XiaoMi-AI文件搜索系统
World File Search Systemontologies
基于本体的糖尿病营养疗法的决策支持系统：系统文献评论
糖尿病是一种非传染性疾病，已达到流行病，全球影响5.37亿人。人工智能可以在糖尿病营养疗法中为患者或临床医生提供支持 - 在大多数1型和2型糖尿病的情况下，第一种药物疗法。尤其是基于本体的推荐人和决策支持系统可以提供专家知识的可计算代表，从而提供患者监管的营养建议或支持临床人员确定最合适的饮食。这项工作提出了对描述此类系统中糖尿病的领域的系统文献回顾，识别其潜在的概念化，系统针对的用户，所解决的糖尿病类型以及提供的营养建议。本综述还深入研究了领域本体论的结构，突出了几个方面可能会阻碍（或促进）其在推荐人中的采用和决策支持系统中用于糖尿病营养疗法。这一审查过程的结果允许强调如何制定推荐，以及临床专家在发展领域本体论中的作用，概述了表征该研究领域的研究趋势。结果还允许确定可以促进临床专家和临床指南的重要作用的研究方向，以使本体更加可互操作，从而使他们能够在有关糖尿病营养治疗的决策过程中发挥重要作用。
系统文献评论
糖尿病是一种非传染性疾病，已达到流行病，全球影响5.37亿人。人工智能可以在糖尿病营养疗法中为患者或临床医生提供支持 - 在大多数1型和2型糖尿病的情况下，第一种药物疗法。尤其是基于本体的推荐人和决策支持系统可以提供专家知识的可计算代表，从而提供患者监管的营养建议或支持临床人员确定最合适的饮食。这项工作提出了对描述此类系统中糖尿病的领域的系统文献回顾，识别其潜在的概念化，系统针对的用户，所解决的糖尿病类型以及提供的营养建议。本综述还深入研究了领域本体论的结构，突出了几个方面可能会阻碍（或促进）其在推荐人中的采用和决策支持系统中用于糖尿病营养疗法。这一审查过程的结果允许强调如何制定推荐，以及临床专家在发展领域本体论中的作用，概述了表征该研究领域的研究趋势。结果还允许确定可以促进临床专家和临床指南的重要作用的研究方向，以使本体更加可互操作，从而使他们能够在有关糖尿病营养治疗的决策过程中发挥重要作用。
来自微电子领域的推理挑战本体
Acatech 1 在 2020 年进行的一项研究表明，制造业在系统转型计划的设计方面仍落后于预期。工业 4.0 成熟度中心的一项调查得出了以下结论：接受调查的公司中有 80% 已经进入了工业 4.0 的六个发展阶段中的第二个阶段。该研究表明，标准化的缺乏和技术概念的实施不足。在这种情况下，一个概念就是本体。由于现实世界的本体具有高度的复杂性，推理器在实时应用中经常会失败，从而无法轻松地在本体上工作。推理性能和任务是语义技术和应用大规模突破的重要瓶颈。对于应用和当前开发的本体，例如物联网，推理很少或不存在。在这些情况下，域描述包含公理，主要是作为域的概念化，然后该概念化通过打开数据孤岛并充当通用语义 API 来实现互操作性。从这个意义上说，本体论在不需要使用推理能力的情况下也是有用的。例如，应用程序只是定义语义以在三元组存储中使用它们。然而，它们并没有实现其潜力和完整的目的。
绿色人工智能本体：用于建模人工智能模型能耗的本体
诸如 GPT 之类的预训练语言模型因其通用人工智能能力而受到称赞，如今被广泛用于问答、信息提取和文本摘要等任务。但是，对于拥有 1750 亿个参数的 GPT-3，训练需要 10,000 个 GPU，耗费 552 公吨二氧化碳。1 因此，出现了一个问题，即 AI 模型有多“绿色”。无论道德评估如何，我们认为对 AI 系统的能源消耗和可持续性特征（例如运营成本）进行建模是有用的，从而扩展了 FAIR 数据原则 [ 1 ]，该原则侧重于研究数据和其他工件的可用性和重用。现有的本体和知识图谱侧重于研究格局的建模、出版物、作者和场所的建模（例如 FaBiO、ORKG、MAKG）[ 2 ]。此外，还提出了用于建模软件和神经网络的本体。例如，信息学研究工件本体 (OIRA) [ 3 ] 提供了一种对软件和数据集进行建模的方法。在 FAIRnets [ 4 ] 中，作者提出了一种用于建模神经网络的模式。然而，令人惊讶的是，这些本体都无法对 AI 模型的能耗进行建模（例如，预训练语言模型的运行时间或二氧化碳足迹，可以通过工具进行测量 [ 5 ]）。
'Synergy'，“ Energy”和“符号”在Pavel Florensky和...
摘要本文是对帕维尔·弗洛伦斯基（Pavel Florensky）在1910年代对palamism的偏见的背景下的研究，当时佛罗伦萨开始使用帕拉米特语言来谈论符号。它提出了弗洛伦斯基（Florensky）和帕拉马斯（Palamas）在符号上的教义之间的根本差异：帕拉马斯（Palamas）将自然的象征视为本质的能量，而对于弗洛伦斯基（Florenskysymbol）来说，这是本质本身，其能量与其他本质的能量协同。在这种情况下，研究了弗洛伦斯基协同概念的史前史，从而确定了弗洛伦斯基和帕拉马斯本体论的进一步差异：虽然佛罗伦萨的“本质 - 能源”具有必要的与“其他”倾向的趋势，但在Palamass的其他范围内，与“其他”的趋势相关。作者将两个思想家之间的本体论差异与各自的符号教义联系起来。
人工智能用于理解圣训
建立圣训语料库之后，提取圣训来研究表示其含义的不同方法。主要测试了两种方法：基于知识的方法和基于深度学习的方法。为了应用前者，列举了现有的伊斯兰本体，其中大多数是用于《古兰经》的。由于《古兰经》和《圣训》属于同一领域，因此使用基于语料库的评估来检查这些本体对《圣训》的覆盖程度。结果表明，最全面的《古兰经》本体仅涵盖了 26.8% 的圣训概念，并且扩展它的成本很高。因此，通过构建和评估各种深度学习模型来研究第二种方法，该模型用于二元分类任务，该任务用于检测《圣训》和《古兰经》之间的关联性。结果表明，当前模型达到人类水平理解此类文本的可能性仍然有些难以捉摸。
用于 IoT 可操作洞察和实时数据驱动网络的混合 AI
行业对网络带宽的需求逐年显著增加。流数据的指数级增长与机器学习和深度学习的使用量增长相匹配，机器学习和深度学习用于从这些数据中获取可操作的（理想情况下是实时的）见解。然而，基于人工神经网络 (ANN) 的方法在功能性、灵活性、准确性、可解释性和稳健性方面往往不足。对新模型开发和持续更新和再培训的需求超出了数据科学家和该领域其他人员的模型生成能力。实时数据驱动见解的供需差距持续扩大。在本文中，我们介绍了一种混合 AI 解决方案，该解决方案在 ML/DL 组合中添加了几个元素，具体来说是一种新的自监督学习机制、一种旨在支持机器生成的本体以及传统的人类生成的本体的知识模型，以及与 OpenNARS、AERA、ONA 和 OpenCog 等符号 AI 系统的接口等元素。我们的混合 AI 系统能够从数百万个时间序列中对机器生成的本体进行自监督学习，从而为包括数据中心和企业网络在内的大规模部署提供实时数据驱动的洞察。我们还将相同的混合 AI 应用于视频分析用例。我们迄今为止尝试的所有用例的初步结果都很有希望，尽管还需要做更多的工作来充分描述我们方法的优点和局限性。
有感知网络的出现和革命性的......
• JSON-LD 1.1 目前是 W3C 建议的推荐标准 • 数据目录词汇表 (DCAT) 第 2 版，W3C 推荐标准 (2020 年 2 月) • Web of Things W3C 数字孪生抽象层推荐标准 (2020 年 4 月) • 在本体和 schema.org 词汇表的广泛部署方面开展了大量工作