Mindey, 
Viešosios žvalgybos standartizacijos superkategorijos
Remdamiesi lygties ontologija, galime sukurti standartines duomenų kategorijų klasifikavimo super-kategorijas ir padaryti duomenis veiksmingesniais.
Taigi idėja yra ta, kad naudodami lygties modelio ontologiją (F (X) = Y), galėtume sukurti specialias superkategorijas klasifikuoti klasifikavimo sistemoms ir duomenų šaltiniams. Detalės bendradarbiavimo dokumente. Pvz., Nulinė šių super-kategorijų standarto versija galėtų atrodyti taip:
SĄLYGOS (Y)
1. Tikslai 200
- TSV 210: Technologinė-mokslinė vizija.
- NPL 210: Nacionalinės politikos tikslas,
- NLG 210: Nacionalinės įstatymų leidybos tikslas,
- RLG 210: Regioninis įstatymų leidybos tikslas,
- OP 210: Organizacijos politikos tikslas,
- RDG 210: Regioninės plėtros tikslas,
- NMG 210: NVO / NPO misijos tikslas,
- ECI 210: Etninis ir kultūrinis ketinimas,
- INTT 210: Tarptautinė sutartis,
2. Idėjos 400
- ICAT 220: Pramonės kategorijos kodas,
- PCAT 220: Produkto kategorijos kodas (pvz., HS),
- ACAT 220: Ekonominės veiklos kategorijos kodas (pvz., NACE (EVRK), SIC, NAICS),
- PTN 450: Patento numeris,
- SPN 420: Mokslinio leidinio numeris (pvz., DOI),
- TRP 430: Techninė ataskaita,
- PROT 430: Laboratorinis arba medicinos protokolas (pvz., Protocol-Online),
- INBS 410: Novatoriška smegenų šturmo idėja (pvz., Halfbakery),
- CD-REPO 430: Kodų saugykla (kompiuterio vykdomųjų procesų idėjos),
- ISTD 220: Pramonės standarto numeris / kodas.
3. Planai 300
- CPN 330: Įmonės projekto pavadinimas,
- CSPN 330: Konsorciumo programa,
- PPN 360: Asmeninio projekto pavadinimas,
- PCN 360: Projekto koda-vardis (codename),
- MID 360: Misijos ID.
VEIKSMAI (X)
4. Operacijos 500
- CPU-OPS 510: Slankiojo kablelio operacija,
- NET-RQST 511: Tinklo užklausos operacija,
- UI-MOVE 510: Vartotojo sąsajos judesio operacija,
- ORG-TASK 530: Organizacijos užduotis,
- ORG-PROD 533: Organizacijos produktas (jo gamybos operacija),
- TRD-ORD 520: Rinkos prekybos pavedimas (orderis) (GAAP taksonomija, TFAS taksonomija, VAS taksonomija),
- MTF 526: Pinigų pervedimas,
- ATF 523: Turto perleidimas (pvz., Siuntimas),
- ITF 511: Informacijos perdavimas (pvz., Pranešimas, failo įkėlimas ir kt., Sutampa su NET-RQST),
- MED-OP 534: Medicininė operacija,
- LAB-OP 534: Laboratorinė operacija,
- WEB-DEPLOYMENTS 511: CI/CD integracijos pagrindu sukurtų internetinių sistemų diegimo operacija.
ESYBĖS (F)
5. Turtas 300
↳ 1) Agentai 330
- CRED 330: Įmonės registro ID (pvz., D-U-N-S),
- CNID 330: Įmonės nacionalinis ID,
- INID 370: Įndivido nacionalinis ID,
- SNET 330, 370: Socialinio tinklo ID.
↳ 2) Daiktai 310, 320, 460, 470, 480
- NREID 310: Nacionaliniai nekilnojamojo turto ID (pvz., Kadastro),
- NTEID 310: Nacionaliniai materialiojo turto ID (pvz., Nacionalinis automobilių registras, nacionalinis telefono registras),
- INSTRID 480: Prietaisų ir pramoninių mašinų ID,
- COMIDS 470: Produktų (commodity) vieneto ID,
- FINIDS 470: Finansinio produkto vieneto ID,
- WASID 320: (Interneto išteklių ID, pvz., MAC adresas).
↳ 3) Temos 100*
6. Vietos 150*
- RLOC 151: Fizinė vieta (pvz., Adresas), WGS, WCS/FITS,
- VLOC 153: Virtuali vieta (pvz., IP, IPv6 adresas, neuroninio tinklo sritis), DNS (kompiuterių / telefonų adresų registrai (4,3 ir daugiau mlrd. IP adresų)), minčių adresai neuroniniuose tinkluose, ir t.t.
7. Įvykiai 120
projektas
Network Resource Vocabulary Development Group
The sole purpose is to introduce, evolve and maintain data alignment protocol.
projektas
0 > oo
Pasaulinis finansinis „Think-Tank“ skirtas padėti pasauliui drauge apsibrėžti ir siekti tikslus.
+[projektas]
Gali būti naudinga net norint atlikti užsakymus mūsų kategorijose (/ ketinimai / medis) importuotiems duomenims net čia, 0 -> oo :)
May be useful even for making order in our categories for imported data even here, on 0 -> oo :)
Šiuo metu, importuodamas duomenų rinkinius, pradėjau juos naudoti, automatiškai generuodamas šaltinių kategorijas:
„Y: IDEA: TRP: NTRS“, nuoroda į NASA techninių ataskaitų serverį.
Currently, while importing datasets, started using it, auto-generating categories for sources, like so:
Y:IDEA:TRP:NTRS, to refer to NASA Technical Reports Server.// importuodami duomenų rinkinius
Kaip importuoti duomenų rinkinį?
//while importing datasets How do I import a dataset?
Yra dar kažkas, į ką reikėtų atsižvelgti. Šiandien turime giliai besimokančių įmonių modelius, kurie atsakytų į konkrečius klausimus. Pvz., Tapatybės ir veido atpažinimo modeliai, orų modeliai ir kt., O šie konkretūs modeliai naudojami kaip šaltinis, kai sprendimų priėmimui naudojamos integruotos sprendimų sistemos.
Taigi, kaip ir turėdami abstrakcijos sluoksnius, kurdami tinklo protokolus vienas po kito (pvz., Sluoksniai OSI modelyje), iš tikrųjų galėtume turėti giliųjų išmokti modeliai, kurkite socialinį intelektą iš pagrindų, derindami kelis standartizuotus AI modelius.
Turėdami versijas ir standartizuotus mašinoje išmoktus modelius, mes galėtume dirbti nurodydami šių modelių savybes ir akląsias zonas ir imtis veiksmų, kad užtikrintai juos versijume, palaipsniui tobulintume ir naudotume išvestinėse programose.
Pavyzdžiui, įsivaizduokite, kad sąvokos „Manga“ apibrėžimą apibrėžia ne žodynas, o ANN, pvz., Manga GAN, ir jis tampa panašus į ISO standartą. „Manga“ išvaizdos modelis. Daugelis dirbtinio intelekto sistemų jau yra versijos, pvz., „Google Translate“, ir jų savybės yra žinomos. Taigi, pagalvokite apie daugelį sąvokų ir sudėtingų reiškinių, kuriuos mes kuriame ir standartizuojame dirbtinio intelekto modelius.
Galbūt šis komentaras nusipelno atskiro įrašo, susijusio su AI standartų idėja AI modeliams.
There is something more to consider. Today, we have companies deep-learning specific models to answer specific questions. For example, identity and face recognition models, weather models, etc., and these specific models are being used as a resource by integrative decision systems to make decisions.
So, just like we had layers of abstraction while building network protocols one upon another (e.g., layers in OSI model), we could actually have standards for deep-learned models, build social AI from ground up, combining multiple standardized AI models.
Having versioned and standardized machine-learned models would allow us to work on specifying the qualities and blind-spots of these models, and take actions to confidently version, incrementally improve, and use them in derived applications.
For example, imagine that definition of a concept "Manga" is defined not by a dictionary, but by an ANN, like Manga GAN, and becomes something like an ISO standard model of what "Manga" looks like. Many AI systems are already versioned, like, for example Google Translate, and the properties of them are known. So, think of many concepts and complex phenomena that we build AI models of, and standardize.
Perhaps this comment merits a separate post, of an idea of ISO standardization for AI models.
Tiesą sakant, per laiką ir apmąstymus apie Funkcijų tinklą ir Pasaulio žemėlapių asistentą, aš sugalvojau aukštesnio lygio kategorijų sistemą, kuri būtų kompaktiškesnė ir patogesnė. Jis sukasi apie sistemų koncepciją ir apima tik 5 sąvokų klases: „100: Ištekliai“, „200: Kategorija“, „300: Sistema“, „400: Metodas“ ir „500: Veikimas“. Išsami informacija yra V2 („Tinklo išteklių žodynas“). Šiuo metu jį naudoju tvarkyti visus patikrintus duomenis. Remiantis panašiu modeliu, kaip mes klasifikuojame HTTP atsakymus su HTTP būsenos kodais. Galbūt šios superkategorijos čia galėtų būti naudojamos išplėsti tą tinklo išteklių žodyną.
Įdomu, ar yra kažkas panašaus, ką jau padarė kiti, ir kokius būdus jie buvo sugalvoję.
Actually, through time and reflections on Network of Functions and World Mapping Assistant, I had come up with a higher level categorization system that is more compact and usable. It revolves around the concept of Systems, and involves only 5 classes of concepts:
100: Resource,200: Category,300: System,400: Method, and500: Operation. The details are on V2 ("Network Resource Vocabulary"). I currently use it to organize all crawled data. It follows a similar pattern how we categorize the HTTP responses with HTTP Status Codes. Perhaps these supercategories here could be used to extend that network resource vocabulary.I wonder, is there something similar already done by others, and what approaches had they come up with.