Integrando observações e predições em grafos de conhecimento ontologicamente fundamentados

• Ano de defesa: 2024
• Autor(a) principal: Moraes, Gabriela
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Laboratório Nacional de Computação Científica; Coordenação de Pós-Graduação e Aperfeiçoamento (COPGA); Brasil; LNCC; Programa de pós-graduação em Modelagem Computacional
• Palavras-chave em Português: Grafos de conhecimento; Ontologias; Modelos de predição; Knowledge graphs; Ontologies; Predictive models.; CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO
• Link de acesso: https://tede.lncc.br/handle/tede/401

Os serviços de previsão do tempo enfrentam uma tarefa cada vez mais difícil de alertar a população sobre eventos climáticos extremos. A previsão de precipitação é um tópico de pesquisa relevante com impacto importante na tomada de decisões de monitoramento de áreas urbanas. Motivados pelas oportunidades de aplicar modelos de aprendizado de máquina na previsão de eventos climáticos, muitos pesquisadores visam construir modelos preditivos de ML para previsão de precipitação extrema em áreas urbanas. A construção desses modelos requer dados observacionais, para treinamento, validação e teste, provindos de diferentes fontes, normalmente coletados e armazenados separadamente em arquivos usando um formato de dados tabulares que carece de semântica explícita. A partir do treinamento desses modelos e dos dados observacionais representando as condições correntes da atmosfera, podemos ter inferências que necessitam ser armazenadas de maneira que facilite seu acesso e reuso. Esse cenário motivou a necessidade de uma visão integrada desses dados, com o objetivo de apoiar aplicações para tomada de decisão. Dados integrados fornecem um panorama mais detalhado das condições atmosféricas, permitindo que os modelos capturem melhor os padrões e variabilidades climáticas. Integrar dados preditos com os dados observacionais que ajudaram a gerar essa predição oferece várias vantagens significativas. Dentre essas vantagens, temos a explicabilidade de modelos. Neste sentido, a associação entre os resultados de predições e o contexto em que a previsão foi computada coloca em evidência os aspectos que influenciaram a predição. Esse trabalho se resume em apresentar uma boa maneira de integrar dados observacionais, dados preditos e os modelos de predição que os relacionam. A fim de mostrar que grafo de conhecimento é uma boa ferramenta para enfrentar o desafio, propomos primeiramente a construção de uma ontologia que descreve todo o cenário de predições meteorológicas, e que garante uma base sólida para a criação e manutenção do grafo de conhecimento, auxiliando na gestão de informações. A ontologia ObsML foi construída sobre uma ontologia de fundamentação, a partir da qual estendem-se técnicas de alinhamento entre classes, para incluir aquelas necessárias para representar todo o domínio de estudo da pesquisa. A partir de um caso de uso, observamos que a ontologia criada se mostrou eficiente para apoiar a construção de um grafo de conhecimento destinado ao armazenamento dos dados envolvidos nos treinamentos de modelos de predição meteorológica e nas inferências feitas por esses modelos. Com esses resultados esperamos ter um grafo com uma descrição semântica comum, gerando um nível mais elevado de abstração que não depende da infraestrutura física ou formato dos dados. Assim sendo, a construção de aplicações para tomada de decisão no contexto meteorológico poderá se beneficiar da existência de uma representação que integre dados do domínio.