Um modelo de aprendizado de máquina pode estimar que duas coisas estão relacionadas. Um gráfico de conhecimento pode indicar a relação, identificar ambas as coisas, conectá-las a outras fontes, definir o vocabulário utilizado e preservar a origem da afirmação. As duas abordagens respondem a diferentes partes do problema de inteligência – e a sua combinação é uma das ideias mais poderosas da IA moderna.
01 A Web deu um endereço a cada documento. As tecnologias semânticas dão uma estrutura a cada afirmação.
A Web original criou uma arquitetura universal para publicação e vinculação de documentos. As tecnologias da Web Semântica ampliam essa arquitetura para que os dados também possam ser identificados, vinculados e interpretados de forma consistente pelo software. O movimento principal é simples e profundo: os relacionamentos tornam-se objetos de primeira classe com significado explícito.
Em vez de armazenar um nome em uma tabela, uma função em outra e um programa em um terceiro sistema, um gráfico de conhecimento expressa instruções conectadas. Cada sujeito, relacionamento e objeto pode ter um identificador Web estável. Outras organizações podem referir-se às mesmas entidades sem copiar uma base de dados inteira ou concordar com uma plataforma central.
Estas são declarações legíveis por humanos e bordas gráficas processáveis por máquina ao mesmo tempo. Seu valor aumenta à medida que se conectam a vocabulários, conjuntos de dados e serviços além do sistema onde foram escritos pela primeira vez.
02 Os gráficos de conhecimento e seus esquemas são modelos compartilhados de um domínio
Os gráficos de conhecimento organizam entidades e os relacionamentos entre elas. Sua força reside na combinação de estrutura gráfica, identificadores reutilizáveis globalmente e vocabulários formais. Um gráfico pode unir informações de repositórios de pesquisa, sistemas empresariais, coleções culturais, instrumentos científicos e conjuntos de dados públicos, preservando ao mesmo tempo as distinções que cada fonte necessita.
Identificar
Use IRIs estáveis para que uma pessoa, organização, conjunto de dados ou conceito possa ser referenciado de forma inequívoca em todos os sistemas.
Relacionar
Links digitados expressos: de autoria, ensina, derivado de, localizado em, governado por, compatível com ou parte de.
Interpretar
Conecte o gráfico a vocabulários e ontologias que definem classes, propriedades, restrições e consequências lógicas.
Essa arquitetura oferece suporte à interoperabilidade sem forçar cada participante a usar um produto de software ou um esquema de banco de dados. É particularmente valioso quando os dados devem ultrapassar fronteiras institucionais, disciplinares ou nacionais e permanecer utilizáveis ao longo do tempo.
03 Padrões abertos transformam um gráfico em um ecossistema
O curso de Fabien é construído em torno dos padrões W3C porque a interoperabilidade é uma propriedade de todo o ecossistema. Cada camada tem uma função precisa.
Representa informações como triplos sujeito-predicado-objeto e combina esses triplos em gráficos.
Leia a especificação W3CDescreve expectativas estruturais e valida gráficos RDF em relação a formas e restrições explícitas.
Leia a especificação W3CConsulta padrões gráficos com precisão em conjuntos de dados RDF, incluindo caminhos, filtros e agregações opcionais.
Leia a especificação W3CDefina vocabulários e ontologias, organize classes e propriedades e apoie inferências formais.
Explorar CORUJA 2Publica e vincula taxonomias, tesauros e esquemas de classificação como sistemas de organização do conhecimento legíveis por máquina.
Explorar SKOSDescrever a proveniência, os catálogos, os conjuntos de dados e as ligações entre as coleções de dados distribuídas.
Explorar a proveniência“Aquele que controla os metadados controla a Web e, através da Web, muitas coisas do nosso mundo.”Pr Fabien Gandon - de sua página oficial
04 O raciocínio torna o conhecimento implícito explícito
A semântica formal permite que o software derive uma declaração de outras declarações seguindo um caminho de raciocínio explícito. O resultado é diferente de uma suposição estatística: a conclusão decorre de relações e regras declaradas.
Um pequeno laboratório semântico
Siga as mesmas informações por meio de descrição, validação e inferência. O exemplo é deliberadamente compacto; os princípios são dimensionados para gráficos de conhecimento grandes e distribuídos.
SPARQL trabalha diretamente com a estrutura do gráfico. Uma consulta descreve o padrão procurado em vez das tabelas a serem unidas.
PREFIX dsti: <https://dsti.school/id/>
SELECT ?programme
WHERE {
?course dsti:taughtBy dsti:FabienGandon ;
dsti:partOf ?programme ;
dsti:covers dsti:KnowledgeGraphs .
}Resultado
| programa |
|---|
| MSc in Data Science & AI |
| MSc in Data Engineering for AI |
| MSc in Data Analytics with AI |
| Executive MSc em Inteligência Artificial para Transformação Digital |
05 Pr Fabien Gandon: uma vida de pesquisa construída em torno da inteligência da Web
Fabien Gandon é Diretor de Pesquisa da Inria, cientista da computação e engenheiro matemático. Seu PhD de 2002 foi pioneiro no uso conjunto de inteligência artificial distribuída e tecnologias de Web Semântica para gerenciar diversas fontes de dados e usuários em uma arquitetura Web. Na Carnegie Mellon University, ele trabalhou em métodos de IA para impor preferências de privacidade ao consultar e raciocinar sobre dados pessoais.
Ele fundou a equipe de pesquisa Wimmics em Sophia Antipolis e a liderou de 2012 a 2024, construindo um programa de pesquisa que une semântica formal, semântica social e interação homem-máquina. Ele representa a Inria no W3C desde 2012, ocupa a cátedra 3IA Côte d'Azur e presidiu grandes conferências internacionais nas comunidades da Web e da Web Semântica.
Seu trabalho mudou repetidamente entre teoria, padrões e implantação: DBpedia.fr e Linked Data cultural; DataLift para publicação e interligação de conjuntos de dados; CovidOnTheWeb para literatura biomédica; D2KAB para agronomia e biodiversidade; WASABI para conhecimento musical; e HyperAgents para comunidades de pessoas e agentes artificiais operando através de arquitetura Web.
Inteligência artificial, gráficos de conhecimento, representação de conhecimento, Linked Data, ontologias e inteligência distribuída.
Representante da Inria no W3C, ex-líder da Wimmics, presidente da conferência e contribuidor para a evolução da Web.
Co-Presidente do Conselho Consultivo Científico do DSTI com a Dra. Christine Malot, e professor da DSTI desde 2015.
Fabien também é coautor da terceira edição do Web Semântica para o Ontologista Trabalhador, uma referência que carrega a mesma filosofia de seu ensino: ideias formais tornam-se valiosas quando podem ser modeladas, questionadas e utilizadas por sistemas de trabalho.
06 No DSTI: os próprios alunos constroem as camadas semânticas
Tecnologias da Web Semântica é ministrado em todos os programas DSTI Data MSc e no Executive MSc em Inteligência Artificial para Transformação Digital. O curso passa da arquitetura da Web à publicação prática de gráficos, validação, consulta, design de ontologias e inferência.
Arquitetura da Web e Linked Data
Compreenda os princípios e padrões que permitem que recursos e conjuntos de dados sejam publicados, identificados e conectados globalmente.
RDF e Turtle
Modele entidades e relacionamentos como gráficos, use os recursos avançados do RDF e expresse os resultados em sintaxes práticas.
Validação SHACL
Defina esquemas estruturais e verifique se os dados gráficos atendem às expectativas explícitas de qualidade e integridade.
Consulta SPARQL
Selecione, agregue e transforme dados gráficos por meio de uma linguagem de consulta padrão aberta projetada para padrões gráficos.
Ontologias e inferência
Use RDFS, OWL e SKOS para projetar vocabulários, formalizar o conhecimento do domínio e derivar declarações adicionais.
Proveniência e pontes
Conecte dados gráficos a outros formatos e modelos, ao mesmo tempo que descreve conjuntos de dados, catálogos e seu histórico com vocabulários abertos.
O ritmo de aprendizagem combina trabalho preparatório, autoavaliação, cursos intensivos e sessões de laboratório, um trabalho substancial e um exame. Os alunos terminam com mais do que terminologia: publicaram, validaram, consultaram e raciocinaram sobre gráficos de conhecimento.
07 Posição do DSTI: a inteligência cresce quando a aprendizagem e o conhecimento trabalham juntos
O aprendizado de máquina é excepcionalmente eficaz na extração de regularidades de exemplos. As tecnologias semânticas são excepcionalmente eficazes na representação de identidades, relacionamentos, regras de domínio, proveniência e definições compartilhadas. O julgamento da engenharia começa com a compreensão de qual capacidade o problema exige.
Aprenda com as evidências
Use modelos estatísticos e de aprendizado de máquina para padrões incertos, complexos demais para serem declarados diretamente ou que se espera que evoluam com novas observações.
Representar o que é conhecido
Utilize gráficos, vocabulários, restrições e lógica para obter conhecimento que deve permanecer explícito, interoperável, inspecionável e reutilizável.
Esta posição híbrida é importante para a integração de dados empresariais, o conhecimento científico, a conformidade regulamentar, o patrimônio cultural, os gêmeos digitais, os agentes inteligentes e qualquer sistema que se espera que permaneça compreensível para além de uma versão de modelo ou de uma plataforma de fornecedor.
08 Siga a pesquisa, os padrões e a trilha de ensino
As próprias páginas de Fabien formam um mapa conectado de uma carreira: trabalhos de pesquisa, trabalhos de padronização, projetos, palestras convidadas, divulgação e ensino. Os seguintes pontos de partida tornam esse mapa fácil de explorar.