств между объектами. Легко определить и найти такие сценарии, как смена полосы движения, парковка, поворот и вторжение на взлетно-посадочную полосу.
2.2 Обоснование онтологии
В аннотации и контроле качества новые результаты маркировки или проблемные аннотации могут быть выведены на основе правил между свойствами, классами и отношениями. Например, в сценарии автономного вождения красный, зеленый и желтый свет принадлежат одному и тому же светофору. Если состояние красного индикатора «Включено», можно сделать вывод, что зеленый и желтый индикаторы определенно не горят. Если и красный, и зеленый индикаторы помечены как «Вкл», результат маркировки может быть проблематичным.
2.3 Онтологическое устранение неоднозначности
При аннотировании часто встречаются разные определения в одном и том же пакете данных. Слияние онтологий может помочь пользователям разрешить эти несоответствия.
2.4 Рекомендации по онтологии
В версии SaaS Xtreme1 с открытым исходным кодом, когда данные накапливаются до уровня PB, могут быть предоставлены более производительные модели Ontology для общих потребностей в моделях в различных областях, чтобы упростить индивидуальные решения.
Особенности Xtreme1 v0.5.5:
· Новый Центр онтологий предназначен для управления наборами данных онтологий и данных, а также для уточнения отраслевых шаблонов и решений на основе сценариев обучения моделей;
· Классы и классификации CRUD-онтологий в Центре онтологий;
· Объединение онтологий между классами в наборах данных и в Центре онтологий;
· Экспорт и импорт онтологий в Центр онтологий и наборов данных;
· Копирование классов и/или классификаций из Центра онтологии;
· Push/pull классов в наборах данных и онтологиях;
· Сценарий поиска по наборам данных для одного и того же типа данных;
· Экспорт результатов поиска в виде файла JSON или нового набора данных.
Запланированные функции в будущих версиях Xtreme1 включают:
· Аннотирование отношений и поиск по классам и сценариям;
· Поиск свойств (в сценарии поиска) по классам, отношениям и/или свойствам.
Веб-сайт | Экстреме1.ио
Документы | docs.xtreme1.io
Репозиторий GitHub | github.com/xtreme1.io/xtreme1
Slack | xtreme1io.slack.com
Ссылка:
Основные онтологии для безопасного автономного вождения: https://ceur-ws.org/Vol-1486/paper_9.pdf
* Не поддерживается в текущей версии v0.5.5. Пожалуйста, продолжайте следить за обновлениями.
