在网络物理环境中设计和使用知识工程与机器学习

0在网络物理环境中，知识工程和机器学习用于设计和使用0Michael Walch维也纳大学Universit¨atsring 11010 Vienna, Austria0摘要0在将人和业务因素纳入循环的过程中，开发网络物理系统（CPS）的一个必要任务是以明确的方式捕获人类知识与设计。知识工程可以应用于解决这个任务。因此，利用人类知识与设计在CPS的整个生命周期中以自动化的方式。特别是，一个挑战是连接概念模型和操作环境。前者侧重于捕获和分解有关人员、企业和CPS的人类知识与设计，使用可以通过顺序语义的过程来执行的半正式概念，而后者侧重于在运行时在物理世界中操作的连续时间模型和CPS。通过以智能方式连接概念模型和操作环境，s*IoT概念建模方法能够对两个层次的可解释性进行对齐：一个是人们关注可行性、可取性和可行性的设计，一个是CPS的高效、自动化和可靠使用。因此，s*IoT取代了在概念模型和操作环境之间开发应用程序特定接口的方法。相反，s*IoT采用了语义Web技术来减少开发应用程序特定接口的人力工作。尽管这是一种有前途的方法，但问题是机器学习方法的集成是否为s*IoT提供了额外的好处，因为机器学习方法可以进一步消除与语义Web技术相关的人力工作。本文对这个问题提出了一个可争议的观点。0引言虽然大多数网络物理系统（CPS）旨在增强人们和企业的能力，但这也是一个问题，因为CPS很难了解人们和企业的需求（Sowe等，2016）。使人类知识与设计可访问可以帮助CPS做出智能决策，并实现它们的目标，这最终也是人们和企业的目标。概念建模是一种使人类知识与设计以半正式方式显式化的方法，可以被人类理解。0版权由作者持有。在A. Martin，K. Hinkelmann，A. Gerber，D.Lenat，F. van Harmelen，P. Clark（编者），AAAI2019春季研讨会论文集：机器学习与知识工程相结合（AAAI-MAKE2019）（第一卷，第二卷）。斯坦福大学，加利福尼亚州帕洛阿尔托，美国，2019年3月25-27日。0在设计时。由此产生的半正式工件还可以在运行时与CPS相连接。要实现这个潜力，需要对概念建模方法进行专门化。相应地，已经提出了s*IoT概念建模方法，以智能方式将（1）分解人类知识与设计的概念模型和（2）进一步从CPS的复杂能力中抽象出来的操作环境相结合（Walch和Karagiannis2019）。其结果是可以被人类和CPS理解的“智能”模型。概念模型和操作环境之间的连接可以通过不同的方式实现。一种选择是通过手工开发概念模型和操作环境，这意味着不同的利益相关者必须投入大量的工作。通过开发应用程序特定的接口来连接这些手工开发的工件是可能的，但这又需要为每个接口投入人力。另一种选择是利用语义Web技术自动连接概念模型和操作环境。语义Web技术为需要多样性、综合性和明确性的主题提供了好处（Janowicz等，2014）。因此，语义Web技术在当前版本的s*IoT概念建模方法中得到了采纳。具体而言，s*IoT建模方法和工具采用了本体论和推理。这通过将概念模型进一步分解为具有形式语义的元素，并与抽象操作环境的形式语义匹配来实现自动化。虽然采用语义Web技术可以消除大部分人工工作，但仍有一些方面需要通过劳动密集型和容易出错的过程来手工开发，这已经成为一个关键的瓶颈（Doan等，2004）。因此，第三个潜在选择是采用机器学习。因此，重点是机器学习的先进自动化机会。本文的方法是提出对知识工程和机器学习相结合的可争议观点。特别是，通过研究机器学习的机会，探讨了s*IoT概念建模方法的潜在更新。因此，讨论了三个关于自动化概念模型和操作环境之间连接的案例。目标是描述一个方向，沿着这个方向可以推进未来的研究。0执行环境0语言抽象0领域抽象0运行时环境0建模方法工程0建模0概念模型0使用概念的模型0概念模型0间接模型0CPS能力的抽象0语义技术CPS操作环境0分解0知识与设计0"智能"模型0实现者角色0图1：分析机器学习适用性的主题。0未来的研究可以进一步发展。这个方向是以模型为基础的专门化设计科学范式的概念框架所构建的。此外，应用了一个元层视图，将所得到的模型视为研究对象。本文的研究问题是为了探索机器学习与连接概念模型和操作环境之间的机会，从具体案例中提取信息，并得出未来的研究方向。为了回答研究问题，采用了概念分析方法。为了验证目的，对结果进行了优势、劣势、机会和威胁（SWOT）的分析。在引言之后，本文分为五个部分。首先，总结了关于概念建模、CPS和它们之间连接的基础和相关工作。然后，简要介绍了s*IoT概念建模方法，以及它如何从使用语义Web技术受益。基于这两个部分，提出了如何将s*IoT建模方法和工具与机器学习相结合的更新建议。在总结之前，对结果进行了批判性反思。0基础和相关工作图1显示了s*IoT概念建模方法所涉及的主题。本文分析了这个主题关于机器学习适用性的问题。因此，对基础和相关工作进行了简要讨论。所讨论的主题可以分为三个主要部分：概念建模、CPS和两者之间的连接。概念建模可以在一个提取循环中应用，以使人类知识与设计以显式方式表达出来（Karagiannis，Buchmann和Walch 2017）。结果是显式的0知识与设计是由人类导向和机器导向的表达所分解的显式知识和设计。这些表达是概念模型。概念模型在一定程度上是半形式的，因为它们可以被ICT系统处理，但也包含需要人类解释的语义。构建概念模型需要建模方法和工具。概念模型、建模方法和建模工具的语言、过程和算法抽象由元模型提供。元模型和模型共同支持敏捷循环中的知识与设计工程（Karagiannis2015）。因此，工程可以被视为组装表征组件的任务，而不是公理编写（Clark等，2001）。因此，当主题专家的知识与设计被显式表达时，不一定需要工程师，因为后者可以直接使用对他们来说熟悉或直观的表征与概念模型进行交互。网络物理系统是涉及网络和物理组件的反馈系统，可以为工业4.0、社会5.0和智能城市等创新应用提供支持。与传统的ICT系统不同的是，网络物理系统不存在明确的分离，而是物理过程和软件的交叉（Shi等，2011）。然而，为了使不同的多学科团队能够共同解决设计和使用CPS的问题，需要进行建模。因此，CPS为建模提出了新的挑战，这些挑战不是传统ICT系统的建模方法所覆盖的（Derler，Lee和Sangiovanni-Vincentelli 2011;Sharma等，2014）。这是因为传统的ICT系统依赖通过顺序步骤对知识和设计进行编码的模型，而CPS则深深扎根于物理世界，这要求使用连续时间模型，这些模型与数值近似解算器一起工作。0近似解微分方程的解决方案。概念模型与CPS之间的连接要求集成设计时和运行时方面。因此，概念模型可以通过操作语义（Lehmann等人2010）在连接的一端进行扩展。另一方面，CPS可以被理解为可执行模型的运行时环境。运行环境可以由提供与可执行模型相同抽象级别的接口的执行环境封装起来。运行时环境和执行环境共同构成可执行模型的操作环境。然而，实际上，可执行模型与执行环境之间的连接是一个复杂的问题，因为没有固定的对齐点（Walch和Karagiannis2019）。在对这个问题的基础知识进行简短介绍之后，讨论了相关工作，用于连接概念模型和操作环境。关于概念模型的执行，对于对人类来说认知适合且可以被机器处理的概念模型是有益的，因为这样的模型可以启用通信和协作，通过分析和模拟支持决策者，并通过模型执行自动化企业运营（Hinkelmann等人2018）。为了利用这些好处，概念模型的形式语义是必不可少的（Hinkelmann等人2016）。扩展形式操作语义的概念模型的示例包括UML模型类型，它通过fUML进行扩展（D´evai等人2015），SysML需要专用的执行环境（Wolny2017），以及可以通过工作流引擎使用的BPMN（De Gi-acomo等人2017）。然而，只有少数类型的模型可以被执行（Thalheim2018），这是一个问题，因为敏捷和快速变化的建模需求，尤其是考虑到CPS可以用于操作模型。关于CPS在概念模型中的抽象，PRINTEPS项目是一个最近的例子（Morita等人2018）。PRINTEPS将机器人操作系统（ROS）作为不同机器人提供的运行时环境的抽象。这个执行环境在领域特定的概念模型中得到了反映，并通过模型执行进行了扩展。进一步的模型抽象允许领域专家直观地理解概念模型。在PRINTEPS中，将关联不同概念模型和ROS的抽象和分解机制自动化。然而，一个问题是，对ROS的承诺不能适用于所有类型的CPS，特别是CPS架构从分层变为面向服务的变化（Foehr等人2017; Gruettner，Richter和Basten2017）。0s*IoT概念建模方法s*IoT概念建模方法是由于AMME提出的新要求和CPS架构的变化而提出的（Walch和Karagian- nis2019）。特别是，在使用概念模型时，已经发现了一些问题，因为应用程序特定接口需要人工开发来手动对齐概念模型和操作环境。0图2：连接概念模型和操作环境的方面。0不可扩展的工作量。为了缓解这个问题，s*IoT建模方法和工具集成了语义Web技术。图2显示了在人类知识和设计与CPS能力之间连接概念模型和操作环境的方面。要求可以从前者推导出，而描述可以从后者推导出。要求和描述可以以功能、结构和行为的方式建模。结构方面涉及组件及其关系，功能方面涉及抽象角色和具体实现的层次结构（即目标和可测效果），行为方面涉及随时间的性能。在所有这些方面之间，可能存在计算范例、细节粒度和表达语言方面的差距。在s*IoT中，通过语义Web技术支持将这些方面连接在一起。由此带来的好处是，要求和描述之间的对齐点不是固定的，而是允许在连接不同类型的概念模型和操作环境时增加灵活性、智能和自动化。这是可能的，因为语义Web技术提供了将连接从应用程序特定接口提升到相关元素之间的语义映射的技术。一个具体应用案例的例子是对人类知识和设计，例如工业4.0生产过程进行建模，用形式化语义注释生成的概念模型，并发现适合模型执行的CPS服务。0s*IoT和机器学习0为了改进s*IoT概念建模方法，将机器学习的好处应用于连接概念模型和操作环境的问题。因此，提出了三种情况。在这三种情况中，应用了当前版本的s*IoT建模方法和工具。由于使用了语义Web技术，因此结果是“智能”模型。此外，在这三种情况下，还通过使用机器学习进行概念扩展，进行了概念模型的“智能”扩展。第一种情况 -识别物理环境的结构：在这种情况下，应用s*IoT建模方法和工具对模拟咖啡制作过程进行建模，并在一个物理环境中执行该过程。0包含机器人臂和咖啡原料的环境。为了实现模型执行，将物理环境的结构抽象为建模层。这是由人类手工完成的，他们创建了一个扩展了咖啡制作流程模型的本体论。本体论包含了关于物理环境中对象的信息，如咖啡原料和机器人臂的x、y和z坐标。通过将所有这些元素结合在一起的“智能”模型，可以实现过程的执行。目前正在评估机器学习为该案例提供的选项。特别是，使用图像识别更新基于实时数据的对象本体论。因此，如果将机器学习方法和工具集成到s*IoT建模方法和工具中，那么在咖啡原料的数量、位置或大小发生变化时，可能不需要手动干预。0第二种情况 -从结构推理功能：在这种情况下，应用s*IoT建模方法和工具对CPS的功能和结构进行建模。通过使用语义Web技术，可以从CPS的结构推理出其功能。这需要知识工程师和领域专家定义功能和结构之间的关系，例如，可以驱动和操纵的机器人车辆具有 - among other things -两个独立的电机、轮子和电机控制器。目前正在评估如何通过机器学习来支持这种推理。以前，CPS的结构和功能之间必须手动建模。这样的现有模型被用来组织用于机器学习的训练集。基于这些训练集和机器学习技术，可以从图像中识别CPS的结构，并根据其功能对CPS进行分类。对于当前使用的语义Web技术和机器学习技术之间的好处和缺点进行深入比较应该能够提供更多见解。0案例三 -基于CPS行为的建模者助手：在这种情况下，目标是通过为建模者提供智能助手来减少建模者花费的时间和认知努力。这些助手应该主动分类建模者的活动，预测未来的任务，并自动主动执行这些任务（Panton等人，2006）。其中一个例子是基于案例的推理，其中利用先前经验过的案例的知识来提出对不断变化的需求的解决方案（Martin和Hinkelmann，2018）。目前，s*IoT没有为建模者提供智能助手。因此，可以探索机器学习来填补这个空白。其概念是，在CPS使用过程中，可以收集来自CPS行为的反馈数据。这些反馈可以在机器学习中用于分类过程的好和坏模式。基于这种分类，应该可以预测新建模的过程将如何行为。这种预测可以在过程建模任务期间提供给过程的建模者。经过对所需机器学习技术的审查，可以有望在开发此案例的原型方面取得进展。0讨论0确定性的SWOT分析是一种有效的合理化方法。因此，进行了SWOT分析，以验证本文对于s*IoT概念建模方法中机器学习潜力的观点。此外，SWOT分析从三个案例中进行了概括。机器学习在s*IoT中的优势是：（1）与语义Web技术栈相关的人力工作量可以减少。这样在连接概念模型和操作环境时可以获得更大的灵活性。（2）随着建模方法和工具的发展，新的应用场景变得可能。（3）机器学习使得概念模型和CPS之间的联系更紧密，提高了概念模型和CPS的质量。机器学习在s*IoT中的弱点是：（1）自动化人类利益相关者的工作量引入了额外的复杂性。这对建模方法工程师和建模者来说是一个问题，因为会产生新的错误来源和缺乏可追溯性。（2）选择机器学习范式、准备训练数据和监督学习算法都需要人力工作。（3）机器学习的应用性与训练数据的可用性相关。这与常常用于捕捉创新和创造性思想的概念建模有些矛盾。机器学习在s*IoT中的机会是：（1）促进机器学习社区、概念建模社区和CPS社区之间的合作。这为研究、应用和教育创造了新的机会。（2）通过拥抱当前的机器学习趋势，可以加快传播s*IoT建模方法和工具。（3）通过自动化人力工作，可以释放出人力资源。这些人力资源可以用于创造性和创新性的任务。机器学习在s*IoT中的威胁是：（1）机器学习是一个复杂的主题，而人力资源是稀缺的。此外，涉及机器学习的项目往往很难计划，因为缺乏先前的结果。（2）机器学习的趋势可能会发生变化，就像以前一样。危险在于专注于即将过时的机器学习方面。（3）在自动化人力工作时必须考虑社会和伦理角度。此外，当人类被自动化取代时，必须考虑各种风险。0结论0在CPS的生命周期中，知识工程是必需的，因为人类的知识和设计对于具有人和企业参与的CPS至关重要。在CPS的生命周期中，概念模型是知识工程的工件，必须与操作环境相连接。通过s*IoT，将概念模型和操作环境相连接从应用特定的开发工作转变为一种系统化的方法，利用了语义Web技术栈的技术。虽然这是一个有希望的努力，但本文探讨了进一步提升概念模型和操作环境之间连接的高级选择。特别地，0重新出现的机器学习趋势在提供给s*IoT的好处方面进行了评估。介绍了三个案例，其中机器学习支持连接概念模型和操作环境。在第一个案例中，将一个认可的网络物理环境的结构提供给概念模型。在第二个案例中，根据CPS组件的结构对CPS的功能能力进行分类。在第三个案例中，根据CPS之前的执行预测过程的行为。这三个案例的初步结果是有希望的。下一步是将这三个案例中使用的机器学习技术整合到s*IoT建模方法和工具中，使不熟悉这些技术的建模者能够使用它们。此外，这也使得其他建模方法工程师可以将它们整合到他们的建模方法中。0参考文献 Clark, P.；Thompson, J.；Barker, K.；Porter,B.；Chaudhri, V.；Rodriguez, A.；Thomere, J.；Mishra,S.；Gil, Y.；Hayes,P.；等。2001。知识输入作为图形组件的装配。在《知识捕获国际会议论文集》中，22-29。ACM。De Giacomo,G.；Oriol, X.；Estanol, M.；和Teniente,E.。2017。将数据和BPMN流程链接起来以实现可执行模型。在《高级信息系统工程国际会议》中，612-628。Springer。Derler, P.；Lee, E. A.；和Sangiovanni-Vincentelli, A.L.。2011。解决物理系统建模挑战。加利福尼亚大学伯克利分校电气工程与计算机科学系技术报告。D´evai,G.；Kar´acsony, M.；N´emeth, B.；Kitlei, R.；和Kozsik,T.。2015。通过代码生成执行UML模型。在《EXE@MoDELS》中，9-15。Doan, A.；Madhavan, J.；Domingos,P.；和Halevy,A.。2004。本体匹配：一种机器学习方法。在《本体手册》中。Springer。385-403。Foehr, M.；Vollmar, J.；Cal`a,A.；Leit˜ao, P.；Karnouskos, S.；和Colombo, A.W.。2017。下一代网络物理自动化系统架构的工程。在《多学科工程与网络物理生产系统》中。Springer。185-206。Gruettner, A.；Richter, J.；和Basten,D.。2017。通过建立逻辑链接解释面向服务的体系结构对网络物理系统的作用。在《信息系统》（ECIS），第25届欧洲会议上。Hinkelmann, K.；Gerber, A.；Karagiannis,D.；Thoenssen, B.；van der Merwe, A.；和Woitsch,R.。2016。业务和IT的持续对齐的新范式：结合企业架构建模和企业本体。《工业计算机》79:77-86。特别期刊：下一代企业信息系统的未来展望。Hinkelmann, K.；Laurenzi,E.；Martin, A.；和Th¨onssen,B.。2018。基于本体的元模型。Cham: SpringerInternational Publishing。177-194。0Janowicz, K.；Van Harmelen, F.；Hendler, J.A.；和Hitzler,P.。2014。为什么数据列车需要语义铁轨。AI杂志。Karagiannis, D.，和K¨uhn,H.。2002。元模型平台。在Bauknecht, K.；Tjoa, A.M.；和Quirchmayr,G.，eds.，电子商务和Web技术，182-182。柏林，海德堡：Springer Berlin Heidelberg。Karagiannis,D.；Buchmann, R.；和Walch,M.。2017。图解概念建模如何支持知识管理？在第25届欧洲信息系统会议(ECIS2017)上，第25届欧洲信息系统会议(ECIS)论文集，1568-1583。Karagiannis,D.。2015。敏捷建模方法工程。在第19届希腊全国信息学会议(PCI'15)上，5-10。纽约，纽约州，美国：ACM。Lehmann,G.；Blumendorf, M.；Trollmann, F.；和Albayrak,S.。2010。元模型化运行时模型。在国际模型驱动工程语言和系统会议上，209-223。Springer。Martin,A.，和Hinkelmann,K.。2018。过程经验的案例推理。Cham: SpringerInternational Publishing。47-63。Morita,T.；Kashiwagi, N.；Yorozu, A.；Walch, M.；Suzuki,H.；Karagiannis, D.；和Yamaguchi,T.。2018。基于PRINTEPS的多机器人茶楼实践及其服务质量评估。在2018年IEEE第42届年度计算机软件和应用会议(COMPSAC)上，147-152。IEEE。Panton, K.；Matuszek,C.；Lenat, D.；Schneider, D.；Wit- brock, M.；Siegel,N.；和Shepard,B.。2006。常识推理-从Cyc到智能助手。在《日常生活中的环境智能》中。Springer。1-31。Sharma, A.B.；Ivanˇci´c, F.；Niculescu-Mizil, A.；Chen,H.；和Jiang,G.。2014。大数据时代的网络物理系统建模和分析。ACMSIGMETRICS性能评估评论41(4)：74-77。Shi, J.；Wan,J.；Yan, H.；和Suo,H.。2011。网络物理系统综述。在2011年国际无线通信和信号处理会议上，1-6。IEEE。Sowe, S. K.；Simmon,E.；Zettsu, K.；de Vaulx, F.；和Bo- janova,I.。2016。网络物理人类系统：将人置于循环之中。IT专业18(1)：10-13。Thalheim,B.。2018。概念模型概念-一个有争议的问题：概念建模及其空白。企业建模和信息系统架构13：9-27。Walch,M.，和Karagiannis,D.。2019。如何将设计思维与网络物理系统连接起来：s*IoT概念建模方法。在第52届夏威夷国际系统科学大会论文集中。Wolny,S.。2017。SysML的运行时模型。网络物理生产系统博士学院43。