利用语义和机器学习扩展数据科学解决方案:博世案例
基于语义的可视化查询系统在第四工业革命(工业 4.0)中的应用,该系统利用自定义数字化表示的机器和语义描述来实现对数据的探索和可视化,提供更高层次的抽象查询、基于数据格式和性质的定制图形可视化结果以及下载丰富数据以进行进一步的分析。
Jan, 2024
介绍大数据科学中使用云计算作为一种实用且成本效益高的解决方案,着重分析软件堆栈的建设模块,为数据科学家提供大数据分析应用的普及服务,为该领域的最新发展和挑战提供各种见解。
Sep, 2017
本文介绍了一种分布式、可伸缩的平台架构,可用于有效的实时大数据采集和分析,其中结合智能家电的实时预测维护进行了案例研究,结果表明该平台具有成本效益和本地化优势。
Oct, 2022
本研究提出了一种基于语义驱动的云边协作方法,用于加速视频推断,以车牌识别为案例研究。通过将语义提取和识别分离,在减少端到端延迟和提高吞吐量的基础上,将计算密集型的识别任务分配给云端或相邻边缘节点进行处理。实验证明,与仅采用云端或仅采用边缘节点处理相比,该方法可以显著提高端到端推断速度(高达 5 倍),吞吐量(高达 9 FPS)和减少流量(减少 50%),从而验证了该方法的效率。语义驱动的云边协作框架为智慧城市中的视频分析提供了具有良好前景的解决方案。
Sep, 2023
本文提出了一种基于深度学习、进行语义通信的轻量级分布式语义通信系统 L-DeepSC,该系统通过模型裁剪,低权重分辨率,优化语义星座,以及使用信道状态信息辅助训练等技术,旨在提高 IoT 设备的通信效率和降低通信成本。仿真实验证明,在低信噪比环境下,该系统可实现高达 40 倍的数据压缩比,而不影响传输性能。
Jul, 2020
本文提出了一个基于语义 Web 技术的框架,旨在管理 TinyML 模型和 IoT 设备的组合,包括建模信息、组合发现和基准测试,并支持 TinyML 组件的交换和再利用。作者设计了一个神经网络模型本体论,并以 W3C Thing Description 为基础,描述和维护 23 个公共 ML 模型和 6 个 IoT 设备的知识图谱。通过三个案例研究,验证了该框架的有效性和可重复性。
Feb, 2022
本文评估了处理物联网数据挑战的不同机器学习方法,以智能城市为主要案例。该研究的关键贡献是提供一个机器学习算法分类法,阐述如何应用不同技术从数据中提取高层次信息。此外,还讨论了机器学习在物联网数据分析中的潜力和挑战,并介绍了应用支持向量机(SVM)在奥尔胡斯智能城市交通数据上的案例。
Feb, 2018
本文介绍了一个基于语义低代码工程的 ML 应用程序框架,名为 SeLoC-ML,利用语义 Web 技术来支持在工业物联网(IIoT)中快速开发 ML 应用程序,使非专业人士能够轻松建模、发现、复用和匹配 ML 模型和设备。SeLoC-ML 在至少降低三倍的工程努力方面显示了效率和实用性。
Jul, 2022
本文讨论了在不同的实际应用中将语义图应用于自动化数字孪生所需的独特要求,并介绍了反映这些特征的基准数据集 DTBM,并探讨了不同知识图技术的规模化挑战。基于这些见解,我们将提出在 IBM 中多个产品中使用的参考架构,并推导出用于配置数字孪生的 AI 模型的规模化知识图的教训。
Oct, 2022
本文讨论了当前数据科学和机器学习自动化解决方案的重要缺陷,并设想如何利用语义理解和推理与数据科学自动化的新工具相结合,以帮助保持一致且可解释的数据增强和转换。另外,我们还讨论了语义如何在处理与信任、偏见和可解释性相关的挑战方面以一种崭新的方式帮助数据科学家,并在更好地探索和组织大型数据源方面提供帮助。
Mar, 2023