Pular para o conteĆŗdo principal

Notas de reuniĆ£o - UTwente - abril e maio de 2024

 23 de abril de 2024

Daniel: objetivo da colaboraĆ§Ć£o seria chegar a implementaĆ§Ć£o de um CoaKG (multi layer e contextualizado) a partir da modelagem ontolĆ³gica da ROT. 

Glenda: usa o Visual Paradigm para modelar em UFO e converter em OWL

Daniel: acha que o OWL nĆ£o Ć© pragmĆ”tico para implementaĆ§Ć£o

SĆ©rgio: lembrou que ainda falta do formalismo do DOWA com o Hermann e que o quem@puc Ć© um case para o CoaKG. O foco da colaboraĆ§Ć£o no momento seria a Modelagem.

Daniel: desde que seja uma modelagem implementĆ”vel. A aplicaĆ§Ć£o da ROT no CoaKG seria um caso particular de uso da Ontologia de ConfianƧa?

Glenda: Quais qualidades do CoaKG para que ele seja considerado ConfiĆ”vel?  Tanto do ponto de vista do Trustee quanto do Trustor. 

Daniel: o CoaKG nĆ£o seria uma caixa preta. Tem que analisar cada statement. Entender que algumas informaĆ§Ć£o sĆ£o dependentes do tempo e espaƧo. 

Fernanda: separar as capacidades do CoaKG do conteĆŗdo, identificar as vulnerabilidades do processo de Engenharia do CoaKG. 

Daniel: lembrou que o processo de crowdsourcing traz vulnerabilidades. 

Comecei a minha apresentaĆ§Ć£o sobre os exemplos usando a ROT: A (trustor) trust B (trustee) for C (task) 

A confianƧa depende do objetivo de uso da informaĆ§Ć£o. Nos casos Ć© importante separar a confianƧa na fonte e na informaĆ§Ć£o fornecida pela fonte. As relaƧƵes de confianƧa aplicĆ”veis a uma tarefa podem ser diversas e ser arbitrariamente detalhado. Neste ponto comeƧa a entrar as caracterĆ­sticas dos riscos. O objetivo pode dar diferentes pesos para o impacto dos riscos. 

Glenda: as evidĆŖncias sĆ£o fatos no mundo emitidos por terceiros que influenciam (positiva ou negativamente) na confianƧa do Trustee enquanto que os sinais de calibragem de confianƧa sĆ£o emitidos pelo prĆ³prio Trustee. Exemplo de sinal seriam um funcionĆ”rio uniformizado. Tanto evidĆŖncias quanto sinais podem ser verdadeiros ou falsos. A evidĆŖncia depende de uma cadeia de confianƧa.

Daniel: a proveniĆŖncia das informaƧƵes, se emitido pelo prĆ³prio Trustee ou por terceiros, nĆ£o mudam a natureza da informaĆ§Ć£o. Dentro do processo de decisĆ£o, a diferenƧa ontolĆ³gica nĆ£o Ć© essencial e sim os requisitos de proveniĆŖncia que sĆ£o estabelecidos na polĆ­tica de confianƧa. 


06 de maio de 2024

ApresentaĆ§Ć£o da Glenda

ConfianƧa estĆ” sempre ligada a uma IntenĆ§Ć£o de Quem Confia (Agente A). 

Em Quem Confia (Agente B) possui Capacidades, Vulnerabilidades e tambĆ©m IntenĆ§Ć£o; A Capacidade de realizar uma aĆ§Ć£o ou exibir um comportamento, onde as vulnerabilidades nĆ£o impedem a capacidade e a IntenĆ§Ć£o estĆ” alinhada com a Capacidade (se tambĆ©m for agente).

ROT: Trustor, Trustee e Intention (for Task)

Trustor - trust -> Trustee

 


Daniel X Giancarlo: OntolĆ³gico x EpistemolĆ³gico. A ConfianƧa atribuĆ­da por alguma autoridade Ć© diferente da confianƧa percebido por um agente. DivergĆŖncia sobre Belief Intensity. Social Trust Ć© sobre o Trustee ser um Agente. 

DisposiƧƵes sĆ£o capacidades e vulnerabilidades. 

Fatores que podem influenciar a ConfianƧa. Sinais sĆ£o emitidos pelo Trustee para passar Confiabilidade (SeguranƧa). Misturar Verdades com Inverdades para confundir o pĆŗblico. ProveniĆŖncia pode ser um sinal. O valor da transparĆŖncia influencia positivamente, inclusive, sobre as fraquezas.


Evidencias sĆ£o fornecidas por terceiros, sĆ£o observadas no mundo. InstituiƧƵes de certificaĆ§Ć£o tem fĆ© pĆŗblica, sĆ£o aceitas socialmente.

REPUTAƇƂO ainda precisa ser modelado, no aspecto coletivo. 

Herman: confianƧa pragmƔtica para definir o tamanho da cadeia de confianƧa

13 de maio de 2024

Minha segunda apresentaĆ§Ć£o. Desdobramento do primeiro exercĆ­cio de exemplos trazendo as evidĆŖncias e a influĆŖncia das mesmas. 

Fernanda: ComeƧamos a diferenciar a ConfianƧa no Container (proveniĆŖncia) da ConfianƧa no ConteĆŗdo. 

Daniel: Utilizar classes para as polĆ­ticas de confianƧa.  

Glenda: As instĆ¢ncias foram o alvo da ROT pq a nĆ­vel de Classe podem existir instĆ¢ncias que prejudiquem a confianƧa

Herman: trouxe o exemplo das Leis. Confiar na Lei X para tomar uma decisĆ£o. 

A confianƧa no CoaKGDSS como container. Pq usar o framework e nĆ£o o ChatGPT para tomar uma decisĆ£o. 

A camada de confianƧa Ć© particular do Agente, podem existir polĆ­ticas gerais (para grupos/classes de agentes) que cada agente assume para si ou pode fazer exceĆ§Ć£o. 

Fernanda: as polĆ­ticas de confianƧa sĆ£o os requisitos para realizar cada tipo de aĆ§Ć£o, sĆ£o 4: evidĆŖncias, sinais, mental moment (do tomador de decisĆ£o), 

20 de maio de 2024

Giancarlo: discussĆ£o sobre as instĆ¢ncias e classes. O tipo de indivĆ­duo tambĆ©m influencia a confianƧa. mas a confianƧa Ć© do indivĆ­duo. As classes seriam patterns of trust. As classes sĆ£o abstratas e as instĆ¢ncias sĆ£o concretas e elas que agem e podem ter influĆŖncia no resultado. 

SĆ©rgio: sobre os prĆ³ximos passos, seria a integraĆ§Ć£o as teses. 

Daniel: Fazer um vision paper sobre o objetivo desta integraĆ§Ć£o. Fazer uma agenda de pesquisa.

Giancarlo: (1) como esta Ontologia de Trust se aplicaria ao conceito de Trust em InformaĆ§Ć£o (low hanging fruit). (2) ProveniĆŖncia como trajetĆ³ria de produĆ§Ć£o de informaĆ§Ć£o vai evidenciar a cadeia de confianƧa como nos exemplos do exame e da certidĆ£o. A pessoa deve acreditar no que o cartĆ³rio diz e que isso reflete o que aconteceu no mundo real. Processo de explicaĆ§Ć£o para a produĆ§Ć£o da informaĆ§Ć£o com os truth makers explĆ­citos e a possibilidade de contestar os resultados (por pontos onde nĆ£o hĆ” confianƧa). 





ComentƔrios

Postagens mais visitadas deste blog

Aula 12: WordNet | IntroduĆ§Ć£o Ć  Linguagem de ProgramaĆ§Ć£o 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 lĆ­ngua e a classe gramatical da palavra (substantivo, verbo, advĆ©rbio) from nltk.corpus import wordnet as wn wordnet.synset(xxxxxx).definition() = descriĆ§Ć£o do significado Ɖ possĆ­vel extrair hipernimia, hiponimia, antonimos e os lemas (diferentes palavras/expressƵes com o mesmo significado) formando uma REDE LEXICAL. Com isso Ć© possĆ­vel calcular a distĆ¢ncia entre 2 synset dentro do grafo.  Veja trecho de cĆ³digo abaixo: texto = 'Ćŗtil' print('NOUN:', wordnet.synsets(texto, lang='por', pos=wordnet.NOUN)) texto = 'Ćŗtil' 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

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

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