OntoExtend: A Framework for Requirement-driven and Scalable Ontology Extension with LLMs
Dieses Paper stellt OntoExtend vor, ein anforderungsgesteuertes Framework, das Retrieval-Augmented Generation mit Large Language Models nutzt, um auf Kompetenzfragen basierende, fundierte Ontologieerweiterungen vorzuschlagen, wobei durch die Evaluierung an EU- und industriellen Datensätzen demonstriert wird, dass es effektiv als Entwurfsassistent dient, der für die reale Integration nur geringfügige Überarbeitungen erfordert.
Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Stellen Sie sich vor, Sie versuchen, eine riesige, stetig wachsende Bibliothek des Wissens über die Welt aufzubauen. In der Welt der Informatik wird diese Bibliothek eine Ontologie genannt. Betrachten Sie sie nicht als ein Bücherregal, sondern als eine super-strenge, digitale Landkarte, die definiert, wie alles miteinander verbunden ist. Es ist das Regelwerk, das einem Computer sagt, dass ein „Auto“ eine Art von „Fahrzeug“ ist, dass ein „Fahrzeug“ einen „Motor“ hat und dass ein „Motor“ eine „Kraftquelle“ besitzen muss. Diese Karten sind unglaublich nützlich, um einer KI zu helfen, die Welt zu verstehen, aber sie sind notorisch schwer aufzubauen und noch schwerer zu aktualisieren. Jedes Mal, wenn sich die reale Welt verändert oder wir etwas Neues entdecken, muss jemand manuell zusammensitzen und die Regeln umschreiben, was langsam, langweilig und fehleranfällig ist.
Vor kurzem ist eine neue Art von super-intelligentem Computergehirn namens Large Language Model (LLM) angekommen. Sie kennen sie vielleicht als Chatbots, die Geschichten schreiben, Matheaufgaben lösen oder fast jede Frage beantworten können, die Sie stellen. Diese Modelle sind großartig darin, Sprache zu verstehen, aber sie sind nicht perfekt darin, strengen logischen Regeln zu folgen. Wenn man sie einfach nur bittet, „eine Karte von Autos zu erstellen“, werden sie vielleicht kreativ und erfinden Regeln, die keinen Sinn ergeben, oder sie könnten überfordert sein, wenn man ihnen eine Bibliothek gibt, die zu groß ist, um sie auf einmal ganz zu lesen. Die große Frage, die Forscher sich gestellt haben, laod: Können wir diese gesprächigen, kreativen KI-Gehirne nutzen, um unsere strengen, logischen Wissenskarten zu aktualisieren, ohne dass sie verwirrt werden oder Dinge erfinden?
Genau das behandelt das Paper „OntoExtend“. Die Autoren, ein Team von Forschern aus Universitäten und der Industrie, haben ein neues Framework (einen Satz von Anweisungen für Computer) namens OntoExtend entwickelt. Anstatt die KI zu bitten, eine völlig neue Karte von Grund auf neu zu erstellen, agiert OntoExtend wie ein kluger Bibliothekar. Wenn Sie eine neue Frage oder Anforderung haben (wie „Wir müssen Elektrofahrzeug-Batterien erfassen“), geht das System zuerst in die bestehende Bibliothek, findet nur die spezifischen Seiten und Regeln, die für dieses Thema relevant sind, und reicht genau diese Seiten an die KI weiter. Dann bittet es die KI, die fehlenden Teile der Geschichte zu schreiben, und zwar ausschließlich basierend auf dem, was sie gerade gelesen hat.
Die Forscher testeten diese Idee an zwei sehr unterschiedlichen, realen Bibliotheken: einer aus einem EU-Projekt über Recycling und die Kreislaufwirtschaft und einer weiteren von einem großen Industrieunternehmen namens Bosch. Sie gaben dem System 39 spezifische Fragen (genannt „Competency Questions“), die die Bibliotheken beantworten mussten. Die Ergebnisse waren sehr vielversprechend. Die KI, geleitet durch dieses kluge Bibliothekar-System, schaffte es, neue Abschnitte der Wissenskarte zu schreiben, die fast perfekt korrekt waren. Tatsächlich wiesen die neuen Abschnitte nur sehr wenige Fehler auf, und als menschliche Experten die Ergebnisse überprüften, sagten sie, dass die KI eine so gute Arbeit geleistet hatte, dass sie nur kleine, geringfügige Anpassungen vornehmen mussten, bevor die neuen Regeln offiziell in die Bibliothek aufgenommen werden konnten.
Das Paper deutet jedoch auch auf eine entscheidende Grenze hin: Die KI ist nur so gut wie die Frage, die man ihr stellt. Wenn die Frage vage oder unklar ist, wird auch die Antwort der KI zu vage sein. Aber wenn die Anforderungen klar sind, legt OntoExtend nahe, dass wir diese leistungsstarken KI-Werkzeuge endlich nutzen können, um unsere digitalen Wissenskarten auf dem neuesten Stand zu halten, indem wir eine Aufgabe, die früher Tage manueller Arbeit in Anspruch nahm, in eine schnelle, assistierte Entwurfsphase verwandeln. Es ist, als hätte man einen brillanten Assistenten, der genau weiß, welche Bücher aus dem Regal ziehen muss, um einem beim Abschluss eines Projekts zu helfen, anstatt zu versuchen, die gesamte Bibliothek selbst zu lesen.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.