Pular para o conteúdo principal

ONTOBRAS 2020 - Panel "The next decade of research on ontologies"

Vídeo -> https://youtu.be/anfL14P9Q4A

Moderated by Giancarlo Guizzardi (UniBZ, Italy, NEMO/UFES). 

Panelists Cassia Trojahn (IRIT, France), Fernanda Baião (PUC-RIO), Maria Luiza Campos (DCC/URFJ), Renata Vieira (Universidade de Évora, Portugal) and Valeria de Paiva (Santa Clara University and Topos Intitute, USA).

Cassia

Ontology matching & heterogeneity (OAEI)

Web Semântica (humanos e máquinas)

Linked Open Data: datas as instances of ontologies linked across knowledge bases

Princípios FAIR, User in the Loop, Multilingual, alinhar ontologias de domínio com ontologias de top level

Utilizar o conhecimento para validar as features para aprendizagem e reduzir o viés (pq todas categorias estariam representadas)

Fernanda

Era Big Data, Perspectiva Cognitiva, Digitalização e Sociabilização

Ciclo de Vida em Ciência de Dados e ciclo de descoberta de conhecimento em BD (tem ETL, KDD)

Trabalhos com foco em semântica mais rasa mesmo com ML.

Ontologias de fundamentação são sistemas axiomáticos de categorias

Extração de features para identificar as classes. 

Ontologias ajudam no processo de experimentação, de provar uma hipótese, tirando proveito do conhecimento explicito que se tem para orientar o teste de algoritimos

Maria Luiza

Trajetória da ONTOBRAS

Fake News, Intensificação da Pesquisa: comitês de emergência, equipes multidisciplinares

Projeto VODAN: FAIR para dados de pesquisa

Research Data Alliance (RDA) - Working Group

Go.FAIR: metadados e ontologias

Como descobriu que era para chamar qual especialista da UFRJ? .... Quem@PUC

Portais CKAN com datasets isolados !!!

Como é possível ajudar na gestão de dados dos projetos de pesquisa?

FAIR + ER ... Ethical & Reproductible

Aproximar pesquisa e extensão para ensinar a modelagem de ontologias (seria mais natural que ER e UML!!!)

Renata

Conhecimento, Verdade e Significado: fontes variadas mas nem sempre confiáveis (quais as evidências), como as máquinas podem entender o significado? a explicabilidade para as predições

Dicotomia da Ontologia: filosofia X ciência da computação + ciência da informação, como acomodar a visão fundamental e computacional, alinhamento entre ontologias de domínio e ontologias de topo (Upper)

Humanidades Digitais: História, Atores e Eventos para modelagem ontológica

ML tem limites para extrair e representar o conhecimento

Valéria

Construir KG para a Cultura Brasileira (Português é a 6 língua mais falada)

OpenWordnet-pt.org - 2012, balancear cobertura e acurácia

Reasoning Systems: várias aplicações (voz), uso de lógica ou ML

Universal Dependencies for Portuguese

Trade-off: expressividade da lógica x dificuldade de computação

Limpeza de dados pode introduzir viés





Comentários

  1. Veronica dos Santos14 de novembro de 2021 às 18:41

    Comentei com o Sérgio sobre o possível interesse da Maria Luiza no Quem@ em função das colocações que ela fez nesse painel e da possibilidade de colaboração para o uso de ontologias para a busca no contexto de meio ambiente

    ResponderExcluir

Postar um comentário

Sinta-se a vontade para comentar. Críticas construtivas são sempre bem vindas.

Postagens mais visitadas deste blog

Aula 12: WordNet | Introdução à Linguagem de Programação Python *** com NLTK

 Fonte -> https://youtu.be/0OCq31jQ9E4 A WordNet do Brasil -> http://www.nilc.icmc.usp.br/wordnetbr/ NLTK  synsets = dada uma palavra acha todos os significados, pode informar a língua e a classe gramatical da palavra (substantivo, verbo, advérbio) from nltk.corpus import wordnet as wn wordnet.synset(xxxxxx).definition() = descrição do significado É possível extrair hipernimia, hiponimia, antonimos e os lemas (diferentes palavras/expressões com o mesmo significado) formando uma REDE LEXICAL. Com isso é possível calcular a distância entre 2 synset dentro do grafo.  Veja trecho de código abaixo: texto = 'útil' print('NOUN:', wordnet.synsets(texto, lang='por', pos=wordnet.NOUN)) texto = 'útil' print('ADJ:', wordnet.synsets(texto, lang='por', pos=wordnet.ADJ)) print(wordnet.synset('handy.s.01').definition()) texto = 'computador' for synset in wn.synsets(texto, lang='por', pos=wn.NOUN):     print('DEF:',s
2 comentários
Leia mais

truth makers AND truth bearers - Palestra Giancarlo no SBBD

Dando uma googada https://iep.utm.edu/truth/ There are two commonly accepted constraints on truth and falsehood:     Every proposition is true or false.         [Law of the Excluded Middle.]     No proposition is both true and false.         [Law of Non-contradiction.] What is the difference between a truth-maker and a truth bearer? Truth-bearers are either true or false; truth-makers are not since, not being representations, they cannot be said to be true, nor can they be said to be false . That's a second difference. Truth-bearers are 'bipolar,' either true or false; truth-makers are 'unipolar': all of them obtain. What are considered truth bearers?   A variety of truth bearers are considered – statements, beliefs, claims, assumptions, hypotheses, propositions, sentences, and utterances . When I speak of a fact . . . I mean the kind of thing that makes a proposition true or false. (Russell, 1972, p. 36.) “Truthmaker theories” hold that in order for any truthbe
1 comentário
Leia mais

DGL-KE : Deep Graph Library (DGL)

Fonte: https://towardsdatascience.com/introduction-to-knowledge-graph-embedding-with-dgl-ke-77ace6fb60ef Amazon recently launched DGL-KE, a software package that simplifies this process with simple command-line scripts. With DGL-KE , users can generate embeddings for very large graphs 2–5x faster than competing techniques. DGL-KE provides users the flexibility to select models used to generate embeddings and optimize performance by configuring hardware, data sampling parameters, and the loss function. To use this package effectively, however, it is important to understand how embeddings work and the optimizations available to compute them. This two-part blog series is designed to provide this information and get you ready to start taking advantage of DGL-KE . Finally, another class of graphs that is especially important for knowledge graphs are multigraphs . These are graphs that can have multiple (directed) edges between the same pair of nodes and can also contain loops. The
Postar um comentário
Leia mais