XiaoMi-AI文件搜索系统
World File Search System本体
从本体到系统体系结构
Urban Air Mobility（UAM）是通过涉及各种相互关联系统的系统（SOS）实现的先进航空概念。基于模型的系统工程（MBSE）非常适合定义此类SOS的体系结构。但是，尽管UAM SOS有一些共同的基本特征，但特定的体系结构和操作参数将从一个都会区变成另一个都会区。在每个都会区的UAM体系结构和运营的适当模型可能会导致不一致，混乱，并最终导致操作困难。为了防止这种结果，本文提出了一个结构化框架，用于利用本体论和参考模型来阐述UAM体系结构。这些用于得出Metro-rarea-特定的架构和操作模型。本体论统一了对UAM SOS中系统，关系和过程的理解。以本体论为基础，基线档位的参考模型是地铁区特异性建筑模型的模板。组合有助于快速生成特定的UAM架构和用例，如本文所示。我们总结了为什么专门为UAM准备的完全模块化和可重复使用的框架这一步骤可以加速进步，以实现这一雄心勃勃的概念。
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 ]）。
本体学习的观点 - CiteSeerX
让机器具备常识和特定领域的知识，使它们能够像人类一样理解某些问题领域，这一直是人工智能研究的主要目标，现在仍然是。在这种情况下，一个关键问题是，将所有相关知识编码成机器可以利用的自动推理、不一致性检测等方式的成本实际上有多高。虽然最近有一些研究开发了可以估算知识工程项目成本的方法 [12]，但可以合理地假设并非所有相关知识都可以手动编码。通过分析人类行为及其产生的数据来提取和发现知识的技术可以在这方面做出重要贡献。本体学习领域是 Alexander Mädche 和 Steffen Staab 于 2001 年创造的一个术语 [7]，它涉及从数据中得出相关本体知识的方法的开发。到目前为止，该领域已经进行了十多年的深入研究。该领域早期的研究集中于将浅层方法应用于术语和概念提取以及层次和非层次关系提取 [7]。后来，在我的博士论文《从文本中进行本体学习和填充：算法、评估和应用》中，我将本体学习定义为从数据中获取领域模型，并尝试通过引入所谓的本体学习层来系统地概述本体学习任务，这从那时起就受到了广泛关注。近年来，一些研究人员试图提高从文本数据中学习到的本体的表达能力，特别是尝试提取更深层次的公理知识（例如参见 [13]、[14] 和 [4]）。本卷中也可以找到一些类似的贡献，例如旨在通过应用归纳技术学习 OWL 公理（参见本卷中的 Lehmann 等人 [5] 和 Lisi [6]）。本体学习的问题比预期的要困难得多。在我看来，主要原因是本体总是反映概念化世界或给定领域的方式，而从一组数据中学习的本体学习算法的结果本质上反映了所讨论数据集的特性。因此，将本体算法的结果转化为实际上反映领域概念化的本体可能比从头开始构建本体的成本更高。本体学习的问题比预期的要困难得多。在我看来，主要原因是本体总是反映概念化世界或给定领域的方式，而从一组数据中学习的本体学习算法的结果本质上反映了所讨论数据集的特性。因此，将本体算法的结果转化为实际上反映领域概念化的本体可能比从头开始构建本体的成本更高。而本体学习算法从一组数据中学习的结果本质上反映了数据集的特性。因此，将本体的结果转化为
知识应用本体的开发...
摘要 在飞机项目的早期阶段，工业架构师需要评估不同的工业场景并进行权衡，以根据不同的关键绩效指标优化未来的工业架构。在以前的项目中积累的专家知识为新项目奠定了基础。以一致的方式捕获和重用专家知识是一项具有挑战性的任务。本文介绍了一个关于飞机装配过程正式应用本体开发的案例研究。它旨在促进从现有程序中捕获专家知识并将其重用以支持新的飞机装配系统设计。该应用本体继承了 IOF-Core 本体的结构和类作为基础，采用 BFO 作为顶级本体。历史装配过程规范和领域专家的反馈被用作本体的知识源。包括所有操作、材料和制造资源在内的装配过程的相关元素被提取并作为个体集成到本体中。基于对这些个体的分析，可以在类似过程中重用的共同知识可以概括为本体的相互关联的类。使用工业试点介绍了应用本体的详细开发方法。开发的本体被集成为交易空间框架的核心功能块。它可以帮助跟踪权益
策略本体的必要性和要求
战略一词源于希腊语 stratēgia (στρατηγία)，其含义集中在军事概念“军队领袖的艺术；将军、指挥、将领的职责”[19]。“战略”一词于公元 6 世纪（伊斯兰回历 -50 年）在东罗马地区开始使用。它于 18 世纪首次进入西方世界。当时直到 20 世纪，“战略”一词相反地被称为“一种试图追求政治目的的综合方法，包括威胁或实际使用武力，在意志的辩证法中”[4]。然而，这更多地与双方互动的战斗斗争有关 [4]。如今，在国防工业中，它指的是在与敌人交战之前规划方向性组件并调动资源。一旦敌人交战，战略执行就会发挥作用，将注意力转移到战术上。然而，为了确保战略的不断改进，需要在运营层面开展活动。了解战略的百年军事起源，让我们能够将当今一些常见的商业术语联系起来，例如：
基于本体的飞机维护任务方法...
摘要 维护领域数字化程度相对较低、依赖传统的纸质工作流程和系统以及利益相关者之间缺乏信息交换，这些因素共同使维护任务的持续执行和记录保存变得复杂。这对产品支持和淘汰的效率和成本产生了负面影响。本文致力于开发一种“一键式”数字解决方案，用于捕获和使用飞机维护任务知识、流程和历史记录来支持维护执行并证明持续的适航合规性。它建议使用企业知识资源（包含任务所需知识、流程和输出的工程任务表示）嵌入基于产品-流程-资源结构的语义上下文模型中。已经开发了一个概念验证应用程序，该应用程序将示例 EKR 整合到知识管理解决方案中，以支持捕获、使用和维护执行特定维护任务所需的元素：波音 B737 飞机前缘缝翼主轨道下止点的修改和详细检查。开发的系统有可能提高维护任务执行和记录保存的效率。未来的工作包括扩展概念验证，使得用户能够自动从飞机制造商导入知识以及自动记录维护任务执行的结果。
策略本体的必要性和要求
战略一词源于希腊语 stratēgia (στρατηγία)，其含义集中在军事概念“军队领袖的艺术；将军、指挥、将领的职责”[19]。“战略”一词于公元 6 世纪（伊斯兰回历 -50 年）在东罗马地区开始使用。它于 18 世纪首次进入西方世界。当时直到 20 世纪，“战略”一词相反地被称为“一种试图追求政治目的的综合方法，包括威胁或实际使用武力，在意志的辩证法中”[4]。然而，这更多地与双方互动的战斗斗争有关 [4]。如今，在国防工业中，它指的是在与敌人交战之前规划方向性组件并调动资源。一旦敌人交战，战略执行就会发挥作用，将注意力转移到战术上。然而，为了确保战略的不断改进，需要在运营层面开展活动。了解战略的百年军事起源，让我们能够将当今一些常见的商业术语联系起来，例如：
通过本体授权电池数据管理 -
在新的可持续和绿色能源时代，摘要开发电池本体来代表电池管理知识至关重要。由于电池生产收入预计到2030年每年将超过3000亿美元，研究人员正在探索新的电池材料，型号，标准和制造过程。AI和ML方法正在用于管理电池制造并提高性能。数据表示技术和格式对于增强电池数据的表现力和提高电池质量很重要。本文提出了一个本体，用于创建电池知识图，以解决数据互操作性挑战并在不同参与者之间共享电池数据。电池本体论包括各种类型的知识，例如域知识，电池应用和核心电池特定的知识。通过能力问题和可用性测试评估本体论。它旨在通过促进电池管理系统和应用之间的有效通信和数据交换来增强电池的生产和设计。这项研究具有重大的社会，经济和环境影响，因为它有助于开发更有效和可持续的电池。