Knowledge Graphs and Explainable AI as Complementary Resources for Urban Mining
Dit artikel stelt een complementariteits-theoretisch kader voor voor de integratie van Knowledge Graphs en Explainable AI bij beoordelingen van stedelijke mijnbouw voorafgaand aan sloop, waarbij vier specifieke modi (Lifting, Constraining, Typing en Revising) worden gedefinieerd die de verdedigbaarheid en de naleving van regelgeving van beslissingen van auditors vergroten voorbij louter voorspellingsnauwkeurigheid.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
Stel je voor dat je een detective bent die een mysterie probeert op te lossen: Waarvan is dit oude gebouw gemaakt, en kunnen we de onderdelen hergebruiken? Dat is de taak van "Urban Mining". Maar er is een addertje onder het gras: je kunt niet zomaar gokken. Je moet een gekwalificeerde auditor zijn, en elke beslissing die je neemt moet stand kunnen houden in de rechtszaal (of in ieder geval voor een strenge toezichthouder).
Maak kennis met de AI. Het is als een super slimme, supersnelle assistent die naar een gebouw kan kijken en kan zeggen: "Dat is een brandwerende deur!" Maar hier is het probleem: de AI is een beetje een 'black box'. De AI geeft je een antwoord, maar legt niet altijd uit waarom op een manier die past bij je officiële papierwerk. Als de AI zegt: "Ik ben 91% zeker," maar je weet niet waar de AI naar keek om tot dat getal te komen, kun je het niet officieel ondertekenen.
Dit artikel stelt een slimme manier voor om dit op te lossen. In plaats van alleen de AI te vertrouwen of alleen de mens te vertrouwen, stelt de auteur voor om hen samen te laten werken met behulp van twee speciale instrumenten: Explainable AI (XAI) en Knowledge Graphs (KG). Zie XAI als de "innerlijke monoloog" van de AI (waarom hij denkt wat hij denkt) en de Knowledge Graph als een enorme, georganiseerde bibliotheek van regels over hoe gebouwen daadwerkelijk functioneren.
De auteurs stellen dat wanneer je deze twee combineert, je twee speciale krachten krijgt die je beslissingen "verdedigbaar" maken (wat betekent dat je kunt bewijzen dat ze juist zijn). Ze noemen deze vier modi Lifting, Constraining, Typing en Revising. Laten we ze uitbreiden met een verhaal over een Brandwerende Deur.
1. Lifting: "Pixel-taal" vertalen naar "Menselijke taal"
Stel je voor dat de AI naar een foto van een deur kijkt en drie heldere plekken (hooglichten) ziet die hem deden denken: "Brandwerende Deur!" In de wereld van de AI zijn dit slechts getallen en pixels.
- Het Probleen: Je kunt niet in je officiële rapport schrijven: "Pixel 45 is helder." Je moet zeggen: "De deurafdichting is intact."
- De Oplossing (Lifting): De Knowledge Graph fungeert als een vertaler. Het neemt die heldere plekken en zegt: "Ah, dat heldere punt is eigenlijk de deurafdichting, en dat andere is het deurblad."
- Het Resultaat: De uitleg van de AI wordt "gelift" van verwarrende wiskunde naar duidelijke, officiële taal. Nu vermeldt je rapport precies wat de AI heeft gezien, met de juiste termen.
2. Constraining: De "Realiteitscheck"-filter
Stel je nu voor dat je de AI vraat: "Wat als we deze deur aanpassen om hem meer waard te maken?" De AI zou kunnen voorstellen: "Vervang de brandwerende kern door een goedkope plastic kern!"
- Het Probleem: Dat klinkt geweldig voor de winst, maar het is illegaal! Je kunt geen plastic kern in een brandwerende wand plaatsen.
- De Oplossing (Constraining): De Knowledge Graph is als een strenge uitsmijter bij een club. Het heeft een lijst met regels (axioma's) over wat wel en niet mag. Het bekijkt het wilde idee van de AI en zegt: "Nee. Die deur zit in een brandwerende wand, dus deze moet een brandwerende kern hebben. Dat idee is onmogelijk."
- Het Resultaat: De AI stelt alleen wijzigingen voor die ook daadwerkelijk mogelijk en legaal zijn. Het filtert de "magische" ideeën eruit die de wetten van de fysica of bouwvoorschriften breken.
3. Typing: De "Vertrouwensscore"-tag
De AI zegt: "Ik denk dat dit een brandwerende deur is." Maar hoe zeker is hij? Is het een wilde gok of een vaststaid feit?
- Het Probleem: Als je alleen "Brandwerende Deur" in je rapport zet, weet niemand of je het moet dubbelchecken of dat je gewoon verder kunt gaan.
- De Oplossing (Typing): Het systeem koppelt een "Vertrouwens-tag" aan elk stuk informatie.
- Als de AI het duidelijk heeft gezien, zegt de tag: "Bevestigd."
- Als de AI slechts gokt op basis van patronen, zegt de tag: "Aangenomen" (met een score zoals 0,62).
- Als de AI totaal onzeker is, kan de tag zeggen: "Verwijderd."
- Het Resultaat: Je weet precies hoeveel je elke stap in het rapport kunt vertrouwen. Als een tag "Aangenomen" zegt, weet je dat je een snelle visuele controle moet uitvoeren. Als het "Bevestigd" zegt, kun je doorgaan.
4. Revising: De "Ongedaan maken"-knop met een dossier
Stel je voor dat je een snelle controle doet en beseft: "Wacht, dit is geen brandwerende deur; het is een rookwerende deur!"
- Het Probleem: Als je gewoon de oude notitie wist en een nieuwe schrijft, weet niemand wie het heeft aangepast of waarom. Later kan iemand vragen: "Waarom heb je van gedachten veranderd?"
- De Oplossing (Revising): Het systeem verwijdert de oude informatie niet zomaar. Het maakt een geschiedenislogboek aan. Het legt vast: "Auditor Jane heeft 'Brandwerende Deur' gewijzigd in 'Rookwerende Deur' om 14:00 uur omdat zij zag dat de afdichting niet intumescent is."
- Het Resultaat: Je beslissing is nu een levend document. Je kunt terugkijken en precies zien hoe het verhaal is veranderd. Als je een fout hebt gemaakt, is dat geregistreerd, maar het is ook gecorrigeerd en uitgelegd.
Het Grotere Plaatje
De auteurs zeggen niet dat dit een toverstaf is die alles direct oplost. Ze suggereren dat AI op zichzelf niet genoeg is voor deze serieuze taken. Een AI zonder regelboek (Knowledge Graph) kan een coole uitleg geven die in de echte wereld nergens op slaat. Een regelboek zonder AI is slechts een statische lijst die niet kan reageren op nieuwe gebouwen.
Maar wanneer je ze combineert via deze vier stappen, krijg je een systeem waarbij de AI het zware werk doet en de menselijke auditor de controle behoudt, met een duidelijke, juridische en traceerbare reden voor elke beslissing.
Het artikel gebruikt een specifiek voorbeeld van een houten deur in een kantoorgebouw om te laten zien hoe dit werkt. De AI detecteert de deur, het systeem vertaalt de pixels, controleert de regels, wijst een vertrouwensscore toe en laat de auditor een fout corrigeren terwijl er een perfect dossier wordt bijgehouden.
De auteurs geven toe dat dit een position paper is — het is een sterk argument en een nieuwe manier van denken, geen definitief bewijs dat dit in elk gebouw werkt. Ze suggereren dat toekomstig werk de noodzaak heeft om dit in echte audits te testen om te zien of het auditors echt helpt hun werk beter te doen. Maar het idee is solide: als je wilt dat AI helpt bij belangrijke, gereguleerde beslissingen, moet je een brug bouwen tussen het brein van de AI en het regelboek van de mens.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.