资源有效的生产的越来越重要需要制造公司必须创造一个更具动态的生产环境，灵活的制造机器和流程。为了通过自动生产规划充分利用动态制造的这种潜力，机器的正式技能描述至关重要。然而，以手动方式生成这些技能描述是劳动密集型的，需要广泛的域名知识。在这一贡献中，引入了利用生产日志和工业本体通过感应逻辑编程的基于本体的半自动技能描述，并评估所提出的解决方案的益处和缺点。

由于促进了各种复杂的任务，因此异质自动机器人团队变得越来越重要。对于此类异质机器人，目前尚无一致的方法来描述每个机器人提供的功能。在制造领域，功能建模被认为是针对不同机器提供的语义模型功能的一种有希望的方法。这项贡献研究了如何将能力模型从制造应用到自主机器人领域，并提出了这种能力模型的方法。

在试图描述机器人的功能时，研究界充斥着技巧，动作，原子单位和其他人等词语。但是，对于使在工业场景中整合功能的可能性是必要的。这项工作通过结构化的审查方法，试图确定研究界的共同点和差异。通过这种方法，分析了210篇论文，并获得了三个主要结果。首先，绝大多数作者都同意基于任务，技能和原始的分类法。其次，调查最多的机器人的功能是挑选和地点。第三，以工业为导向的应用程序更多地集中于具有固定参数的简单机器人的功能，同时确保安全方面。因此，这项工作强调，未来的工作应使用基于任务，技能和原始的分类法来与现有文献保持一致。此外，在确保安全性的同时，需要在工业领域中进行进一步的研究。

Industry 4.0 envisions Cyber-Physical Production Systems (CPPSs) to foster adaptive production of mass-customizable products. Manufacturing approaches based on capabilities and skills aim to support this adaptability by encapsulating machine functions and decoupling them from specific production processes. At the 2022 IEEE conference on Emerging Technologies and Factory Automation (ETFA), a special session on capability- and skill-based manufacturing is hosted for the fourth time. However, an overview on capability- and skill based systems in factory automation and manufacturing systems is missing. This paper aims to provide such an overview and give insights to this particular field of research. We conducted a concise literature survey of papers covering the topics of capabilities and skills in manufacturing from the last ten years of the ETFA conference. We found 247 papers with a notion on capabilities and skills and identified and analyzed 34 relevant papers which met this survey's inclusion criteria. In this paper, we provide (i) an overview of the research field, (ii) an analysis of the characteristics of capabilities and skills, and (iii) a discussion on gaps and opportunities.

生产公司在快速调整其生产控制到波动需求或不断变化的要求时面临问题。旨在在服务意义上封装生产功能的控制方法已经令人前途，以提高网络物理生产系统的灵活性。但是，这种方法的现有挑战是根据一套要求的提供功能来寻找生产计划，特别是当要求和提供的职能之间没有直接（即句法）匹配时。在这种情况下，它可以变得复杂，以找到可以安排到满足需求的计划中的那些功能。虽然生产规划有各种不同的方法，但灵活的生产造成了现有研究未涵盖的特定要求。在这一贡献中，我们首先捕获了灵活生产环境的这些要求。之后，给出了可以利用的当前人工智能方法来概述，以克服上述挑战。讨论符号AI规划以及基于机器学习的方法的方法，并最终与要求进行比较。根据这种比较，得到了研究议程。

Machine learning (ML) on graph-structured data has recently received deepened interest in the context of intrusion detection in the cybersecurity domain. Due to the increasing amounts of data generated by monitoring tools as well as more and more sophisticated attacks, these ML methods are gaining traction. Knowledge graphs and their corresponding learning techniques such as Graph Neural Networks (GNNs) with their ability to seamlessly integrate data from multiple domains using human-understandable vocabularies, are finding application in the cybersecurity domain. However, similar to other connectionist models, GNNs are lacking transparency in their decision making. This is especially important as there tend to be a high number of false positive alerts in the cybersecurity domain, such that triage needs to be done by domain experts, requiring a lot of man power. Therefore, we are addressing Explainable AI (XAI) for GNNs to enhance trust management by exploring combining symbolic and sub-symbolic methods in the area of cybersecurity that incorporate domain knowledge. We experimented with this approach by generating explanations in an industrial demonstrator system. The proposed method is shown to produce intuitive explanations for alerts for a diverse range of scenarios. Not only do the explanations provide deeper insights into the alerts, but they also lead to a reduction of false positive alerts by 66% and by 93% when including the fidelity metric.

对生产系统的事件数据的分析是与行业4.0相关的许多应用程序的基础。但是，在该域中很常见异质性和不相交数据。结果，事件的上下文信息可能不完整或不正确地解释，从而导致次优分析结果。本文提出了一种根据事件数据的上下文（例如产品类型，过程类型或过程参数）访问生产系统事件数据的方法。该方法通过组合从数据库系统中提取过滤的事件日志：1）生产系统层次结构的语义模型，2）正式的过程描述和3）OPC UA信息模型。作为概念证明，我们使用基于OPC UA的机械伴侣规范的示例服务器演示了我们的方法。

近年来，数据科学已经显着发展。数据分析和采矿过程成为可用数据集的所有行业的常规。已收集，策划，存储和用于提取知识的大量数据存储库。这变得司空见惯。随后，我们直接从数据或通过给定域中的专家提取大量知识。现在的挑战是如何利用以前因高效决策过程而闻名的所有这些知识。直到最近，通过多年的研究获得的许多知识都存储在静态知识库或本体中，而从数据挖掘研究中获得的更多样化和动态知识并没有集中和始终如一地管理。在这项研究中，我们提出了一个称为基于本体的知识图的新型模型，以代表和存储农作物耕作中数据挖掘的结果（知识），以建立，维护和丰富知识发现过程。提出的模型包括六个主要集合：概念，属性，关系，转换，实例和状态。该模型是动态的，可以随时促进知识的访问，更新和开发。本文还提出了用于处理这种基于知识模型的体系结构。系统体系结构包括知识建模，提取，评估，发布和开发。该系统已被实施并用于农业管理和监测。事实证明，它非常有效，并且有望扩展到其他领域。

与其他连接主义模型类似，图形神经网络（GNNS）缺乏决策透明度。已经开发了许多子象征方法来提供对GNN决策过程的见解。这些是解释性途中的第一个重要步骤，但是对于不是AI专家的用户来说，生成的解释通常很难理解。为了克服这个问题，我们介绍了一种概念方法，组合了亚象征性和象征方法以实现人以人为中心的解释，其包含域知识和因果关系。我们还将保真度的概念介绍为评估解释如何对GNN的内部决策过程的指标。使用化学数据集和本体的评估显示了我们方法的解释性值和可靠性。

物联网（物联网）正在通过弥合信息技术（IT）和运营技术（OT）之间的差距来改变行业。机器正在与连接的传感器集成在一起，并通过智能分析应用程序管理，加速了数字化转型和业务运营。将机器学习（ML）带到工业设备是一个进步，旨在促进IT和OT的融合。但是，在工业物联网（IIOT）中开发ML应用程序提出了各种挑战，包括硬件异质性，ML模型的非标准化表示，设备和ML模型兼容性问题以及慢速应用程序开发。在这一领域的成功部署需要深入了解硬件，算法，软件工具和应用程序。因此，本文介绍了一个名为ML应用程序的名为“语义低代码工程”（SELOC-ML），该框架建立在低代码平台上，以利用语义Web技术来支持IIOT的ML应用程序的快速开发。 SELOC-ML使非专家能够轻松地模拟，发现，重复使用和对接ML模型和设备。可以根据匹配结果自动生成项目代码在硬件上部署。开发人员可以从称为食谱的语义应用模板中受益，从而快速原型最终用户应用程序。与工业ML分类案例研究中的传统方法相比，评估证实了至少三倍的工程努力，显示了SELOC-ML的效率和实用性。我们分享代码并欢迎任何贡献。

各种网络的部署（例如，事物互联网（IOT）和移动网络），数据库（例如，营养表和食品组成数据库）和社交媒体（例如，Instagram和Twitter）产生大量的多型食品数据，这在食品科学和工业中起着关键作用。然而，由于众所周知的数据协调问题，这些多源食品数据显示为信息孤岛，导致难以充分利用这些食物数据。食物知识图表提供了统一和标准化的概念术语及其结构形式的关系，因此可以将食物信息孤单转换为更可重复使用的全球数量数字连接的食物互联网以使各种应用有益。据我们所知，这是食品科学与工业中食品知识图表的第一个全面审查。我们首先提供知识图表的简要介绍，然后主要从食物分类，食品本体到食品知识图表的进展。粮食知识图表的代表性应用将在新的配方开发，食品可追溯性，食物数据可视化，个性化饮食推荐，食品搜索和质询回答，视觉食品对象识别，食品机械智能制造方面来概述。我们还讨论了该领域的未来方向，例如食品供应链系统和人类健康的食品知识图，这应该得到进一步的研究。他们的巨大潜力将吸引更多的研究努力，将食物知识图形应用于食品科学和工业领域。

Semantic Web Rule Language (SWRL) combines OWL (Web Ontology Language) ontologies with Horn Logic rules of the Rule Markup Language (RuleML) family. Being supported by ontology editors, rule engines and ontology reasoners, it has become a very popular choice for developing rule-based applications on top of ontologies. However, SWRL is probably not go-ing to become a WWW Consortium standard, prohibiting industrial acceptance. On the other hand, SPIN (SPARQL Inferencing Notation) has become a de-facto industry standard to rep-resent SPARQL rules and constraints on Semantic Web models, building on the widespread acceptance of SPARQL (SPARQL Protocol and RDF Query Language). In this paper, we ar-gue that the life of existing SWRL rule-based ontology applications can be prolonged by con-verting them to SPIN. To this end, we have developed the SWRL2SPIN tool in Prolog that transforms SWRL rules into SPIN rules, considering the object-orientation of SPIN, i.e. linking rules to the appropriate ontology classes and optimizing them, as derived by analysing the rule conditions.

现实世界的语义或基于知识的系统，例如在生物医学领域，可能会变得大而复杂。因此，对此类系统知识库中故障的本地化和修复的工具支持对于它们的实际成功至关重要。相应地，近年来提出了许多知识库调试方法，尤其是基于本体的系统。基于查询的调试是一种相似的交互式方法，它通过向知识工程师提出一系列问题来定位观察到的问题的真正原因。存在这种方法的具体实现，例如本体论编辑器的OntodeBug插件prof \'eg \'e。为了验证新提出的方法比现有方法有利，研究人员通常依靠基于模拟的比较。但是，这种评估方法有一定的局限性，并且通常无法完全告知我们方法的真实性。因此，我们进行了不同的用户研究，以评估基于查询的本体调试的实际价值。研究的一个主要见解是，所考虑的交互方法确实比基于测试案例的替代算法调试更有效。我们还观察到，用户经常在此过程中犯错误，这突出了对用户需要回答的查询的仔细设计的重要性。

即将开发我们呼叫所体现的系统的新一代越来越自主和自学习系统。在将这些系统部署到真实上下文中，我们面临各种工程挑战，因为它以有益的方式协调所体现的系统的行为至关重要，确保他们与我们以人为本的社会价值观的兼容性，并且设计可验证安全可靠的人类-Machine互动。我们正在争辩说，引发系统工程将来自嵌入到体现系统的温室，并确保动态联合的可信度，这种情况意识到的情境意识，意图，探索，探险，不断发展，主要是不可预测的，越来越自主的体现系统在不确定，复杂和不可预测的现实世界环境中。我们还识别了许多迫切性的系统挑战，包括可信赖的体现系统，包括强大而人为的AI，认知架构，不确定性量化，值得信赖的自融化以及持续的分析和保证。

Candidate axiom scoring is the task of assessing the acceptability of a candidate axiom against the evidence provided by known facts or data. The ability to score candidate axioms reliably is required for automated schema or ontology induction, but it can also be valuable for ontology and/or knowledge graph validation. Accurate axiom scoring heuristics are often computationally expensive, which is an issue if you wish to use them in iterative search techniques like level-wise generate-and-test or evolutionary algorithms, which require scoring a large number of candidate axioms. We address the problem of developing a predictive model as a substitute for reasoning that predicts the possibility score of candidate class axioms and is quick enough to be employed in such situations. We use a semantic similarity measure taken from an ontology's subsumption structure for this purpose. We show that the approach provided in this work can accurately learn the possibility scores of candidate OWL class axioms and that it can do so for a variety of OWL class axioms.

通过整合人类的知识和经验，人在循环旨在以最低成本培训准确的预测模型。人类可以为机器学习应用提供培训数据，并直接完成在基于机器的方法中对管道中计算机中的难以实现的任务。在本文中，我们从数据的角度调查了人类循环的现有工作，并将它们分为三类具有渐进关系：（1）从数据处理中提高模型性能的工作，（2）通过介入模型培训提高模型性能，（3）系统的设计独立于循环的设计。使用上述分类，我们总结了该领域的主要方法;随着他们的技术优势/弱点以及自然语言处理，计算机愿景等的简单分类和讨论。此外，我们提供了一些开放的挑战和机遇。本调查打算为人类循环提供高级别的摘要，并激励有兴趣的读者，以考虑设计有效的循环解决方案的方法。

Any organization needs to improve their products, services, and processes. In this context, engaging with customers and understanding their journey is essential. Organizations have leveraged various techniques and technologies to support customer engagement, from call centres to chatbots and virtual agents. Recently, these systems have used Machine Learning (ML) and Natural Language Processing (NLP) to analyze large volumes of customer feedback and engagement data. The goal is to understand customers in context and provide meaningful answers across various channels. Despite multiple advances in Conversational Artificial Intelligence (AI) and Recommender Systems (RS), it is still challenging to understand the intent behind customer questions during the customer journey. To address this challenge, in this paper, we study and analyze the recent work in Conversational Recommender Systems (CRS) in general and, more specifically, in chatbot-based CRS. We introduce a pipeline to contextualize the input utterances in conversations. We then take the next step towards leveraging reverse feature engineering to link the contextualized input and learning model to support intent recognition. Since performance evaluation is achieved based on different ML models, we use transformer base models to evaluate the proposed approach using a labelled dialogue dataset (MSDialogue) of question-answering interactions between information seekers and answer providers.

机器学习（ML）模型的开发不仅仅是软件开发的特殊情况（SD）：ML模型即使没有以看似无法控制的方式直接人类互动，也可以获取属性并满足要求。但是，可以形式上描述基础过程。我们为ML定义了一个全面的SD流程模型，该模型涵盖了文献中描述的大多数任务和文物。除了生产必要的工件外，我们还专注于以规格的形式生成和验证拟合描述。我们强调即使在初步训练和测试后，即使在生命周期中进一步发展ML模型的重要性。因此，我们提供了各种交互点，具有标准SD过程，其中ML通常是封装的任务。此外，我们的SD过程模型允许将ML作为（元）优化问题提出。如果严格自动化，则可以用来实现自适应自主系统。最后，我们的SD流程模型具有时间的描述，可以推理ML开发过程中的进度。这可能会导致ML领域内形式方法的进一步应用。

知识图中的节点是一个重要任务，例如，预测缺失类型的实体，预测哪些分子导致癌症，或预测哪种药物是有前途的治疗候选者。虽然黑匣子型号经常实现高预测性能，但它们只是hoc后和本地可解释的，并且不允许学习模型轻松丰富域知识。为此，已经提出了学习描述了来自正和否定示例的逻辑概念。然而，学习这种概念通常需要很长时间，最先进的方法为文字数据值提供有限的支持，尽管它们对于许多应用是至关重要的。在本文中，我们提出了Evolearner - 学习ALCQ（D）的进化方法，它是与合格基数限制（Q）和数据属性配对的补充（ALC）的定语语言和数据属性（D）。我们为初始群体贡献了一种新颖的初始化方法：从正示例开始（知识图中的节点），我们执行偏见随机散步并将它们转换为描述逻辑概念。此外，我们通过在决定分割数据的位置时，通过最大化信息增益来提高数据属性的支持。我们表明，我们的方法在结构化机器学习的基准框架SML - 台阶上显着优于现有技术。我们的消融研究证实，这是由于我们的新颖初始化方法和对数据属性的支持。

技能在就业市场和许多人力资源（HR）过程中起着核心作用。在其他数字经验之后，当今的在线工作市场有候选人希望根据他们的技能看到正确的机会。同样，企业越来越需要使用数据来确保其劳动力中的技能保持未来。但是，有关技能的结构化信息通常缺少，并且基于自我或经理评估的流程已证明与所得数据的采用，完整性和新鲜度有关。鉴于明确或仅隐含地描述了数千种可能的技能标签，并且缺乏精细注释的培训语料库，提取技能是一项艰巨的任务。以前的技能提取工作过于简化任务，将其用于明确的实体检测任务，或者基于手动注释的培训数据，如果应用于完整的技能词汇，这是不可行的。我们根据遥远的字面匹配，提出了一个用于技能提取的端到端系统。我们提出并评估了几种负面验证数据集中的几种负面抽样策略，以提高技能提取对隐式提及技能的推广，尽管在遥远的监督数据中缺乏这种隐性技能。我们观察到，使用ESCO分类法从相关技能中选择负面示例会产生最大的进步，并且在一个模型中结合三种不同的策略进一步提高了性能，在RP@5中最多可达8个百分点。我们介绍了基于ESCO分类法的手动注释评估基准，以进行技能提取，并在其上验证模型。我们发布基准数据集以进行研究目的，以刺激对任务的进一步研究。