Causation & Sequential Action Graphs en het Semantic Web

XML en een ontologie met Prolog

Als je naar het schema van het semantisch web kijkt, zie je verschillende lagen. Je kan die lagen groeperen. De twee onderste lagen gaan over uitwisselbaarheid en strikt gedefinieerde objecten, je kan dat de technische laag noemen. Daarboven het je de twee lagen die echt semantisch zijn. Daar wordt ook de betekenis van die objecten gedefinieerd in een ontologie wat de mogelijkheid creëert om op de data queries uit te voeren, de database laag.

Het project heeft zich ingepast in de technische laag. SVG is XML. Maar de creatie van een ontologie is enorm arbeidsintensief. Men noemt ze verbose omdat elk element van de content uitvoerig moet gedefinieerd worden, niet alleen voor zijn betekenis maar ook voor zijn functie. Er zijn ontologieën beschikbaar, klaar om te gebruiken, bijvoorbeeld voor de metereologie, maar die zijn bijna allemaal in het Engels. Voor het Nederlands moet je ze die zelf maken of vertalen. Dat is werk voor en gans team dat onderlegd is in metereologie en technisch onderlegd in het genereren van ontologieën.

Maar daarmee is het probleem niet opgelost. Heel wat schema’s hebben te maken met minstens twee disciplines. Verdamping heeft niet alleen te maken met de thermodynamica maar ook met de biologie, want de transpiratie van de vegetatie draagt er ook toe bij. In de alfa vakken wordt het nog complexer. Het schema ‘A day in the life of hunter-gatherers’ put informatie uit zes verschillende disciplines: anthropologie, archeologie, paleogenetica, linguistiek, neurologie en demografie.

De opzet van dit project was net interdisciplinair te zijn. Met de beschikbare middelen is dat onmogelijk. Daarom werd de toevlucht genomen tot Prolog. Deze keuze is echter geen beperking. Prolog is ook een platform dat kan worden gebruikt als lijm tussen verschillende systemen. Er is een grote verscheidenheid in de manier waarop gegevens worden gestructureerd en opgeslagen. Klassieke querytalen zoals SQL, SPARQL, XPATH, enz. kunnen elk maar één zo'n formaat aan, terwijl Prolog een beknopte en natuurlijke querytaal kan bieden voor elk van deze formaten. Merk trouwens op dat de je met Prolog dezelfde relaties kan weergeven als met het Resource Description Framework van het Semantic Web (Wielemaker,2005). Een voorbeeld:

RDF: <Alice> <knows> <Bob>.
Prolog: knows(alice, bob).

Deze op Prolog gebaseerde semantische database kan je bottom up opbouwen als een collectie van teksten en beelden. Hij heeft natuurlijk niet de pretentie van volledigheid zoals GenAI, maar hij is wel betrouwbaar en dat is GenAI niet. En hij is interoperabel, wat je toch mist bij RDF.

Een mini databank als voorbeeld is momenteel in ontwikkeling. Het is een cluster van grafen rond de watercyclus en planten. Deze zal beschikbaar zijn vanaf midden november 2025. De bedoeling is dat die online kan geraadpleegd worden. Echter eens teksten worden geproduceerd door docenten kan internet overbodig worden gemaakt door de database te downloaden en installeren op een laptop. De open source data ‘engine’ swi Prolog moet dan ook geïnstalleerd zijn. Dit is dan een echte distributed database.

Hieronder zie je een voorbeeld van een Prolog query.

Hieronder staat een uittreksel van de Prolog-declaratie die voor die query is gebruikt.

Leren werken met queries vergt een gedegen opleiding vooraf.

Kunnen werken met queries ontwikkelt het logisch brein.

Referenties

Berners-Lee, Tim, James Hendler, and Ora Lassila. The semantic Web. Scientific American, 284(5):34–43, May 2001, https://surl.li/rdtjuk

Wielemaker, J. (2005). An Optimised Semantic Web Query Language Implementation in Prolog. In: Gabbrielli, M., Gupta, G. (eds) Logic Programming. ICLP 2005. Lecture Notes in Computer Science, vol 3668. Springer, Berlin, Heidelberg. https://doi.org/10.1007/11562931_12