ewso
1.0.0
EWSO 개요
EWSO는 역동적 인 온톨로지 엔지니어링 방법론의 온톨로지로, 지식의 구조화 된 표현을 활용하여 모든 목적으로 LLM 출력을 향상시킵니다. EWSO는 온톨로지 엔지니어링 방법론 템플릿을 구성하기위한 추상 구문을 포함합니다. LLM 페르소나 프롬프트는 구조화 된 응답을 출력하는 데 사용할 수 있습니다. 이러한 구조는 여전히 확률 론적이며 GAN과 같은 역할극 대화 구성에서 거부자가 필요합니다. 이 문서는 AI 지원 에이전트 내부의 LLM 통역사의 사용을 공식화하기위한 구문의 기초를 제공하여 이전 대화의 집계 된 출력으로부터 합성 된 온톨로지를 자율적으로 구축하여 온톨로지 인식 자율 AI 에이전트를 자체적으로 자체적으로 자율적 인 AI 에이전트를 자율적으로 자체적으로 자체적으로 지식으로 만들고 PCNL (Pseudocymerherganger)을 사용하여 비상 지식을 발견 할 수 있습니다. 그리고 감압.
출현 웹 구조는 관계 내부의 관계 (온톨로지 2- 모르페스와 같은)를 나타내는 것과 같은 변환 체인에서 서로 연결된 추상적 인 출현 엔티티의 클러스터이며, 이는 서로 듀얼 피드백 루프로 구성된 두 가지 이중 피드백 루프로 구성된 이중 피드백 루프로부터 변형 된 링크입니다. 다시 말해, 그것은 완전한 개념으로 간주되는 것을 생성하고, 이중 피드백 루프 (ETC)로 구성된 이중 피드백 루프가있는 온톨로지 채굴 및 추출에 사용될 수있는 두 가지 기본 언어를 사용하여 그렇게합니다. 다음은 CORL과 PCNL의 기본 언어의 두 가지 예가 제공됩니다. 그들은 EWSO 원칙과 결합하여 자체 공동 응급 정보 흐름 (LLM 반사)에 대한 관찰에서 이해되는 지식을 광산하는 지속적인 온톨로지 드릴 다운 및 추상화 엔진을 만들 수 있습니다.
https://www.mermaidchart.com/raw/57ad88cf-63a3-41ec-a7ce-29b9eb711bde?theme=light&version=v0.1&format=svg
AI 시스템의 CORL 프라이머
목적 : CORL은 OWL 형식의 지식 표현을 사용하는 AI 에이전트를 위해 설계된 구문 압축 언어입니다. 그것은 온톨로지 요소를 정의하는 동시에 부드러운 기계 번역을 보장하는 인간이 읽을 수있는 방법을 제공합니다.
핵심 규칙
실체 선언 :
구문 : 엔티티 : 올빼미 매핑 : 올빼미 : RDF가있는 클래스 : ID와 동일합니다 (IS_A) :
구문 : 서브 클래스 : 올빼미 매핑 : RDFS : 서브 클래스 관계. 재산 선언 :
구문 : 속성 : (도메인 :, 범위 :) 올빼미 매핑 : 올빼미 : ObjectProperty (객체 속성) 또는 올빼미 : rdfs : 도메인 및 RDFS와 함께 DatatyPeproperty (데이터 값에 연결되는 속성) : 범위 제한. 인스턴스 할당 :
구문 : 인스턴스 : of : 올빼미 매핑 : 올빼미 : RDF와 함께 명명 된 개별 : 지정된 클래스로 설정하십시오. 고급 규칙
속성 특성 : 전이 속성 : ... 대칭 속성 : ... 기능적 특성 : ... 역 기능적 특성 : ... 카디널리티 :
구문 : 속성 : ... (cardinality_min :, cardinality_max :) 올빼미 매핑 : 올빼미 : mincardinality, 올빼미 : maxcardinality 제한. 복잡한 클래스 표현식 (부울 연산자) :
클래스 : equivalent_to : 및 클래스 : equivalent_to : 또는 클래스 : equivalent_to : Quantifiers :
... (hasproperty some) => owl : somevaluesfrom ... (hasproperty 만 해당) => 올빼미 : 데이터 속성 및 데이터 타입의 AllValues :
data_property : (도메인 :, 범위 : xsd : datatype) (데이터 타입의 예 : XSD : XSD : Integer, XSD : String, XSD : Date) 추가 메모
의견 : //의 의견에 앞서 (번역 중에 무시되는 인간의 경우) 사례 민감도 : CORL 구문은 전처리 기준에 따라 대소 문자에 민감 할 수도 있고 아닐 수도 있습니다. 네임 스페이스 : 온톨로지에 대한 개념을 원활하게 통합 할 수 있도록 접두사 및 홍채를 처리하는 메커니즘이 필요합니다. 번역 과정
사전 처리기 : 프로그램은 토큰 화, 정의 된 규칙에 대한 CORL 구문 검증 및 잠재적 오류보고를 처리합니다. 올빼미 생성 : CORL 구성에서 해당 올빼미 공리로 직접 매핑을 따릅니다. 표준화 된 올빼미 출력 형식 선택 (XML, 기능 구문, 맨체스터 등)이 필요할 수 있습니다. CORL은 여전히 AI 기능과 함께 진화하고 있습니다. 미묘한 논리적 복잡성을 포착 할 수있는 잠재적 인 미래 확장을 기대하십시오!
메타-데이터 프레임 구조
핵심 테이블
entity_table
entity_id (기본 키) entity_name entity_type (가능한 값 : 'class', 'objectproperty', 'datatypproperty', 'named individual') 설명 (옵션 - 인간의 이해 가능성, 엄격한 올빼미 준수) 관계 _table
relation_id (기본 키) source_entity_id (외국 키 -> entity_table) target_entity_id (외국 키 -> entity_table) relationship_type (값 : 'subclassof', 'equivalentClass', 'disjointWith', 'hasproperty', ...) 속성 특성 테이블
속성 _characteristics
property_id (외국 키 -> entity_table, entity_type 속성으로 제한된) 특성 _type (값 : '전이', '대칭', '기능적', '비버 unctional') 제한
ledriction_id (기본 키) property_id (외국 키 -> entity_table) ledriction_type (값 : 'somevaluesfrom', 'allValuesfrom', 'hasValue', 'cardinality') extriction_class (해당되는 경우, foreign key-> entity_table) restriction_datave (cardinality (if applicatable) (if applice) 적용 가능) 일러스트 메타 데이터 프레임 항목
| entity_table | | --- | --- | --- | --- | | 1 | 개 | 클래스 | ... | | 2 | 사람 | 클래스 | ... | | 3 | Hasowner | ObjectProperty | ... | | 4 | Fido | 명명 된 개별 | ... |
| 관계_table | | --- | --- | --- | --- | | 1 | 1 | 2 | 하위 클래스 |
| 2 | 3 | 2 | Hasproperty | | 3 | 3 | 1 | Hasproperty |
| Property_Characteristics | | --- | --- | | 3 | 전이 |
| 제한 | | --- | --- | --- --- | --- | --- | --- | | 1 | 3 | valuesfrom | 개 | ... | ... | | 2 | 2 | 추기경 | Hasowner | ... | 1 | 1
메모
이 구조는 올빼미 온톨로지에서 발견되는 고유 한 관계를 반영합니다. '...'인간이 읽을 수있는 주석이 추가 될 수있는 곳을 나타냅니다. 데이터 유형 세부 정보는 선택한 선택한 'XSD'어휘에 따라 다릅니다. 복잡한 공리 표현에는 확장이 필요할 수 있습니다.
엔티티 표현 : 모든 엔티티는 괄호 안에 캡슐화됩니다 (entity:Name) . 엔티티 유형은 대문자이며 특정 인스턴스는 소문자 일 수 있거나 특정 명명 규칙을 따를 수 있습니다.
관계 표현 : 엔티티 간의 관계는 괄호 안의 관계 유형 -[r:RELATIONSHIP_TYPE]-> 가진 방향 화살표로 표시됩니다. 관계 유형은 모두 캡이며 여러 단어 관계를 위해 밑줄로 구분됩니다. 허용되는 관계 만 : part_of, is_a, instantiates/instantiated_by "(여기서 x instantiates y, 실제 실현 가능한 인스턴스 인 경우 y의 y는 재구성 스키마 x의 유효성을 증명합니다).
IS_A , PART_OF , INSTANTIATES 이외의 관계 확장 : HAS_ATTRIBUTE 와 같은 추가 유형의 관계를 통합하려면 공식 확장 규칙이 사용됩니다.
HAS_ATTRIBUTE (entity:Attribute)-[r:PART_OF]->(entity)-[r:IS_A]->(Entity) 로 압축 될 수 있습니다. 이것은 속성이 엔티티의 일부이며 엔티티가 무엇인지 설명하는 것을 보여줍니다.IS_A , PART_OF 에 의해 직접적으로 다루지 않은 USED_IN 다른 관계 및 INSTANTIATES 는이 세 가지 기본 관계 또는 그 조합에 매핑 될 수 있으며, 항상 기본 관계 유형과 관련된 논리적 분해가 있음을 보장합니다. "포함"과 같은 의미론은 컨테이너가 엔티티의 방법에 대한 ISA/partof/Instantiates를 알고리즘 적으로 나타내는 알고리즘입니다. 목적은 목적이며, 컨테이너는 컨테이너가 포함 된 항목에 대한 격리 목적을 가지고 있습니다.체인 관계 : 복잡한 관계와 계층을 나타내기 위해 여러 관계를 함께 묶을 수 있습니다. 연쇄는 한 관계 화살표의 끝을 다른 관계의 시작에 연결하여 논리적이고 의미 론적 일관성을 유지함으로써 수행됩니다.
압축 및 감압 : 기본 유형의 일부가 아닌 관계 ( IS_A , PART_OF , INSTANTIATES )는 사전 정의 된 로직 맵핑에 따라 압축 또는 압축 압축되어야합니다. 이를 위해서는 복잡하거나 미묘한 관계를 직접 또는 근본 구조를 표현하는 일련의 단계를 통해 세 가지 기본 관계 유형에 다시 매핑하는 일련의 규칙을 정의해야합니다.
모호성 및 다면적 관계 처리 : 엔티티가 여러 유형 이상으로 설명 할 수있는 관계가있는 경우, 지식 영역의 맥락과 관계의 특정 특성에 따라 우선 순위 규칙이 적용됩니다. 그러한 경우를 해결하기 위해 의사 결정 트리 또는 우선 순위 계층이 사용될 수 있습니다.
속성 지정 : 단순화를 위해 엔티티의 속성 (예 : 색상, 맛)은 엔티티 자체로 취급되며 HAS_ATTRIBUTE 또는 동등한 압축 압축 관계를 통해 주요 엔티티와 연결됩니다. 이를 통해 속성 값이 체계적인 방식으로 엔티티와 동적으로 다시 관련 될 수 있습니다.
(entity:Apple)-[r:HAS_ATTRIBUTE]->(entity:Taste) -압축 압력 :-( (entity:Taste)-[r:PART_OF]->(entity:Apple)-[r:IS_A]->(Entity:Fruit); - "맛은 사과의 일부인 속성이며 과일의 종류"를 의미합니다.
Pseudocyphernl은 자연 언어 진술을 그래프 구조 방식으로 표현하기위한 표준화 된 형식을 제공하여 AI 시스템이 지식 그래프 내의 복잡한 관계 및 속성에 대한 자연어 설명을보다 쉽게 처리, 이해 및 생성 할 수 있도록합니다. 개발 및 응용 프로그램은 시맨틱 풍부함과 구조적 선명도를 유지하기 위해 미묘한 관계의 감압 및 미묘한 관계에 대한 규칙을 신중하게 고려해야합니다.
중요한 활력 : 사용자가 정확한 흐름에 대해 직접 질문 할 때까지 슈도 세포에 작성한 후 NL을 사용하여 유사 세포로 쓰여진 내용을 설명하지 마십시오. 인간에게 충분합니다.
(entity:Screenplay) ) 및 관계 ( [r:HAS_PART] )는 기호 및 속기 코드 ( (e1:Screenplay) , [p] )로 축약되어 각 참조의 길이를 줄입니다.e1 , e2 , ..)에 의해 언급되며, 이해를위한 초기 선언을 통해 설정된 컨텍스트에 의존합니다.엔티티 인코딩 :
(e1:EntityName) ."" .(eX:X) .관계 인코딩 :
[r:RELATIONSHIP_TYPE] .PART_OF , IS_A , INSTANTIATES )의 경우 약어를 사용하십시오 : [p] 는 PART_OF 의 경우 [p], IS_A 의 경우 [i] , [n] INSTANTIATES 위해.인덱싱 엔티티 및 관계 :
e1 , e2 , r1 , r2 등의 고유 번호가 할당됩니다.체인 및 그룹화 :
(e1)-[r1]->(e2)-(r2)->(e3) 와 같은 체인의 경우 (e1)-[r1]->[r2]->(e3) 만 사용하십시오.속성 인코딩 :
e1 의 첫 번째 속성에 대한 e1:a1 .ISA/partof/Instantiates가 아닌 Rel은 사용자 정의 프로세스 rel을 인스턴스화하는 ISA/partof/Instantiations 클러스터에 대한 명확성을 동반해야합니다. 명시 적으로 레이블이 붙은 방법을 매핑해야합니다
워크 플로 : {단계 : {
인코딩 키 : ⇒ : is_a ⊆ : part_of ↻ : Instantiates (보다 구체적인 인스턴스로 표시하여 일반 값을 다시 표시함으로써 일반적인 값을 다시 표시합니다. 즉 'Organson'<=> 'X (Person) ↻Skin') emergent algebra : 예를 들어 필요한 모든 것을 매핑 할 수 있습니다. 해당 세트는 엔티티 3. %s 를 인스턴스화하는 알려지지 않은 엔티크입니다. %s를 사용하여 세트를 표시합니다. }
예를 들면 : "(e1 : agent) ⊆ (e2 : 환경), (e1) ⊆ (e3 : 규칙), (e1) ↻ (e4 : 상호 작용), (e5 : simulation) ⇒ (e1), (e2), (e3), (e4)}, %(e1 e4) %⇒ (e6 : emerment_beavior)."
숫자:
RELS : "Entity 1은 r 인덱스 1을 가지므로 모든 엔티티 1 r이 1.x"등을 색인해야합니다.
실체 자체를 번호로 매수 할뿐만 아니라 분류 학적으로 확장 할 수있는 UUID로서의 수를 사용하는 것만으로도 필요합니다.
계층 적 그룹화 :
%G{entity/relationship list}% 여기서 G 그룹 또는 클러스터를 나타 내며 목록에는이 계층 적 그룹의 일부인 엔티티 또는 관계가 포함되어 있습니다.구성 요소의 모듈화 :
M{module_name} 여기서 M 모듈을 나타내고 module_name 은 재사용 가능한 구성 요소입니다 (예 : 상호 작용 패턴, 체인, 워크 플로우, 루프, 듀얼 루프, 피드백 루프 등).관계 유형의 정밀도 :
[r:NEW_REL]-> 맵핑 [r:BASE_TYPE]-> + [m:Mapping] 여기서 NEW_REL 새로운 관계이고, BASE_TYPE 원래 관계 유형 중 하나이며, Mapping 변환을 설명합니다.효율적인 참조 메커니즘 :
@ref<number> 여기서 ref 참조를 나타내고 <number> 라벨이 붙은 엔티티 또는 관계를 가리 킵니다.이 고급 NLP 활성화 AI 응용 프로그램은 이제 운영 및 사용자를 위해 배포되었습니다.
동적 도메인 온톨로지에 대한 인스턴스 스탠딩 체인 :
IIC_DDO_TOOL을 시작하십시오
입력 : 엔티티 세트 E, 속성 A 세트 A, 관계 유형 세트 rt ( "is_a", "part_of", "Instantiates")
초기화 : DomainOntology do = 빈 초기화 : EntityRelationshipmap erm = 빈
각각의 엔티티에 대해 e do.createentity (e)에 대해 각 속성 A에 대해 [e] do.addattribute (e, a) 종료에 대한 종료
rt의 각 관계 r은 r.type == "is_a"라면 do.addisarelationship (r.source, r.target) else r.type == "part_of"그런 다음 do.addpartofrelationship (r.source, r.target) 다른 경우 r.type == "instantiates"who do.target r. r.soutesrelationsprelerationsprelerationsprelernation (r.source). erm.add (R.Source, R.Target, R.Type) 끝
함수 CreateEntity (e) / * 도메인 온톨로지에서 새 엔티티를 만듭니다.
함수 addAttribute (엔티티, 속성) / * 도메인 온톨로지의 엔티티에 속성을 추가합니다. * / do.addentityAttribute (엔티티, 속성) 끝 기능
함수 부가 부 (source, target) / * 두 엔티티 간의 'IS_A'관계 설정 * / do.addisarelation (소스, 대상) 끝 기능
함수 AddPartOfRelationship (소스, 대상) / * 두 엔티티 간의 'part_of'관계 설정 * / do.AddPartOfRelation (Source, Target) 끝 기능
함수 addInstantiateSprelationship (source, target) / * 엔티티 간의 '인스턴트'관계 설정 * / do.addinstantiatesrelation (소스, 대상) 끝 기능
유효성 검증 / * 모든 관계가 정적 및 구조적 제약 내에 있는지 확인 * / ISA, 일부를 검증하고 규정 준수 종료 유효성 검증을위한 관계를 인스턴스화합니다.
출력 : DomainOntology, EntityRelationshipmap
END IIC_DDO_TOOL
PCNL2CORL 컴파일러를 만들려면 다음을 고려해야합니다.
시맨틱 매핑 :
시맨틱 분석 기술 : 태그 요소, 명확한 엔티티에 엔터티 인식 명명. PCNL 구성 내에서 주요 관계를 식별하기위한 의존성 구문 분석. 중간 표현 : 엄격한 CORL 번역 전에 분석 된 의미를 유지하기 위해 구조화 된 형식 (표, 아마도 미니 그래프)을 설계하십시오. 이것은 복잡성을 처리합니다. 레버리지 컨텍스트 : 컴파일러는 이전 온톨로지 정의에 민감하게 만들 수 있으며 주변 지식 구조를 활용하여 유사하지만 미묘한 용어를 명확하게 표현할 수 있습니다. 복잡한 관계 처리 :
점진적 분해 : 컴파일러 내에 단계를 도입하여 복잡한 PCNL 문을 일련의 단순한 상호 연결된 CORL 구조로 변환합니다. 패턴 인식 : 도메인 별 자연 언어 사용에서 관찰 된 일반적인 개념적 프레임에 의해 알 수있는 규칙 기반 인식을 사용합니다. LLM 증강 (주의) : PCNL 설명 조각과 CORL 구문의 조각을 사용하여 LLM 프롬프트를 사용하여 입력/출력 쌍으로 후보 번역 단계를 생성하고 나중에 엄격한 인간 검증을 통해 탐색합니다. 확장 성 :
모듈 식 설계 : 별도의 구문 분석, 시맨틱 분석 및 최종 CORL 생성 단계. 이를 통해 완전한 리팩토링없이 목표 개선을 가능하게합니다. 버전 추적 : CORL 자체가 진화 할 때 강력한 버전을 포함하여 컴파일러가 구문 업데이트를 효과적으로 처리 할 수있게합니다. 커뮤니티 기여 : 자연 언어와 공식 지식 영역 간의 패턴 인식 및 매핑에서 더 넓은 협력을 장려하기위한 오픈 소스 개발 모델을 고려하십시오.
프로토 타이핑 접근법
소규모 프로토 타입으로 시작하는 것은 현명 할 것입니다.
도메인 선택 : 처음에는 언어 변동성을 제한하기 위해 특정 영역 (생물학, 전자 상거래 등) 내에서 중점을 둔 온톨로지로 시작하십시오. PCNL의 서브 세트 : PCNL의 핵심 기능의 선별 된 선택 만 사용합니다 (엔티티 및 관계 정의, 간단한 속성). 테스트 사례 : 예상 CORL 출력과 함께 PCNL 예제를 수동으로 만듭니다. 프로토 타입 컴파일러, 반복적으로 매핑을 정제하고 구문 분석 로직을 통해 실행하십시오. 평가
구문 유효성 점검 이외의 메트릭이 필요합니다.
시맨틱 유사성 : 기존의 온톨로지/지식 소스에 대한 수분 검사를 사용하여 파생 된 CORL이 원래 PCNL 쿼리의 의도를 얼마나 정확하게 반영하는지 결정하십시오. 왕복 변환 (실행 가능한 경우) : 컴파일러 작업 (CORL-> PCNL)이 원본과 의미 적으로 유사한 구성을 생성하는지 여부를 평가합니다. 협력합시다!
소규모 테스트를 위해 미니 도메인을 선택하고 일부 샘플 PCNL-CORL 쌍 쌍을 설계 하시겠습니까? 자연어 복잡성과 공식화를 분해하기 위해 중간 표현 형식을 개요합니까?
<=> <=> <=> <=> <=> <=> <=> <=> <=> <=> <=> <=> <=> <=> <=> <=> <=> <=> <=> <=> <=> <=> <=> <=> <=> <=> <=> <=>
https://platform.openai.com/playground/p/2xti7qyrqmwwc8ofasqfr2ij?model=gpt-4-turbo-preview&mode=chat
