Academic literature on the topic 'Grafi conoscenza'

Nel dominio dei beni culturali molte organizzazioni stanno applicando le tecnologie del web semantico e hanno affrontato progetti – alcuni dei quali sperimentali – di pubblicazione dei dati descrittivi del patrimonio culturale in linked open data (LOD): la sfida è far affiorare la conoscenza rappresentata dai dati rendendola immediatamente interpretabile dalle macchine. Attraverso la delicata fase di definizione non ambigua dei concetti e delle relazioni che rappresentano una determinata porzione di realtà (modellazione dei dati) il web semantico si pone come strumento per far emergere significati e produrre nuove relazioni reciproche. Questo contributo ha l’obiettivo di porre le basi per una prospettiva strategica di produzione e pubblicazione di LOD del patrimonio informativo esposto sul portale BeWeB – Beni ecclesiastici in web, scelto come esempio altamente rappresentativo del dominio culturale in virtù non solo dei suoi numeri – circa 12 milioni di schede descrittive di beni culturali di proprietà ecclesiastica – ma soprattutto della modalità in cui è costruito e quotidianamente popolato. Il portale è ideato e coordinato dall’Ufficio nazionale per i Beni Culturali ecclesiastici e l’Edilizia di culto della Conferenza Episcopale Italiana (Ufficio nazionale BCE – CEI), con l’ambizione di offrire una lettura d’insieme sui beni culturali di proprietà ecclesiastica conservati in Italia, dove gli authority data assumono il ruolo di punto di snodo per la tessitura di relazioni tra risorse culturali di natura diversa (risorse storico-artistiche, architettoniche, bibliografiche, archivistiche, fotografiche, istituti di conservazione). La proposta di integrazione nel web semantico del patrimonio informativo esposto sul portale BeWeB mira al raggiungimento di una piena interoperabilità semantica, attraverso l’analisi delle ontologie già presenti nel dominio culturale, per favorirne un loro riuso. BeWeB è dunque un case study presentato e introdotto da un inquadramento generale, utile a spiegare il contesto in cui sono inscritte le tecnologie che abilitano la realizzazione del web semantico e dei progetti di costruzione dei grafi della conoscenza (knowledge graph).

Gli autori si propongono di verificare l'utilità rispettiva della biopsia e della radiologia per identificare il grado di malignità dei gliomi cerebrali. L'esame critico della letteratura dimostra che la biopsia effettuata su materiale chirurgico è più affidabile di quella sterotassica, ma che comunque essa non è esente da errori tecnici o diagnostici e da pericoli. La TC è utile e non inferiore, anzi non raramente superiore, alla RM. In una ricerca personale condotta su 123 casi verificati istologicamente, la TC, riesaminata dallo stesso neuroradiologo senza conoscenza della diagnosi, senza e con conoscenza della sintomatologia cliniCa, ha permesso l'identificazione precisa (gradi I-IV della scala di Kernohan) nel 42,8% e l'indicazione più generica di «benignità» (gradi I e II) e malignity (grado III e IV) nell'83%. Questi risultati sono stati ottenuti con esami eseguiti con vari tipi di apparecchi e miglioreranno sicuramente con l'utilizzo di macchine moderne e di una tecnica corretta: ricostruzione su tre piani, sezioni sottili; analisi densitometrica; proiezione extracranica38. Per conseguenza gli Autori propongono di eliminare la biopsia e classificare i gliomi cerebrali soltanto neuroradiologicamente (TC), in due tipi: Tipo B («benigno»), Tipo M (maligno).

Le attività dell’ICCD sono da sempre indirizzate ad una maggiore condivisione e valorizzazione sia dei modelli di strutturazione della conoscenza sul patrimonio culturale sia dei dati prodotti nelle campagne di catalogazione. Negli ultimi anni l’ICCD ha concentrato le proprie attività sull’analisi e sull’applicazione delle potenzialità offerte dal semantic web e dai suoi strumenti. Uno dei risultati è il progetto ArCo, il grafo della conoscenza del patrimonio culturale italiano, costituito da una rete di ontologie e da oltre 169 milioni di triple riferite a oltre a 800 mila schede catalografiche. ArCo si basa sui dati del Catalogo generale dei beni culturali dell’Istituto centrale per il catalogo e la documentazione del MiBACT e sui dati dei suoi archivi fotografici. ArCo è distribuito congiuntamente con uno SPARQL endpoint, un software per convertire i record di catalogo in RDF e una ricca suite di materiale di documentazione (test, valutazione, istruzioni, esempi ecc.).

Il periodo in cui viviamo rappresenta la cuspide di una forte e rapida evoluzione nella comprensione del linguaggio naturale, raggiuntasi prevalentemente grazie allo sviluppo di modelli neurali. Nell'ambito dell'information extraction, tali progressi hanno recentemente consentito di riconoscere efficacemente relazioni semantiche complesse tra entità menzionate nel testo, quali proteine, sintomi e farmaci. Tale task -- reso possibile dalla modellazione ad eventi -- è fondamentale in biomedicina, dove la crescita esponenziale del numero di pubblicazioni scientifiche accresce ulteriormente il bisogno di sistemi per l'estrazione automatica delle interazioni racchiuse nei documenti testuali. La combinazione di AI simbolica e sub-simbolica può consentire l'introduzione di conoscenza strutturata nota all'interno di language model, rendendo quest'ultimi più robusti, fattuali e interpretabili. In tale contesto, la verbalizzazione di grafi è uno dei task su cui si riversano maggiori aspettative. Nonostante l'importanza di tali contributi (dallo sviluppo di chatbot alla formulazione di nuove ipotesi di ricerca), ad oggi, risultano assenti contributi capaci di verbalizzare gli eventi biomedici espressi in letteratura, apprendendo il legame tra le interazioni espresse in forma a grafo e la loro controparte testuale. La tesi propone il primo dataset altamente comprensivo su coppie evento-testo, includendo diverse sotto-aree biomediche, quali malattie infettive, ricerca oncologica e biologia molecolare. Il dataset introdotto viene usato come base per l'addestramento di modelli generativi allo stato dell'arte sul task di verbalizzazione, adottando un approccio text-to-text e illustrando una tecnica formale per la codifica di grafi evento mediante testo aumentato. Infine, si dimostra la validità degli eventi per il miglioramento delle capacità di comprensione dei modelli neurali su altri task NLP, focalizzandosi su single-document summarization e multi-task learning.

L'intelligenza artificiale cerca di spiegare come gli agenti intelligenti si comportano. Il linguaggio è uno dei media di comunicazioni più importanti e studiare delle teorie che permettano di definire il significato di espressioni naturali è molto importante. I linguisti hanno usato con successo linguaggi artificiali basati su logiche, ma una theory che ha avuto un impatto significativo in intelligenza artificiale è la semantica distribuzionale. La semantica distribuzionale afferma che il significato di espressioni in linguaggio naturale può essere derivato dal contesto in cui tali espressioni compaiono. Questa teoria è stata implementata da algoritmi che permettono di generare rappresentazioni vettoriali delle espressioni del linguaggio natural in modo che espressioni simili vengano rappresentate con vettori simili. Negli ultimi anni, gli scienziati cognitivi hanno sottolineato che queste rappresentazioni sono correlate con l'associative learning e che sono anche in grado di catturare bias e stereotype del testo. Diventa quindi importante trovare metodologie per comparare rappresentazioni che arrivano da sorgenti diverse. Ad esempio, usare questi algoritmi su testi di periodi differenti genera rappresentazioni differenti: visto che il linguaggio muta nel tempo, trovare delle metododoloie per comparare come le parole si sono mosse è un task imporante per l'intelligenza artificiale (e.g., la parola "amazon" ha cambiato il suo significato principale negli ultimi anni) In questa tesi, introduciamo un modello comparative basato su testi che permette di comparare rappresentazioni di sorgenti diverse generate con la semantica distribuzionale. Proponiamo un modello che è efficiente ed efficace e mostriamo che possiamo anche gestire nomi di entità e non solo paorle, superando problemi legati all'ambiguità del linguaggio. Alla fine, mostriamo che è possibile combinare questi metodi con approcci logici e fare comparazioni utilizzando costrutti logici.
One of the main goals of artificial intelligence is understanding how intelligent agent acts. Language is one of the most important media of communication, and studying theories that can account for the meaning of natural language expressions is an important task. Language is one of the most important media of communication, and studying theories that can account for the meaning of natural language expressions is a crucial task in artificial intelligence. Distributional semantics states that the meaning of natural language expressions can be derived from the context in which the expressions appear. This theory has been implemented by algorithms that generate vector representations of natural language expressions that represent similar natural language expressions with similar vectors. In the last years, several cognitive scientists have shown that these representations are correlated with associative learning and they capture cognitive biases and stereotypes as they are encoded in text corpora. If language is encoding important aspects of cognition and our associative knowledge, and language usage change across the contexts, the comparison of language usage in different contexts may reveal important associative knowledge patterns. Thus, if we want to reveal these patterns, we need ways to compare distributional representations that are generated from different text corpora. For example, using these algorithms on textual documents from different periods will generate different representations: since language evolves during time, finding a way to compare words that have shifted over time is a valuable task for artificial intelligence (e.g., the word "Amazon" has changed its prevalent meaning during the last years). In this thesis, we introduce a corpus-based comparative model that allows us to compare representations of different sources generated under the distributional semantic theory. We propose a model that is both effective and efficient, and we show that it can also deal with entity names and not just words, overcoming some problems that follow from the ambiguity of natural language. Eventually, we combine these methods with logical approaches. We show that we can do logical reasoning on these representations and make comparisons based on logical constructs.