Academic Meta Tool
Academic Meta Tool
Reasoning with vague knowledge
AMT models relations that hold only to a degree and derives new relations from them by rules. It works on RDF graphs, in Python and in the browser.
An example in three lines
Every relation carries a weight between 0 and 1. A rule says how weights combine along a chain of relations. AMT applies the rules until nothing new follows, and marks what it inferred.
Rex --isInstanceOf (1.00)--> Dog
Dog --isSubclassOf (0.85)--> Pet
inferred: Rex --isInstanceOf (0.85)--> Pet Goedel logic: min(1.00, 0.85)What AMT can do
- Weighted relations between concepts, in plain RDF (Turtle).
- Type and method of each weight from the FW ontology (vagueness, uncertainty; how it was obtained), so that a statement is a hextuple.
- Rule-based inference to a fixed point: role chains of any length, inverse roles and role subsumption.
- Consistency checks: roles that exclude each other, roles that must not point back at their own node.
- Six fuzzy logics to combine weights: Gödel, product, Łukasiewicz, Einstein, geometric mean and Hamacher.
- Provenance: every inferred relation records the axioms it follows from.
- SHACL validation of the input before anything is inferred.
- Output as Turtle, Cypher (Neo4j), CSV and an interactive HTML graph, with a Markdown report of each run.
- Deterministic results: the same input gives the same bytes, on any machine.
What AMT does not do
- It does not learn weights from data. The weights are degrees you assign, such as confidence or plausibility; AMT only combines them.
- Weights are not probabilities by default. The product logic treats them as independent evidence; which operator fits is a modelling decision (the vocabulary gives a hint for each).
- It is not a full OWL or description-logic reasoner. It knows five kinds of axioms (role chain, inverse, subsumption, disjoint, self-disjoint) and no class expressions, negation or quantifiers.
- It reports inconsistencies; it does not repair them.
- The browser Explorer reasons exactly like the engine, but it does not validate the input with SHACL and writes no report; for that, use the Python engine.
Try it
The Explorer runs in your browser: pick an example or load your own Turtle file, look at the graph, switch the reasoning on and export the result. For everything else, install the Python engine:
git clone https://github.com/alpaca-fair-framework/amt-engine
cd amt-engine
pip install -e .
amt-runner examples/animals.ttlWhere it comes from
AMT was developed at mainzed, the Mainz Centre for Digitality in the Humanities and Cultural Studies, by i3mainz (Institute for Spatial Information and Surveying Technology, Hochschule Mainz University of Applied Sciences) together with the RGZM (Römisch-Germanisches Zentralmuseum Mainz, today LEIZA). The vocabulary appeared in 2018; the method is described by Unold, Thiery and Mees (2019).
Today AMT is developed further in NFDI4Objects, the consortium for the material remains of human history within the National Research Data Infrastructure.
NFDI4Objects is funded by the Deutsche Forschungsgemeinschaft (DFG, German Research Foundation) – project number 501836407.
A name that only works in German
AMT stands for Academic Meta Tool. The name only really works in German: an Amt is an office or authority, and there, as everyone knows, nothing seems to happen. Our AMT does nothing by itself either. It only applies rules, and that is exactly how new knowledge arises: semantic reasoning, or symbolic AI.
Part of a family
AMT is part of the Alpaka Research Framework, to which Alligator also belongs. The penguin is the Academic Meta Tool.
Cite
Software: doi:10.5281/zenodo.23669466 (all versions). Method: Unold, M., Thiery, F. and Mees, A. (2019), Academic Meta Tool. Ein Web-Tool zur Modellierung von Vagheit, Zeitschrift für digitale Geisteswissenschaften, Sonderband 4. More works that use AMT are listed in the bibliography.
Academic Meta Tool
Schlussfolgern mit unscharfem Wissen
AMT modelliert Beziehungen, die nur bis zu einem gewissen Grad gelten, und leitet daraus regelbasiert neue Beziehungen ab. Es arbeitet auf RDF-Graphen, in Python und im Browser.
Ein Beispiel in drei Zeilen
Jede Beziehung trägt ein Gewicht zwischen 0 und 1. Eine Regel legt fest, wie sich Gewichte entlang einer Kette von Beziehungen verbinden. AMT wendet die Regeln an, bis nichts Neues mehr folgt, und kennzeichnet, was es abgeleitet hat.
Rex --isInstanceOf (1.00)--> Dog
Dog --isSubclassOf (0.85)--> Pet
inferred: Rex --isInstanceOf (0.85)--> Pet Goedel logic: min(1.00, 0.85)Was AMT kann
- Gewichtete Beziehungen zwischen Konzepten, in schlichtem RDF (Turtle).
- Typ und Methode jedes Gewichts aus der FW-Ontologie (Vagheit, Unsicherheit; wie es zustande kam), sodass eine Aussage ein Hextupel ist.
- Regelbasiertes Ableiten bis zum Fixpunkt: Rollenketten beliebiger Länge, inverse Rollen und Rollen-Subsumtion.
- Konsistenzprüfungen: Rollen, die sich ausschließen, und Rollen, die nicht auf den eigenen Knoten zurückzeigen dürfen.
- Sechs Fuzzy-Logiken zum Verbinden der Gewichte: Gödel, Produkt, Łukasiewicz, Einstein, geometrisches Mittel und Hamacher.
- Herkunft: Jede abgeleitete Beziehung nennt die Axiome, aus denen sie folgt.
- SHACL-Prüfung der Eingabe, bevor etwas abgeleitet wird.
- Ausgabe als Turtle, Cypher (Neo4j), CSV und interaktiver HTML-Graph, dazu ein Markdown-Bericht je Lauf.
- Reproduzierbare Ergebnisse: gleiche Eingabe, gleiche Bytes, auf jedem Rechner.
Was AMT nicht kann
- Es lernt keine Gewichte aus Daten. Die Gewichte sind Grade, die Sie vergeben, etwa Sicherheit oder Plausibilität; AMT verbindet sie nur.
- Gewichte sind standardmäßig keine Wahrscheinlichkeiten. Die Produkt-Logik behandelt sie als unabhängige Belege; welcher Operator passt, ist eine Modellierungsentscheidung (das Vokabular gibt je einen Hinweis).
- Es ist kein vollständiger OWL- oder Beschreibungslogik-Reasoner. Es kennt fünf Axiomarten (Rollenkette, Inverse, Subsumtion, disjunkt, selbst-disjunkt) und keine Klassenausdrücke, Negation oder Quantoren.
- Es meldet Widersprüche; es behebt sie nicht.
- Der Explorer im Browser schließt genau wie die Engine, prüft die Eingabe aber nicht mit SHACL und schreibt keinen Bericht; dafür nehmen Sie die Python-Engine.
Ausprobieren
Der Explorer läuft in Ihrem Browser: ein Beispiel wählen oder eine eigene Turtle-Datei laden, den Graphen ansehen, das Schlussfolgern einschalten und das Ergebnis exportieren. Für alles Weitere installieren Sie die Python-Engine:
git clone https://github.com/alpaca-fair-framework/amt-engine
cd amt-engine
pip install -e .
amt-runner examples/animals.ttlWoher es kommt
AMT wurde am mainzed, dem Mainzer Zentrum für Digitalität in den Geistes- und Kulturwissenschaften, entwickelt: vom i3mainz (Institut für Raumbezogene Informations- und Messtechnik der Hochschule Mainz) gemeinsam mit dem RGZM (Römisch-Germanisches Zentralmuseum Mainz, heute LEIZA). Das Vokabular erschien 2018; die Methode beschreiben Unold, Thiery und Mees (2019).
Heute wird AMT in NFDI4Objects weiterentwickelt, dem Konsortium für die materiellen Hinterlassenschaften der Menschheitsgeschichte in der Nationalen Forschungsdateninfrastruktur.
NFDI4Objects wird von der Deutschen Forschungsgemeinschaft (DFG) gefördert – Projektnummer 501836407.
Ein Name, der nur auf Deutsch funktioniert
AMT steht für Academic Meta Tool. Der Name funktioniert eigentlich nur auf Deutsch: Ein Amt ist eine Behörde, und dort passiert bekanntlich nichts. Unser AMT tut selbst auch nichts. Es wendet nur Regeln an, und genau dadurch entsteht neues Wissen: semantisches Schlussfolgern, also symbolische KI.
Teil einer Familie
AMT ist Teil des Alpaka Research Frameworks, zu dem auch Alligator gehört. Der Pinguin ist das Academic Meta Tool.
Zitieren
Software: doi:10.5281/zenodo.23669466 (alle Versionen). Methode: Unold, M., Thiery, F. und Mees, A. (2019), Academic Meta Tool. Ein Web-Tool zur Modellierung von Vagheit, Zeitschrift für digitale Geisteswissenschaften, Sonderband 4. Weitere Arbeiten, die AMT nutzen, stehen in der Bibliografie.