XiaoMi-AI文件搜索系统
World File Search Systemontologies
病原体 - 宿主相互作用数据库（PHI-base）
Phi-Base 5网站上的软件开发工作由Molecular Connections Pvt Ltd（印度班加罗尔）提供。Phi-canto策划工具是与剑桥大学的Pombase团队合作开发的，金·卢瑟福（Kim Rutherford）提供软件开发和Val Wood提供了有关新策展过程的咨询和培训。由Incatools开发的本体论开发试剂盒的协助，由Upheno Project与Nico Matentzoglu协商（Sentancicly Ltd，曾经是EMBL-EBI）协商，由Upheno Project开发的统一表型本体学的开发。基因本体论的编辑者，尤其是Pascale Gaudet（瑞士 - 普罗特，瑞士生物信息学研究所），开发了新的本体论术语，以协助Phi-Base中病原体 - 霍斯特过程的策划。自2011年以来，Phi-base数据已在每个Ensembl释放中托管。Phi-Canto和Phipo的开发是由英国生物技术与生物科学研究委员会（BBSRC）（BB/S020020/1）资助的。PHI-BASE的持续发展目前由Rothamsted Research的两个学院战略计划提供资金：增长健康（BB/X010953/1; BBS/E/E/RH/230003A）并提供可持续的小麦（BBS/E/E/RH/230001B）。
安全智能车辆导航的操作设计域监视概述
摘要 - 智能车辆（IV）的运营安全是一个核心主题，也是许多研究项目的复杂问题。虽然在验证驾驶自动化系统的最可靠方法上尚未达成共识，但存在基于操作设计域（ODD）的规范的几种方法，例如基于方案的测试和实时操作域（OD）限制。在我们的案例中，我们将重点放在奇怪的概念作为IV的安全保证的作用上，以及如何与对其操作领域（OD）的实时监控相结合可以作为复杂移动系统的保障。我们建议分析在OD/ODD监测操作安全领域提出的相关文献，标准，作品和建议，并将它们组装为三类：首先涉及使用分类法和本体来代表车辆驾驶环境要素的使用；第二个涉及通过专用语言对奇数的形式定义。第三个问题是允许监视车辆OD以提高操作安全性的技术。通过从确定的方法中退后一步，我们突出显示如何以连贯的方式组合它们，以朝着符合奇数定义和OD/奇数监视的框架前进。
可认证的人工智能
摘要：隐式随机模型，包括“深度神经网络”（dNN）和最近的无监督基础模型，是无法解释的。也就是说，无法确定它们的工作原理，因为它们方程中包含的数百万或数十亿个项之间的相互作用无法以因果模型的形式捕获。由于随机人工智能系统的用户希望了解它们的运行方式，以便能够安全可靠地使用它们，因此出现了一个名为“可解释人工智能”（XAI）的新领域。然而，当我们研究 XAI 文献时，很明显它的倡导者已经将“解释”一词重新定义为其他含义，即“解释”。解释有时确实是可能的，但我们表明，它们充其量只能提供对模型如何工作的主观理解。我们提出了一种可替代 XAI 的方法，即认证 AI (CAI)，并描述了如何指定、实现和测试 AI 以获得认证。最终方法将本体论和形式逻辑与统计学习相结合，以获得可安全用于技术应用的可靠 AI 系统。
文本到owl：使用生成ai
摘要。本文提出了一种建立本体论的方法，以改善结核病的治疗建议（TB），特别是使用GPT-3等生成语言模型，尤其是在Burkina Faso中抗多药的结核病（MDR-TB）病例。目的是根据患者的概况和耐药性来促进治疗的个性化。探索了两种方法：一种基于Davinci GPT-3模型的自动化方法，该方法使用文本提取和自然语言处理（NLP）技术从自然语言句子中产生猫头鹰公理，并采用半自动化方法。自动化方法通过数据集进行了微调，该数据集由有关结核管理的技术指南组成。自动化方法创建了一个本体，由158个类，55个对象属性和57个数据支持组成，从效率和准确性方面优于半自动化方法。使用Protégé验证了所产生的公理，并将其集成到形式的知识库中。这项研究表明，诸如GPT-3之类的语言模型的使用可以有效地自动化本体论的生成，减少人类干预。这种方法特别适合管理复杂的MDR-TB病例的管理，并为治疗建议的标准化铺平了道路，同时还可以适应本地特异性。
数字化转型建议.pdf
政府致力于建设数字基础设施，以支持和巩固数字化，并涵盖数字标准和数字基础设施技术。测量科学需要成为这些标准和基础设施的核心，以确保我们对系统有信心。英国需要动态数据质量框架和指标，以支持未来的数字可追溯性链，包括数字（机器可读）校准认证和不确定性量化。这应该与创建国际认可和标准化的基础设施同时开发，用于数据来源、数字校准证书和机器可读方法的认可本体。2018 年至 2019 年，国家物理实验室 (NPL) 进行了磋商，讨论支持社会数字化转型的基础设施要求。2018 年，NPL 与其国际同行——其他国家计量研究所共同举办了一次会议，探讨测量科学在支持研究可重复性方面的作用。本次会议的成果通过另一场研讨会得以巩固，该研讨会的重点是提高人们对智能有效使用数据的信心，以及 2019 年更广泛的利益相关方参与活动。第一次会议的成果提出了两项建议：1
迈向日常任务中灵活机器人操纵的知识工程方法
摘要在过去的十年中，家用机器人技术取得了巨大进步，使机器人能够自主完成家庭任务。这些机器人通常用于特定任务和/或对象。我们假设可以通过基于知识的方法来克服实现新的临时任务请求方面缺乏灵活性，从而允许机器人推断如何解决新任务或在新对象上执行已知任务。朝向这个目标，我们提出了一种基于知识的方法，该方法利用网络上已经存在的知识来构建一个本体学支持机器人在推理参数的推理中，这些参数会影响操纵动作，以执行一系列对象的任务变化1。本体论包括对象和动作信息，涵盖了处置和负担以及特定于任务的属性。作为概念验证，我们通过从相关本体论中导入和链接知识来手动构建食物切割本体，此外还可以从非结构化的网络来源提取和语义增强知识。我们演示了机器人如何查询本体，并将包含的信息转化为动作参数。我们通过模拟访问本体的机器人来评估创建的本体论的可行性，以执行切割任务变化的操作参数化。
我们的姐妹植物？系统发育学和植物学关于植物亲属盲目的注释
摘要 在系统发育分类法带来巨变之前，传统分类学将生物分为两个不同的界：动物界和植物界。西方科学植根于“自然主义”宇宙观，其理论体系主要基于古代亚里士多德思想，建立在这种二分法之上。如今，尽管我们采用了将生物统一为亲属的达尔文范式，但“生物等级”的概念仍然构成了我们对生物物种的分析和理解。我们的目标是结合系统发育学的发展、生物学的最新进展以及对植物能动性的重新关注，以形成对生物界的跨学科立场。植物或动物起源的分界线具有可追溯到约 39 亿年前的共同进化历史，两者之间的间隔仅为 16 亿年前。从生物物种历史的系统发育角度来看，植物和动物属于姊妹群。利用与植物神经生物学领域相关的最新数据，我们的目的是讨论一些社会文化障碍，主要是在西方自然主义认识论中，这些障碍阻碍了生物体作为亲属的整合，同时提出一些主要受其他本体论实践启发的途径，这些途径可以帮助克服这些障碍并在不同的生命联系方式之间架起桥梁。
请求论文 - 特刊：AI中的KO和AI中的KOS
知识组织系统/服务/结构（KOS），例如词汇表，分类系统，词库和本体学模型域的基本语义结构。体现为基于Web的服务，它们可以促进资源发现和检索。它们充当语义路图，使索引者和未来用户（无论是人类还是机器）成为可能的常见方向。1人工智能（AI）广泛定义为使用自动化来通过自动推理来解决问题。今天，流行的AI方法是大型语言模型（LLMS）。但是还有许多其他自动化方法，例如基于规则的，机器学习，向量，n-gram，聚类，过滤，NLP（自然语言处理），NLG（自然语言生成）等。可以使自动化智能。虽然倾向于专注于一种主要方法，但大多数AI应用程序都使用几种方法。在本期《 KO：知识组织》（ISSN 0943-7444）中，我们对知识组织系统（KOS）的使用方式特别感兴趣，也可以用来使自动化智能。例如，LLM的一个问题是“幻觉”，该应用程序对提示的响应“正确”但不是真的。如何将KO与LLM集成以指导其反应，以免产生“幻觉”？潜在的主题包括但不限于：
复杂情况下的多模态感知和行动的人工智能方法
人工智能 (AI) 一直在寻求利用机器来解决人类无法完成的任务（例如大数据分析）。基于竞争性工程成果、海量数据、快速计算和自主性的前景，AI 领域正在蓬勃发展。一个突出的例子是从大挑战中扩展而来的自动驾驶汽车的巨大努力（Seetharaman 等人 2006 年；Urmson 等人 2009 年）。当前的兴趣包括成群的自主协调无人机 (UAV；Shishika 和 Paley 2017 年；Cruise 等人 2018 年）。要实现这样的机器人系统需要通过自主性进行多模式感知和行动。四种类型的自主性（Hintze 2016）包括传统的基于规则的 AI 方法和自我意识 AI（表 1）。具有自我意识的自动驾驶汽车与人类互动（Amershi 等人，2014 年），建立概念知识（Bredeweg 等人，2013 年），并使用情境（Adomavicius 等人，2011 年）。Scerri 等人（2015 年）的一个突出例子是，他们利用移动显示器、本体和多模态融合，通过整合人类语义（例如社交网络）、物理传感器（例如全球定位系统）和模型（例如天气），开发了一种情境感知的情境分析设备。
MAMBO：用于多尺度材料和应用的轻量级本体
摘要：计算和实验工具的进步最近导致了新型先进功能材料开发的重大进展，与此同时，材料数据和信息总量也迅速增长。然而，要有效发挥先进数据密集型方法的潜力，需要在材料研究和开发背景下系统而有效地组织知识。语义技术可以支持知识的结构化和形式化组织，为数据的集成和互操作性提供平台。在本文中，我们介绍了材料和分子基础本体 (MAMBO)，旨在组织分子材料和相关系统（纳米材料、超分子系统、分子聚集体等）计算和实验工作流领域的知识。MAMBO 结合了相邻领域材料科学本体的最新努力，旨在填补当前最先进的材料开发和设计知识建模方法的空白，针对分子尺度和更高尺度领域的交叉领域。 MAMBO 专注于操作流程、轻量级和模块化，能够扩展到更广泛的知识领域，并集成与计算和实验工具相关的方法和工作流程。MAMBO 有望推动数据驱动技术在分子材料中的应用，包括用于材料设计和发现的预测机器学习框架和自动化平台。