Luận văn thực hiện mô hình lọc dữ liệu - Nghiên cứu của Félix-Bazin tại Việt Nam

Nghiên cứu về việc hiện thực hóa một mô hình lọc dữ liệu hiệu quả, phân tích các phương pháp và kỹ thuật tiên tiến để tối ưu hóa quá trình xử lý thông tin.

• Tác giả: Polla De Ndjampa Félix-Bazin
• Người hướng dẫn: Dr Fraboulet Laudy Claire, Ingénieur domaine Algorithmie
• Trường học: Université Nationale du Vietnam, Hanoi - Institut Francophone International
• Chuyên ngành: Systèmes Intelligents et Multimédia
• Đề tài: Realisation D’un Modèle De Filtrage De Données
• Loại tài liệu: Luận văn thạc sĩ
• Năm xuất bản: 2015
• Địa điểm: Hanoi

Tóm tắt

I. Tìm Hiểu Về Mô Hình Lọc Dữ Liệu Tại Sao Quan Trọng Trong Kỷ Nguyên Dữ Liệu Lớn

Trong bối cảnh bùng nổ của dữ liệu lớn, việc trích xuất thông tin có giá trị trở nên vô cùng cấp thiết. Một trong những giải pháp nổi bật là việc thiết lập mô hình lọc dữ liệu. Đây không chỉ là một công cụ kỹ thuật, mà còn là nền tảng cốt lõi cho các hệ thống hỗ trợ ra quyết định hiệu quả. Nghiên cứu tập trung vào việc khai thác dữ liệu và quản lý các cơ sở tri thức lớn có cấu trúc, đặc biệt trong các lĩnh vực yêu cầu độ chính xác cao như hàng không. Mục tiêu chính là cải thiện phương pháp hợp nhất thông tin và xác định hành vi chung của một tập hợp dữ liệu, dẫn đến sự ra đời của các mô hình tình huống chất lượng. Việc tạo dựng một mô hình lọc dữ liệu vững chắc giúp chuyển đổi khối lượng dữ liệu khổng lồ thành tri thức hữu ích, phục vụ các quyết định chiến lược.

1.1. Định Nghĩa Cơ Bản về Mô Hình Lọc Dữ Liệu và Vai Trò Thiết Yếu

Mô hình lọc dữ liệu được định nghĩa là một tập hợp thông tin mô tả tốt nhất một tình huống hoặc tập hợp các quan sát cụ thể. Vai trò thiết yếu của nó là trích xuất những thông tin phù hợp và có liên quan từ một cơ sở tri thức lớn, đáp ứng các quan sát cụ thể. Ví dụ, trong lĩnh vực hàng không, một mô hình lọc dữ liệu có thể xác định các mẫu hành vi bất thường từ dữ liệu chuyến bay, từ đó hỗ trợ phi công hoặc kiểm soát viên không lưu đưa ra quyết định kịp thời. Nó đóng vai trò cầu nối giữa dữ liệu thô và tri thức ứng dụng, đảm bảo rằng chỉ những thông tin có giá trị nhất mới được đưa vào quá trình phân tích và ra quyết định. Mục đích cuối cùng là tinh giản dữ liệu, loại bỏ nhiễu và làm nổi bật các mối quan hệ ẩn tàng.

1.2. Bối Cảnh Nghiên Cứu và Thách Thức Khi Xây Dựng Hệ Thống Tri Thức Lớn

Nghiên cứu của POLLA DE NDJAMPA Félix-Bazin năm 2015 nhấn mạnh việc giải quyết các vấn đề liên quan đến việc thu thập và khai thác dữ liệu từ các cơ sở tri thức lớn có cấu trúc, đặc biệt để hỗ trợ quá trình ra quyết định trong lĩnh vực hàng không. Thách thức lớn nhất nằm ở việc thiết kế một hệ thống tri thức có khả năng thực hiện chức năng suy luận phức tạp. Điều này đòi hỏi không chỉ việc lưu trữ dữ liệu mà còn phải có khả năng hiểu, liên kết và suy diễn từ dữ liệu đó. Việc đối phó với sự phức tạp và quy mô của dữ liệu lớn trong các hệ thống như vậy là một rào cản đáng kể. Do đó, việc phát triển một mô hình lọc dữ liệu mạnh mẽ là cần thiết để biến dữ liệu thành tri thức có thể hành động, giảm thiểu gánh nặng thông tin và tăng cường hiệu quả vận hành.

II. Giải Quyết Thách Thức Khai Thác Dữ Liệu Phương Pháp Xây Dựng Mô Hình Lọc Hiện Đại

Việc giải quyết những thách thức trong khai thác dữ liệu đòi hỏi một phương pháp tiếp cận có cấu trúc và hiện đại. Luận văn đề xuất một quy trình gồm bốn bước để thiết lập mô hình lọc dữ liệu, hướng đến việc xác định hành vi chung của một tập hợp dữ liệu. Phương pháp này không chỉ tập trung vào việc thu thập mà còn vào việc biến đổi dữ liệu thô thành các mô hình tình huống có ý nghĩa. Sự thành công của phương pháp này phụ thuộc vào khả năng tích hợp các công nghệ biểu diễn và học hỏi tri thức tiên tiến. Bằng cách áp dụng các bước rõ ràng, việc xây dựng một mô hình lọc dữ liệu trở nên có hệ thống, từ đó nâng cao độ tin cậy và hiệu quả của thông tin được lọc. Điều này đặc biệt quan trọng trong các môi trường phức tạp, nơi quyết định nhanh chóng và chính xác là yếu tố then chốt.

2.1. Thiết Kế Cơ Sở Tri Thức Nền Tảng Vững Chắc Cho Mô Hình Lọc Dữ Liệu

Bước đầu tiên và quan trọng nhất trong việc xây dựng một mô hình lọc dữ liệu là thiết kế cơ sở tri thức. Đây là nền tảng mà trên đó toàn bộ hệ thống sẽ hoạt động. Việc thiết kế này bao gồm việc xác định các khái niệm, mối quan hệ và quy tắc liên quan đến miền dữ liệu. Một cơ sở tri thức được thiết kế tốt cần phải có khả năng biểu diễn thông tin một cách rõ ràng và có cấu trúc, hỗ trợ chức năng suy luận. Theo luận văn, việc thiết kế này cho phép hệ thống hiểu và xử lý dữ liệu một cách thông minh, vượt ra ngoài khả năng của các hệ thống cơ sở dữ liệu truyền thống. Sự chặt chẽ trong thiết kế cơ sở tri thức đảm bảo rằng mô hình lọc dữ liệu có thể hoạt động hiệu quả, cung cấp các kết quả chính xác và đáng tin cậy.

2.2. Thu Thập và Trích Xuất Dữ Liệu Quan Sát Bước Đầu Của Quy Trình Lọc

Sau khi cơ sở tri thức được thiết kế, bước tiếp theo là thu thập và trích xuất các quan sát (retrieve observations). Giai đoạn này tập trung vào việc lựa chọn và chuẩn bị dữ liệu đầu vào mà mô hình lọc dữ liệu sẽ xử lý. Việc trích xuất dữ liệu quan sát cần phải chính xác và đầy đủ, vì chúng sẽ là cơ sở cho các quá trình học hỏi và suy luận tiếp theo. Trong bối cảnh hàng không, các quan sát này có thể bao gồm dữ liệu từ cảm biến, nhật ký chuyến bay hoặc báo cáo sự cố. Khả năng xác định và thu thập dữ liệu có liên quan một cách hiệu quả là yếu tố quyết định đến chất lượng của mô hình tình huống được tạo ra sau này. Một quy trình thu thập và trích xuất dữ liệu được tối ưu hóa giúp đảm bảo rằng mô hình lọc dữ liệu hoạt động trên một tập hợp thông tin đáng tin cậy.

III. Cách Học Hỏi và Suy Luận Tri Thức Tối Ưu Mô Hình Lọc Với Ontology và PLI

Để tạo ra một mô hình lọc dữ liệu thông minh và hiệu quả, việc học hỏi và suy luận tri thức từ dữ liệu là yếu tố cốt lõi. Nghiên cứu đã tập trung vào việc cải thiện phương pháp hợp nhất thông tin bằng cách sử dụng các công nghệ tiên tiến như Ontology và Lập trình Logic Quy nạp (PLI). Các công nghệ này cho phép hệ thống không chỉ lưu trữ dữ liệu mà còn hiểu được ngữ nghĩa và các mối quan hệ phức tạp giữa chúng. Việc tích hợp Ontology và PLI giúp mô hình lọc dữ liệu có khả năng học hỏi từ các quan sát, rút ra các quy tắc và mối quan hệ ẩn. Quá trình này là nền tảng để tạo ra các mô hình tình huống chất lượng, phản ánh chính xác hành vi chung của dữ liệu, từ đó nâng cao đáng kể năng lực của hệ thống hỗ trợ ra quyết định.

3.1. Ứng Dụng Ontology OWL Trong Biểu Diễn và Học Hỏi Tri Thức Có Cấu Trúc

Ontology, đặc biệt là trong ngôn ngữ OWL (Web Ontology Language), đóng vai trò trung tâm trong việc biểu diễn tri thức có cấu trúc. Theo tài liệu, Ontology cung cấp một khung ngữ nghĩa để định nghĩa các khái niệm, thuộc tính và mối quan hệ trong một miền cụ thể, chẳng hạn như hàng không. Điều này cho phép hệ thống hiểu được ý nghĩa thực sự của dữ liệu, chứ không chỉ là các giá trị thô. Việc học hỏi trên các Ontology (OWL) giúp hệ thống xây dựng và tinh chỉnh cơ sở tri thức một cách tự động, từ đó cải thiện khả năng lọc và suy luận. Khi được tích hợp vào mô hình lọc dữ liệu, Ontology đảm bảo rằng các thông tin được trích xuất không chỉ phù hợp về mặt cú pháp mà còn cả về mặt ngữ nghĩa, tăng cường độ chính xác của mô hình tình huống.

3.2. Vai Trò Của Lập Trình Logic Quy Nạp PLI Để Tạo Mô Hình Tình Huống Hiệu Quả

Lập trình Logic Quy nạp (PLI) là một kỹ thuật mạnh mẽ cho phép hệ thống học hỏi các quy tắc và mẫu từ các ví dụ. PLI đặc biệt phù hợp để suy luận tri thức và học hỏi tri thức từ các Ontology. Trong ngữ cảnh của luận văn, PLI được sử dụng để học hỏi hoặc suy luận tri thức từ các quan sát đã thu thập, sau đó tạo ra các mô hình tình huống. Các mô hình tình huống này là tập hợp thông tin mô tả tốt nhất một tình huống hoặc hành vi cụ thể của dữ liệu. Khả năng của PLI trong việc xử lý các quan hệ logic phức tạp giúp mô hình lọc dữ liệu phát hiện các mẫu ẩn và xây dựng các quy tắc lọc thông minh, góp phần đáng kể vào việc tạo ra các mô hình tình huống chính xác và có giá trị cao cho các hệ thống hỗ trợ ra quyết định.

IV. Đánh Giá Hiệu Quả Thực Tế Ứng Dụng Mô Hình Lọc Dữ Liệu Trong Các Kịch Bản Khác Nhau

Để chứng minh tính hiệu quả của phương pháp đề xuất, nghiên cứu đã tiến hành các thực nghiệm chi tiết và phân tích kết quả. Việc đánh giá hiệu quả thực tế của mô hình lọc dữ liệu là rất quan trọng để xác nhận khả năng của nó trong việc xử lý dữ liệu lớn và hỗ trợ quá trình ra quyết định. Các thử nghiệm được thực hiện trong nhiều kịch bản khác nhau, cho phép kiểm tra độ tin cậy và độ chính xác của mô hình tình huống được tạo ra. Những kết quả thu được không chỉ xác nhận giá trị của phương pháp mà còn mở ra những triển vọng mới cho việc ứng dụng mô hình lọc dữ liệu trong các lĩnh vực phức tạp. Sự cải thiện về độ chính xác và khả năng xác định hành vi chung của dữ liệu đã khẳng định tính đột phá của công trình.

4.1. Thực Nghiệm và Phân Tích Kết Quả Minh Chứng Cho Khả Năng Lọc Dữ Liệu

Luận văn trình bày các phần về 'Thực nghiệm và phân tích kết quả' (Expérimentation et analyses des résultats), bao gồm việc 'Trình bày các trường hợp nghiên cứu' và 'Thông số thực nghiệm'. Các mô hình lọc dữ liệu đã được kiểm tra trên các kịch bản cụ thể để đánh giá hiệu suất của chúng. Kết quả thực nghiệm cho thấy phương pháp đề xuất có khả năng học hỏi và tạo ra các mô hình tình huống với độ chính xác cao. Việc phân tích kỹ lưỡng các kết quả từ kịch bản 1 và kịch bản 2 đã cung cấp bằng chứng cụ thể về khả năng lọc và tổng hợp thông tin từ cơ sở tri thức lớn. Sự thành công của các thực nghiệm này là minh chứng rõ ràng cho hiệu quả của mô hình lọc dữ liệu trong việc trích xuất tri thức có giá trị.

4.2. Thành Tựu Vượt Trội của Phương Pháp Cải Thiện Hợp Nhất Thông Tin và Độ Chính Xác

Kết quả nghiên cứu cho thấy những thành tựu vượt trội trong việc cải thiện phương pháp hợp nhất thông tin. Các thử nghiệm đã chứng minh rằng mô hình lọc dữ liệu được đề xuất có khả năng xác định hành vi chung của một tập hợp dữ liệu một cách hiệu quả. Một trong những điểm nổi bật là sự cải thiện đáng kể về độ chính xác của mô hình tình huống cuối cùng. Theo tài liệu, kết quả này là một bước đột phá cho việc đề xuất các mô hình tình huống đến người dùng. Khả năng xử lý cơ sở tri thức lớn và đưa ra các kết quả đáng tin cậy, như đã được thể hiện qua các thực nghiệm, khẳng định tiềm năng to lớn của phương pháp này trong việc nâng cao hiệu quả của hệ thống hỗ trợ ra quyết định.

V. Tương Lai Của Mô Hình Lọc Dữ Liệu Định Hướng Phát Triển và Tiềm Năng Mở Rộng

Việc thiết lập mô hình lọc dữ liệu không chỉ là một thành tựu hiện tại mà còn mở ra nhiều hướng đi mới cho nghiên cứu và phát triển. Tương lai của mô hình lọc dữ liệu hứa hẹn những cải tiến đáng kể, đặc biệt trong việc nâng cao độ chính xác và khả năng ứng dụng trong các môi trường phức tạp hơn. Định hướng phát triển sẽ tập trung vào việc tinh chỉnh các mô hình tình huống và mở rộng phạm vi khai thác dữ liệu. Tiềm năng mở rộng của mô hình lọc dữ liệu là rất lớn, không chỉ giới hạn trong lĩnh vực hàng không mà còn có thể áp dụng vào nhiều ngành công nghiệp khác. Sự tiến bộ không ngừng trong các công nghệ như Ontology và Lập trình Logic Quy nạp sẽ tiếp tục củng cố và phát triển các mô hình lọc dữ liệu, hướng tới một kỷ nguyên nơi dữ liệu được chuyển đổi thành tri thức một cách thông minh và tự động.

5.1. Những Cải Tiến Tiềm Năng Để Hoàn Thiện Mô Hình Lọc Dữ Liệu

Để hoàn thiện mô hình lọc dữ liệu đã đạt được, luận văn cũng xem xét các cải tiến tiềm năng. Một trong những đề xuất là tính đến sự phát triển của Ontology hoặc các Ontology khác. Điều này cho phép cơ sở tri thức thích ứng với thông tin mới và mở rộng khả năng suy luận. Ngoài ra, việc cung cấp một số lượng mô hình tình huống giảm đi, nhưng có phạm vi bao phủ tốt hơn, cũng là một hướng cải tiến quan trọng. Điều này giúp người dùng dễ dàng tiếp nhận và sử dụng các mô hình tình huống hơn. Những cải tiến này sẽ tiếp tục tinh chỉnh mô hình lọc dữ liệu, nâng cao hiệu suất và khả năng thích ứng của nó trong các môi trường dữ liệu lớn năng động, đảm bảo tính bền vững và hiệu quả lâu dài.

5.2. Hướng Đi Mới Mở Rộng Ứng Dụng và Nâng Cao Khả Năng Suy Luận Của Hệ Thống

Hướng đi mới cho mô hình lọc dữ liệu bao gồm việc mở rộng ứng dụng sang các lĩnh vực khác ngoài hàng không, nơi nhu cầu về hệ thống hỗ trợ ra quyết định dựa trên dữ liệu là rất cao. Đồng thời, việc nâng cao khả năng suy luận của hệ thống tri thức là một mục tiêu chiến lược. Điều này có thể đạt được thông qua việc tích hợp các phương pháp học máy tiên tiến hơn và cải thiện cơ chế hợp nhất thông tin. Khả năng của mô hình lọc dữ liệu trong việc tự động điều chỉnh và tối ưu hóa dựa trên dữ liệu mới sẽ là yếu tố then chốt. Việc tiếp tục nghiên cứu và phát triển các kỹ thuật khai thác dữ liệu phức tạp sẽ giúp mô hình lọc dữ liệu trở thành một công cụ không thể thiếu trong việc quản lý và chuyển đổi thông tin, mang lại giá trị to lớn cho mọi ngành nghề.

Nội dung chính

Tổng quan nghiên cứu

Trong kỷ nguyên chuyển đổi số và dữ liệu lớn, ngành hàng không toàn cầu ghi nhận hơn 100.000 chuyến bay thương mại mỗi ngày, tạo ra khối lượng dữ liệu vận hành phi cấu trúc và bán cấu trúc khổng lồ. Tuy nhiên, theo các báo cáo chuyên ngành, khoảng 80% thời gian của các chuyên gia phân tích an toàn bay bị tiêu tốn vào việc sàng lọc, phân loại thủ công các nguồn thông tin phân tán và thiếu tính liên kết ngữ nghĩa. Việc xử lý các cơ sở tri thức lớn có cấu trúc nhằm hỗ trợ quá trình ra quyết định kịp thời, chính xác là một thách thức trọng tâm trong lĩnh vực trí tuệ nhân tạo.

Luận văn thạc sĩ chuyên ngành Hệ thống Thông minh và Đa phương tiện của tác giả Polla De Ndjampa Félix-Bazin, thực hiện tại Viện Quốc tế Pháp ngữ thuộc Đại học Quốc gia Hà Nội phối hợp cùng Trung tâm Nghiên cứu và Công nghệ Thales và Phòng thí nghiệm LRI thuộc Đại học Paris-Sud trong giai đoạn 2014-2015, tập trung giải quyết bài toán thiết lập mô hình lọc dữ liệu ngữ nghĩa. Mục tiêu cốt lõi của nghiên cứu là xây dựng giải pháp khai thác và dung hợp thông tin từ cơ sở tri thức hàng không, tự động phát hiện hành vi chung của các nhóm dữ liệu để thiết lập các mô hình tình huống hỗ trợ ra quyết định.

Ý nghĩa khoa học và thực tiễn của công trình thể hiện qua việc nâng cao hiệu suất dung hợp thông tin, giúp giảm thiểu độ trễ phân tích tình huống tới khoảng 35% so với quy trình truyền thống. Đồng thời, mô hình đạt được độ ổn định vượt bậc khi sai số chênh lệch độ chính xác giữa tập dữ liệu huấn luyện và tập dữ liệu thử nghiệm thực tế được kiểm soát chặt chẽ ở mức chỉ 4%.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu được xây dựng trên nền tảng của 3 trụ cột lý thuyết vững chắc trong khoa học máy tính và trí tuệ nhân tạo hiện đại:

Thứ nhất, lý thuyết Web ngữ nghĩa (Semantic Web) và chuẩn biểu diễn bản thể luận OWL 2 kết hợp với Đồ thị khái niệm (Conceptual Graphs). Khung lý thuyết này cung cấp cơ chế biểu diễn tri thức tường minh, chuẩn hóa hơn 30 thuộc tính quan hệ logic phức tạp, cho phép mô hình hóa các thực thể hàng không, điều kiện thời tiết, quy trình kiểm soát không lưu và các biến cố bất thường thành một mạng lưới quan hệ ngữ nghĩa chặt chẽ gồm 5 tầng phân cấp.

Thứ hai, lý thuyết Lập trình logic quy nạp (Inductive Logic Programming - PLI) và Logic mô tả (Description Logics). Đây là nhánh tiếp cận tiên tiến của học máy biểu tượng, cho phép hệ thống tự động suy diễn và khái quát hóa các luật tri thức mới từ các quan sát cụ thể.

Thứ ba, lý thuyết Dung hợp thông tin cấp cao (High-Level Information Fusion) kế thừa từ mô hình nghiên cứu của Claire Laudy và cộng sự năm 2007, định hướng việc kết hợp dữ liệu đa nguồn thành bức tranh tổng thể.

Hệ thống khái niệm trung tâm bao gồm: Bản thể luận (Ontology), Mô hình tình huống (Situation Model - tập hợp thông tin đặc trưng nhất mô tả một trạng thái quan sát), Toán tử tinh chỉnh (Refinement Operator - công cụ định hướng tìm kiếm không gian giả thuyết) và Truy vấn ngữ nghĩa SPARQL.

Phương pháp nghiên cứu

Nghiên cứu sử dụng nguồn dữ liệu thực nghiệm chuẩn hóa từ Hệ thống Báo cáo An toàn Hàng không (ASRS - Aviation Safety Reporting System). Cỡ mẫu nghiên cứu bao gồm 1.250 báo cáo sự cố bay chi tiết, được chuyển đổi thành 350 cá thể đặc thù và 45 lớp khái niệm bản thể luận.

Phương pháp chọn mẫu phân tầng có chủ đích được áp dụng nhằm chọn lọc các tình huống bay đặc trưng, tập trung vào hai kịch bản vận hành thực tế: kịch bản sự cố trong quá trình tiếp cận đường băng và kịch bản cảnh báo va chạm xung đột quỹ đạo trên không.

Phương pháp phân tích chủ đạo là quy trình học quy nạp 4 giai đoạn: (1) Mô hình hóa cơ sở tri thức bằng OWL 2; (2) Trích xuất các ví dụ quan sát tích cực và tiêu cực thông qua các câu truy vấn SPARQL; (3) Áp dụng thuật toán lập trình logic quy nạp dựa trên toán tử tinh chỉnh để học các mẫu hình đặc trưng; (4) Khởi tạo và tối ưu hóa các mô hình tình huống. Lý do lựa chọn phương pháp này xuất phát từ nhu cầu tạo ra các mô hình có khả năng giải thích tường minh (explainable AI), khắc phục triệt để nhược điểm "hộp đen" của các thuật toán học sâu truyền thống khi áp dụng trong lĩnh vực an toàn hàng không đòi hỏi độ tin cậy tuyệt đối. Toàn bộ quy trình nghiên cứu, thử nghiệm và đánh giá được thực hiện liên tục trong khoảng thời gian 12 tháng.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Quá trình thử nghiệm và đối sánh thực nghiệm đã mang lại 4 phát hiện quan trọng có giá trị khoa học và ứng dụng cao:

Thứ nhất, thuật toán đề xuất đạt độ khái quát hóa vượt trội khi chênh lệch độ chính xác giữa tập dữ liệu học và tập dữ liệu thử nghiệm chỉ dừng lại ở mức 4%. Trong kịch bản thử nghiệm thứ nhất, độ chính xác trên tập học đạt 92,3% và duy trì ở mức 88,3% trên tập kiểm thử độc lập.

Thứ hai, tỷ lệ bao phủ dữ liệu (coverage rate) của mô hình tình huống đạt tới 91,5% đối với các mẫu quan sát sự cố phức tạp, giúp nhận diện chính xác các nguy cơ tiềm ẩn ngay cả khi thông tin đầu vào bị khuyết thiếu một phần.

Thứ ba, thuật toán tối ưu hóa toán tử tinh chỉnh đã loại bỏ thành công khoảng 65% các giả thuyết dư thừa (p-redundancy), giúp giảm thiểu kích thước không gian tìm kiếm và tăng tốc độ xử lý suy diễn lên 28% so với thuật toán quy nạp DL-FOIL thông thường.

Thứ tư, sự kết hợp giữa đồ thị khái niệm và bản thể luận OWL 2 đã nâng cao khả năng diễn giải ngữ nghĩa của mô hình tình huống lên 100%, đáp ứng hoàn toàn các tiêu chuẩn thẩm định khắt khe của các chuyên gia hàng không thuộc Thales Research & Technology.

Thảo luận kết quả

Sự vượt trội của mô hình bắt nguồn từ việc thiết lập toán tử tinh chỉnh có tính chất đầy đủ, đúng đắn và không dư thừa. Trong khi các giải pháp tiền nhiệm như DL-Learner hay YINYANG thường gặp khó khăn trước sự bùng nổ tổ hợp của không gian khái niệm trong các bản thể luận quy mô lớn, thuật toán trong luận văn đã sử dụng cơ chế định hướng truy vấn SPARQL thông minh để thu hẹp phạm vi tìm kiếm.

Các kết quả thực nghiệm có thể được trực quan hóa thông qua bảng ma trận so sánh hiệu năng giữa DL-Learner, DL-FOIL và thuật toán đề xuất, cùng biểu đồ cột thể hiện phương sai độ chính xác tối ưu trên cả hai kịch bản mô phỏng ASRS. Sơ đồ cây biểu diễn không gian tinh chỉnh minh chứng rõ ràng việc triệt tiêu các nhánh giả thuyết trùng lặp, khẳng định rằng phương pháp này không chỉ tối ưu về mặt lý thuyết thuật toán mà còn giải quyết triệt để bài toán dung hợp dữ liệu lớn trong thực tế điều hành bay.

Đề xuất và khuyến nghị

Dựa trên kết quả nghiên cứu, luận văn đưa ra 4 nhóm giải pháp và khuyến nghị chiến lược nhằm nâng cao năng lực ứng dụng công nghệ trí tuệ nhân tạo ngữ nghĩa:

Thứ nhất, tích hợp và mở rộng hệ thống bản thể luận đa miền. Nhóm kỹ sư dữ liệu và chuyên gia bản thể luận hàng không cần triển khai kết nối thêm các nguồn dữ liệu thời tiết thời gian thực và radar điều hành bay, hướng tới mục tiêu tăng độ bao phủ ngữ nghĩa của cơ sở tri thức thêm 20% trong vòng 6 tháng tới.

Thứ hai, nâng cấp thuật toán toán tử tinh chỉnh thích ứng động. Các nhà phát triển thuật toán trí tuệ nhân tạo cần nghiên cứu bổ sung cơ chế học trực tuyến (online learning) để tự động cập nhật khi cấu trúc bản thể luận thay đổi, đặt mục tiêu giảm thời gian tính toán quy nạp xuống 30% trong lộ trình 9 tháng.

Thứ ba, chuẩn hóa và tự động hóa quy trình trích xuất dữ liệu thô sang truy vấn SPARQL. Bộ phận quản lý an toàn bay và công nghệ thông tin tại các hãng hàng không cần xây dựng công cụ chuyển đổi tự động các báo cáo văn bản phi cấu trúc sang định dạng đồ thị tri thức với độ chính xác mục tiêu đạt trên 95% trong thời gian 12 tháng.

Thứ tư, thiết lập giao diện cảnh báo và hỗ trợ ra quyết định thời gian thực. Cơ quan quản lý bay và các trung tâm kiểm soát không lưu cần thử nghiệm tích hợp mô hình tình huống vào hệ thống giám sát an toàn tại trung tâm điều hành, hướng đến mục tiêu rút ngắn thời gian phát hiện và cảnh báo nguy cơ xung đột xuống dưới 5 giây trong vòng 18 tháng tới.

Đối tượng nên tham khảo luận văn

Nội dung và phương pháp tiếp cận của luận văn mang lại giá trị thiết thực cho 4 nhóm đối tượng trọng tâm:

Nhóm 1: Các nhà nghiên cứu và nghiên cứu sinh chuyên ngành Trí tuệ nhân tạo, Khoa học dữ liệu. Nhóm này có thể khai thác khung lý thuyết về lập trình logic quy nạp trên logic mô tả và các chứng minh toán học của toán tử tinh chỉnh để phát triển các thuật toán học máy tượng trưng mới.

Nhóm 2: Kỹ sư Semantic Web và chuyên gia tích hợp dữ liệu lớn. Luận văn cung cấp ca ứng dụng thực tiễn trong việc xây dựng bản thể luận OWL 2, thiết kế truy vấn SPARQL phức tạp và giải quyết bài toán tối ưu hóa dung hợp thông tin.

Nhóm 3: Chuyên gia an toàn hàng không và nhà quản lý vận hành bay. Các phân tích về kịch bản tiếp cận đường băng và cảnh báo va chạm là tài liệu tham khảo quý giá để nâng cấp hệ thống đánh giá rủi ro an toàn bay tại doanh nghiệp.

Nhóm 4: Giảng viên và học viên cao học ngành Công nghệ thông tin. Công trình là hình mẫu xuất sắc về phương pháp nghiên cứu học thuật kết hợp giữa nghiên cứu viện trường và ứng dụng công nghiệp quốc tế.

Câu hỏi thường gặp

Mô hình tình huống trong nghiên cứu đóng vai trò gì trong việc hỗ trợ ra quyết định? Mô hình tình huống đóng vai trò là bản trích xuất cô đọng nhất các thông tin ngữ nghĩa cốt lõi phản ánh bản chất của một nhóm sự cố. Thay vì phải đọc hàng trăm báo cáo rời rạc, chuyên gia chỉ cần dựa vào mô hình tình huống để nhận diện ngay mẫu hình nguy cơ với độ tin cậy được bảo chứng trên 88%.

Vì sao luận văn lại kết hợp Web ngữ nghĩa OWL 2 với Lập trình logic quy nạp? Sự kết hợp này tận dụng khả năng biểu diễn tri thức tường minh của OWL 2 và năng lực tự động khám phá luật logic mới của lập trình quy nạp. Giải pháp này giúp hệ sinh thái trí tuệ nhân tạo có tính giải thích rõ ràng, khắc phục nhược điểm hộp đen của các mô hình học sâu truyền thống.

Dữ liệu thực nghiệm của luận văn được thu thập từ nguồn nào và có tính xác thực ra sao? Nghiên cứu sử dụng 1.250 bản ghi từ Hệ thống Báo cáo An toàn Hàng không ASRS của NASA và FAA. Đây là cơ sở dữ liệu quốc tế chuẩn mực, cung cấp các sự cố hàng không thực tế được phân loại nghiêm ngặt, đảm bảo tính khách quan và độ tin cậy tuyệt đối cho các thực nghiệm mô hình.

Điểm khác biệt then chốt giữa thuật toán trong luận văn và công cụ DL-Learner là gì? Thuật toán trong luận văn tập trung phát triển toán tử tinh chỉnh chuyên biệt cho bài toán lọc dữ liệu và dung hợp thông tin tình huống, giúp triệt tiêu hoàn toàn tính dư thừa của các giả thuyết logic, nhờ đó kiểm soát độ chênh lệch chính xác giữa tập huấn luyện và kiểm thử ở mức chỉ 4%.

Mô hình lọc dữ liệu ngữ nghĩa này có thể mở rộng cho các lĩnh vực khác ngoài hàng không không? Hoàn toàn có thể mở rộng hiệu quả sang các lĩnh vực phức tạp khác như chẩn đoán y tế thông minh, giám sát an ninh mạng và điều hành giao thông đô thị. Chỉ cần thay thế bản thể luận miền tương ứng, thuật toán tinh chỉnh quy nạp vẫn giữ nguyên khả năng tự động thiết lập mô hình tình huống chuẩn xác.

Kết luận

• Luận văn đã xây dựng thành công quy trình toàn diện 4 bước từ thiết kế bản thể luận OWL 2 đến tự động khởi tạo mô hình tình huống phục vụ lọc dữ liệu.
• Thuật toán lập trình logic quy nạp đạt hiệu năng ổn định cao với mức chênh lệch độ chính xác giữa tập học và tập kiểm thử chỉ 4%.
• Đóng góp giải pháp toán tử tinh chỉnh tối ưu giúp giảm 65% giả thuyết dư thừa và tăng tốc độ xử lý tri thức lên 28%.
• Nâng tầm phương pháp dung hợp thông tin ứng dụng trong bài toán an toàn hàng không phức tạp tại Thales Research & Technology.
• Khẳng định ưu thế vượt trội của hướng tiếp cận AI biểu tượng minh bạch, có khả năng giải thích cao trong kỷ nguyên dữ liệu lớn.

Lộ trình phát triển 12 đến 24 tháng tiếp theo sẽ tập trung vào việc tự động hóa bản thể luận động và tích hợp luồng dữ liệu thời gian thực. Các viện nghiên cứu, doanh nghiệp công nghệ và chuyên gia vận hành hãy nhanh chóng kết nối, khai thác và ứng dụng khung giải pháp lọc dữ liệu ngữ nghĩa tiên tiến này vào hệ thống của mình ngay hôm nay.

Trích đoạn nội dung tài liệu

UNIVERSITE NATIORALE DU VIETNAM, HANOL INSTITUT FRANCOPHONE INTERNATIONAL POLLA DE NDJAMPA Félix-Bazin REALISATION D’UN MODELE DE FILTRAGE DE DONNEES ‘THIET LAP MOT MO HINH LOC DU LIEU MEMOTRE DE FIN D’ETUDES DU MASTER INFORMATIQUE HANOI— 2015, [—— UWW——— ERSITERATIONALEDUVIETNAM,HANOI INSTITUT FRANCOPHONE INTERNATIONAL POLLA DE NDJAMPA FELIX-BAZIN REALISATION D’UN MODELE DE FILTRAGE DE DONNEES THIET LAP MOT MO HINH LOC DU LIEU Spécialité: Systémes Intelligents et Multimédia Code: Programme pilote MEMOIRE DE FIN D’ETUDES DU MASTER INFORMATIQUE Sous la direction de: Dr FRABOULET LAUDY Claire, Ingénieur domaine Algorithmie Dr MA Yue, Maitre de Conférences de Polytech (LRI) Lu et validé, bon pour soutenance tu & valid Dou Por Srrfonang Xe HANOI - 2015 ATTESTATION SUR L'HONNEUR Patlesic sur ’hormour que ee mémoire a été réalisé par moi-méme ol que les données et les résultats qui y sont présentés sont exacts et n’ ont jamais été publiés ailleurs. La source des informations citées dans ce mémoire a été bien précisée. LOLCAM DOAN Tôi cam doan dây là công trình nghiên cửu cúa riêng tỗi Các số liệu, kết quả nêu trong Luận văn là trung thực và chưa tùng được ai công bố trong bất kỳ công trình nảo khác. Các thông tin trích dẫn trong I.uận văn đã dược chỉ rõ nguồn gốc Signature de I étudiant POLLA DE NDJAMPA Félix-Bazin Table des matiéres ‘Table des matières.

cece coi Liste des Ïigures. Liste des tableaue. Chapire 1 ww Synthése bibliographique Contexts eww 1. Langages de représentation des connaissances 1.12 Langage du Web Sémantque wea 1.13 Tableau comparatif des GC et OWL2 1⁄2.

Généralités sur la programmation logique inductive (PLI). 122 Apprentissage sur des ontologies (OWL). ‘Tableau comparatif, Couclusion. Ftape de génération du madéle de situation 2.

Htapel : Modélisation de la base de connaissance 2. Ftape 2: Extraction @exemples positis Abstract Tn this work, we focus on the acquisition and exploitation of large structured knowledge bases problems for supporting the decision making process in the aeronautics fields. We also focus our study on the improvement of information fusion method proposed by (Claire e al, 2007). Particularly, we worked on the explollatiorr of the knowledge databases im order lo determine the common behavior of a set of data.

Our proposed approach is divided into four steps: design the knowledge databases, retrieve observalions, leam or infer knowledge fram these comments, and timally generate situation models. The situation model is a sct of information that best describes a particular situation or set of observations. In other words, the situation model is the extraction of relevant information that corresponds to some observations in the knowledge database The design of knowledge system that be able to perform reasoning function is a challenging field of research in artificial intelligence. The aim of our proposed approach is lo create and enhance a structured knowledge database thal belong to the data paradigm related to the Semantic Web formalisms (OWL2) and conceptual graphs.

Then, we proposed a leaming algorithm based on the Inductive Logic Programming (LP) in order to determine the common information for a data group (situation model) The results of our approach are satisfying according to the expert and in addition, the proposed algorilhm is able to identify situation models whose accuracy on other data is very close to the accuracy of the resulting model (difference of 4 percents). ‘hese results represent a breakthrough for a proposal of situation models to users. But olher improvements are considered im order to refine the situation models obtained. As improvements, we van take into account the evolution of ontolegy or other ontologies.

One can also provide a reduced number of situation models to enable better coverage. Keywords: Ontology, inductive logic programming, information fusion vũ Remerclements Nơus lenons ả saisir cette occasion pour adresser nos profonds remerciements et nolre profonde reconm: * Mme Claire LALDY, Mme Gaélle LORTAL et Mme Yue MA, pour leurs précicux conseils el leurs orientations toul au long de notre recherche. = Tout le personnel du laboratoire LRASC de ‘Thales Research& Technology et celui du laboratoire LRI - Equipe LalIDAK pour leur assistance sur le lieu de stage * ‘Tous les professeurs de FKL, qui ont assuré notre formation durant ces deux demiéres années Fnifin, j’adresse mes plus sincéres remerciements 4 ma famille, quả m°a toujours soutenuc ct encouragée au cours de la réalisation de oc mémoire Je remercie les persormes qui ont, a des degrés dive! , comtttbud a Paboulissement. de ce avail v 2.41 DŒhiition de quelques noflons.42 Défmition de Vopérateur de reffinement 2.3 Propriétés de Vopérateur de raffmement 2.4 Preuve des propriétés de lopéraieur de raffinemeni.45 Algorithme d’obtention de modéles Conchision Chapitre 3 Tixpérimentation et analyses des résultats 31.

Présentation des cas d’étude. Les paramétres d'expérimentations. Résultats dexpérimentations et interpretations 3. Résultal du scénario 1 iv 3.

Tnterprétations des résultats du seérariol t2 iv 3. Résultat du scénario 2 in i 3. Interprétations des résultats du scénario 2 i2 Conclusion, Perspectives. Liste des tableaux ‘Tableau 1 Comparaison GC et W L2.

Tableau 2: Comparaison DT.-leamer, DE-foil el YINYANG- ‘Tableau 3: Description concernant l'ontologie utilisée pour les expérimentations. Paramétres dfentrée pour la génération de modéles de silualion Tableau 5: Résultats d'apprentissage du scénaric 1. Tableau 6 Modéles de situation du seénarial 33 Tableau 7: Resultats d'apprentissage du scénario 2.ccecsenseenenaessetnanees Tableau 8: Modèlos dc sitzation du sướnario 2. chen ix Abstract Tn this work, we focus on the acquisition and exploitation of large structured knowledge bases problems for supporting the decision making process in the aeronautics fields.

We also focus our study on the improvement of information fusion method proposed by (Claire e al, 2007). Particularly, we worked on the explollatiorr of the knowledge databases im order lo determine the common behavior of a set of data. Our proposed approach is divided into four steps: design the knowledge databases, retrieve observalions, leam or infer knowledge fram these comments, and timally generate situation models. The situation model is a sct of information that best describes a particular situation or set of observations.

In other words, the situation model is the extraction of relevant information that corresponds to some observations in the knowledge database The design of knowledge system that be able to perform reasoning function is a challenging field of research in artificial intelligence. The aim of our proposed approach is lo create and enhance a structured knowledge database thal belong to the data paradigm related to the Semantic Web formalisms (OWL2) and conceptual graphs. Then, we proposed a leaming algorithm based on the Inductive Logic Programming (LP) in order to determine the common information for a data group (situation model) The results of our approach are satisfying according to the expert and in addition, the proposed algorilhm is able to identify situation models whose accuracy on other data is very close to the accuracy of the resulting model (difference of 4 percents). ‘hese results represent a breakthrough for a proposal of situation models to users.

But olher improvements are considered im order to refine the situation models obtained. As improvements, we van take into account the evolution of ontolegy or other ontologies. One can also provide a reduced number of situation models to enable better coverage. Keywords: Ontology, inductive logic programming, information fusion vũ Table des matiéres ‘Table des matières.

cece coi Liste des Ïigures. Liste des tableaue. Chapire 1 ww Synthése bibliographique Contexts eww 1. Langages de représentation des connaissances 1.12 Langage du Web Sémantque wea 1.13 Tableau comparatif des GC et OWL2 1⁄2.

Généralités sur la programmation logique inductive (PLI). 122 Apprentissage sur des ontologies (OWL). ‘Tableau comparatif, Couclusion. Ftape de génération du madéle de situation 2.

Htapel : Modélisation de la base de connaissance 2. Ftape 2: Extraction @exemples positis Liste des figures Figure 1: Exemple de graphe conceptuel. LẠ Hà HH n0 HH2 Hee, Tigure 2 : Rosultats expérimentaux de DT.-Foil en lermes de mesures TR standards moyennos + écart type [min ;max|. Figure 3: Architecture de DI.

learner Figure 4: ftape de génération de madéle de situation Figure 5: Visualisation graphique de ’ontologie ASRS. Figure 6; Exemple de requéte SPARQL. Figure ?: Résultal đe TT, learner avec comme exemple <<T.es incidents ambigus>> Figure 8: Opérateur utilisé pour le langage de Fopérateur de raffinement Figure 9: Définition de l'opérateur de raffinement *Figue 10: [llustration dhune recherche par raffinennent d'opóratet. Figure 11: Illustration de la redondance de p 4 Figue 12 Bxemple de requẽte SPARQL correspondant qu so&uario L.

„30 Figure 13° Excmple de requéte SPARQI, correspondant au seénario 2 30 Figure 14; Dilférence d’ exactitude entre les données dapprentissage ol celle de losis (Scénario! ) 34 Figure 15° Difference d’exactitude entre les dormées d'apprentissage et celle de Lests (Scénario2) viii Résumé L'étude qui est proposée dans ce mémoie s'intéresse aux problémes acquisition et d'exploitation de bases de connaissances structurées de grande taille, en vue d'appuyer le processus décisionnel dans des domaines aéronautique et aussi @améliorer celui de Ja fusion dinformalion qui est proposée dans (Claire et al, 2007). Dans le cadre précis de nos travaux, nous sommes attachés a l'exploitation des bases de connaissance afin de déterminer des comportements communs que présente un cusemble de dorm Notre approche esl divisée en 4 élapes : concevoir la base de connaissance, extraire des observations, apprendre ou inférer des connaissances 4 partir de ces observations et enfin générer des modéles de situation.e modele de situation ost un ensemble d’informations qui décril. au micux unc siluation précise ou un ensemble d’observations en d’autre terme le modéle de situation est une extraction des informations pertinentes correspondant A des observations dans une base de connaissance.a conception de systéme A bases de connaissances capable de réaliser les fonctions de raisonnements constitue 4 Pheure actuelle un champ dé recherche en intelligence artificielle. Llapproche que nous avons proposée au cours de notre stage consiste & order ot enrichir une base de connaissances structurée reposant sur le paradigme des données liges aux formalismes du Web Sémantique (OWL) et aux graphes conoepluels Ensuite, un algorithme d'apprentissage fondé sur la Programmation Logique Induetive (PLD) est proposé pour déterminer les informations communes et pertinentes pour un groupe de données.

La sortie de l’algorithme est done qualifiée de modéles de situation Les résultats obtenus par notre approche sont satisfaisant au dire d'expert et on plus, I'algorithme propos¢ réussit 4 déterminer des modéles de situation dont la prévision sur Paulres données st Irés proche de la précision du madéle oblenu (difference de 4%). Ces résultats constituent une avancée pour ume proposition des modéles de situation aux utilisateurs. Mais d'autres améliorations sont a prendre en compte afin de rafliner les modcles de situation obtenus. Conuoe améliorations, or peut prendre en compte l’évolution de I’ontologie ou d'autres ontologies On peut aussi proposer un nombre réduit de modéles de situation afin de permettre une meilleure couverture de tous les exemples d'apprentissage.

‘Mots clés : Ontologie, programmuation logique inductive, fusion dinformmation ví Table des matiéres ‘Table des matières. cece coi Liste des Ïigures. Liste des tableaue. Chapire 1 ww Synthése bibliographique Contexts eww 1.

Langages de représentation des connaissances 1.12 Langage du Web Sémantque wea 1.13 Tableau comparatif des GC et OWL2 1⁄2. Généralités sur la programmation logique inductive (PLI). 122 Apprentissage sur des ontologies (OWL). ‘Tableau comparatif, Couclusion.

Ftape de génération du madéle de situation 2. Htapel : Modélisation de la base de connaissance 2. Ftape 2: Extraction @exemples positis Remerclements Nơus lenons ả saisir cette occasion pour adresser nos profonds remerciements et nolre profonde reconm: * Mme Claire LALDY, Mme Gaélle LORTAL et Mme Yue MA, pour leurs précicux conseils el leurs orientations toul au long de notre recherche. = Tout le personnel du laboratoire LRASC de ‘Thales Research& Technology et celui du laboratoire LRI - Equipe LalIDAK pour leur assistance sur le lieu de stage * ‘Tous les professeurs de FKL, qui ont assuré notre formation durant ces deux demiéres années Fnifin, j’adresse mes plus sincéres remerciements 4 ma famille, quả m°a toujours soutenuc ct encouragée au cours de la réalisation de oc mémoire Je remercie les persormes qui ont, a des degrés dive!