Publications

Upcoming publication

Die Semantische Informationstechnik (only in German available at present)

https://www.springer.com/gp/book/9783658319373#aboutBook 

Editors: Ege, Börteçin, Paschke, Adrian (Hrsg.) diverse Autoren, Erscheinungsdatum: Frühjahr 2021
eBook ISBN 978-3-658-31938-0 | DOI 10.1007/978-3-658-31938-0 | Softcover ISBN 978-3-658-31937-3

Bedeutung und Anwendungen Semantischer Technologien für die Entwicklung von datenbasierten Systemen wie Neuronale Netze, Deep Learning und Machine Learning.

Semantische Technologien haben mit der Entwicklung von datenbasierten Systemen wie Neuronale Netze, Deep Learning und Machine Learning (ML) ihre Bedeutung nicht verloren, sondern werden als effiziente wissensbasierte Systeme immer wichtiger. Denn intelligente Systeme der Zukunft müssen nicht nur in der Lage sein zu sagen, was sie entschieden haben, sondern auch wie sie zu dieser Entscheidung gekommen sind. Solche Systeme sind jedoch nur mit wissensbasierten Systemen auf der Grundlage von semantischen Technologien erreichbar. Heute reichen die Anwendungen von semantischen Systemen von der semantischen Suche, Knowledge Graphs, Chatbots, NLP in der Medizin bis zur Telekommunikation, Verwaltung und Robotik. Semantische Technologien werden spätestens mit dem Voranschreiten des Internet of Things (IoT) und Industrie 4.0 Anwendungen allgegenwärtig sein. Dies ist unumgänglich, denn ohne sie ist auch die Interoperabilität unter Maschinen und insbesondere unter Roboter für eine intelligente Zusammenarbeit und Produktion nicht so einfach umsetzbar. Dafür gibt es bereits heute zahlreiche Beispiele aus der Industrie.

Kapitel 11: «Semiotik, ein Schlüsselelement für Systeme mit künstlicher Intelligenz»

Autor: Walter Diggelmann, ai-one™

Automatische Systeme, welche mit Hilfe von künstlicher Intelligenz Texte auswerten sind hoch im Kurs, und es werden immer mehr. Diese Systeme versuchen eine Botschaft in einem Text zu verstehen und in einen Zusammenhang zu stellen. Es wird darüber hinaus auch versucht festzustellen, ob die Botschaft eine negative, positive oder neutrale Aussage zu einer Sache, einer Aktion oder einem Thema etc. macht. Eine Nachricht oder Information kann auf sehr unterschiedliche Weise gehört und verstanden werden. Sie kann aus verschiedenen Perspektiven gehört werden. Der Empfänger fragt sich wie der Sachverhalt zu verstehen ist, aber auch was der Sender mit der Nachricht erreichen will. Die Antwort, die der Empfänger sich selber gibt, muss allerdings keinesfalls mit der beabsichtigten Bedeutung des Senders übereinstimmen. Um Missverständnisse und Unklarheiten zu vermeiden, müssen die Zusammenhänge der Kommunikation verdeutlicht werden.

Damit Semantische Textanalysen, welche die Grundlage bilden für alle ML-, IoT- und AI- Lösungen optimal funktionieren, ist es wichtig, dass diese für zwei wesentliche Herausforderungen der Textanalyse eine dynamische Lösung bieten.

Kongruente Sätze und Formulierungen aus unterschiedlichen Zeiten und Orten, können inhaltlich eine ganz andere Aussage, Botschaft verkörpern, obwohl sie syntaktisch übereinstimmen.

Hans-Georg Gadamer beschreibt in seiner Theorie «Wahrheit und Methode» einen hermeneutischen Zirkel: «Das Ganze muss aus dem Einzelnen und das Einzelne aus dem Ganzen heraus verstanden werden». Somit enthält der hermeneutische Zirkel ein Paradoxon: Das, was verstanden werden soll, muss schon vorher verstanden worden sein, oder zumindest in Teilen bekannt sein.

Walter Diggelmann erklärt in Kapitel 11, wie das Konzept des semantischen Fingerprints als Lösung für diese Herausforderungen eingesetzt werden kann.

Der semantische Fingerprint basiert auf der Erkenntnis der intrinsischen oder inhärenten Semantik. Das ist die Semantik oder Botschaft eines Texts, wenn er nicht gelesen wird.

Der semantische Fingerprint kann darüber hinaus als Grundlage für sämtliche weiteren linguistischen und statistischen Analysen eingesetzt werden. 

Available publications

NASA - Marshall Space Flight Center Research and Technology Report 2015

https://ntrs.nasa.gov/citations/20160006403

The investments in technology development we made in 2015 not only support the Agency's current missions, but they will also enable new missions. Some of these projects will allow us to develop an in-space architecture for human space exploration; Marshall employees are developing and testing cutting-edge propulsion solutions that will propel humans in-space and land them on Mars. Others are working on technologies that could support a deep space habitat, which will be critical to enable humans to live and work in deep space and on other worlds. Still others are maturing technologies that will help new scientific instruments study the outer edge of the universe-instruments that will provide valuable information as we seek to explore the outer planets and search for life.

Document ID 20160006403

Report Number M16-5259 | NASA/TM-2016-218221

Artificial Intelligence Agents to Support Data Mining for Early Stage of Space Systems Design

978-1-7281-2734-7/20/ ©2020 IEEE

The complex and multidisciplinary nature of space systems and mission architectures is especially evident in early stage of design and architecting, where systems stakeholders have to keep into account all the aspects of a project, including alternatives, cost, risk, and schedule and evaluate various potentially conflicting metrics with a high level of uncertainty. Though aerospace engineering is a relatively young discipline, stakeholders in the field can rely on a vast body of knowledge and good practices for space systems design and architecting of space missions. These guidelines have been identified and refined over the years.

However, the increase in size and complexity of applications in the aerospace discipline highlighted some gaps in this approach: first, the amount of available information is now very large and originates from multiple sources, often with diverse representations, and useful data for trade space analysis or analysis of all potential alternatives can be easily overlooked.


Second, the variety and complexity of the systems involved and of the different domains to be kept into account can generate unexpected interactions that cannot be easily identified; third, continuous advancements in the field of aerospace resulted in the development of new approaches and methodologies, for which a common knowledge database is not existing yet, thus requiring substantial effort upfront.

To address these gaps and support both decision making in early stage of space systems design and increased automation in extraction of necessary data to feed working groups and analytical methodologies, we propose the training and use of Artificial Intelligence agents. These agents can be trained to recognize not only information coming from standardized representations, for example Model Based Systems Engineering diagrams, but also descriptions of systems and functionalities in plain English.

This capability allows each agent to quantify the relevance of publications and documents to the query for which it is trained. At the same time, each agent can recognize potentially useful information in documents which are only loosely connected to the systems or functionalities on which the agent has been trained, and which would possibly be overlooked in a traditional literature review. The search for pertinent sources can be further refined using keywords, that let the user specify more details about the systems or functionality of interest, based on the intended use of the data. In this work we illustrate the use of Artificial Intelligent agents to sort space habitat subsystems into NASA Technology Roadmaps categories and to identify relevant sources of data for these subsystems. We demonstrate how the agents can support the retrieval of complex information required to feed existing System-of-Systems analytic tools and discuss challenges of this approach and future steps.


Download

Wissensorganisation und -repräsentation mit digitalen Technologien

https://www.degruyter.com/view/product/205460

Hrsg. v. Keller, Stefan Andreas / Schneider, René / Volk, Benno / Walter Diggelmann (Page 128 - 145)

Im Sammelband werden die sehr unterschiedlichen konzeptionellen und technologischen Verfahren zur Modellierung und digitalen Repräsentation von Wissen in Wissensorganisationen (Hochschulen, Forschungseinrichtungen und Bildungsinstitutionen) sowie in Unternehmen anhand von praxisorientierten Beispielen in einer Zusammenschau vorgestellt. Dabei werden sowohl grundlegende Modelle der Organisation von Wissen als auch technische Umsetzungsmöglichkeiten sowie deren Grenzen und Schwierigkeiten in der Praxis insbesondere in den Bereichen der Wissensrepräsentation und des Semantic Web ausgelotet. Good practice Beispiele und erfolgreiche Anwendungsszenarien aus der Praxis bieten dem Leser einen Wissensspeicher sowie eine Anleitung zur Realisierung von eigenen Vorhaben.Folgende Themenfelder werden in den Beiträgen behandelt: Hypertextbasiertes Wissensmanagement, digitale Optimierung der erprobten analogen Technologie des Zettelkastens, innovative Wissensorganisation mittels Social Media, Suchprozessvisualisierung für Digitale Bibliotheken, semantische Event- und Wissensvisualisierung, ontologische Mindmaps und Wissenslandkarten, intelligente semantische Wissensverarbeitungssysteme, Grundlagen der computergestützten Wissensorganisation und -integration, das Konzept von Mega-Regions zur Unterstützung von Suchprozessen und zum Management von Printpublikationen in Bibliotheken, automatisierte Kodierung medizinischer Diagnosen sowie Beiträge zum Records Management zur Modellbildung und Bearbeitung von Geschäftsprozessen.

Dream content analysis using Artificial Intelligence

https://journals.ub.uni-heidelberg.de/index.php/IJoDR/article/view/48744 

Patrick McNamara (Author), Boston University School of Medicine. Dream content analysis using Artificial Intelligence from ai-one. A dream content analysis system based on A.I. We conclude that the AI-based algorithm developed is a promising tool for detailed analyses of dream content patterns. Kevin Duffy-Deno, Tom Marsh, ai-one Inc. and Thomas Marsh Jr., Boulder Equity Analytics

Download

We developed a dream content analysis system (DCAS) based on an artificial intelligence (AI) algorithm that was trained using a relatively large corpus of over 35,000 dreams. This sample of dreams were supplied by 424 female and 211 male users over 4 years who had posted them at the dream posting website and app Dreamboard.com. Building upon previous dream content ontologies developed by Hall, Van de Castle, Domhoff and Bulkeley, forty-seven reliably identified dream themes emerged from repeated application of algorithm and agent training procedures. DCAS reproduced most of the key dream content themes from these previous ontologies but also returned some unexpected findings. Mixed-model estimation detected significant male-female content differences for 34 dream themes, with female dreams evidencing higher incidence percentages for most themes, but effect sizes were small. Mixed-model logistic regression identified those themes that best predicted self-reported positive or negative mood associated with dreams. We conclude that the AI-based DCAS algorithm developed here is a promising tool for detailed analyses of dream content patterns.

Learning a Lightweight Ontology for Semantic Retrieval in Patient-Centered Information Systems

https://www.igi-global.com/gateway/issue/47946

Ulrich Reimer (University of Applied Sciences St. Gallen, Switzerland), Edith Maier (University of Applied Sciences St. Gallen, Switzerland), Stephan Streit (University of Applied Sciences St. Gallen, Switzerland), Thomas Diggelmann (ai-one, Switzerland)

The paper introduces a web-based eHealth platform currently being developed that will assist patients with certain chronic diseases. The ultimate aim is behavioral change. This is supported by online assessment and feedback which visualizes actual behavior in relation to target behavior. Disease-specific information is provided through an information portal that utilizes lightweight ontologies (associative networks) in combination with text mining. The paper argues that classical word-based information retrieval is often not sufficient for providing patients with relevant information, but that their information needs are better addressed by concept-based retrieval. The focus of the paper is on the semantic retrieval component and the learning of a lightweight ontology from text documents, which is achieved by using a biologically inspired neural network. The paper concludes with preliminary results of the evaluation of the proposed approach in comparison with traditional approaches.

Download