تتطور نظم تشغيل المباني الذكية بطريقة مثيرة، حيث يتم تمثيلها بشكل متزايد كمعارف دلالية (Semantic Knowledge Graphs) باستخدام أنطولوجيات مثل Brick وASHRAE 223P. هذا التطور يسعى إلى مواءمة الأنظمة التشغيلية مع تطبيقات الذكاء الاصطناعي، مما يسمح بتحويل الأسئلة باللغة الطبيعية إلى استعلامات SPARQL (Text-to-SPARQL). ولكن كانت هناك عقبة كبيرة تتعلق بنقص مجموعات البيانات الكبيرة الخاصة بالأسئلة الطبيعية واستعلامات SPARQL.

في هذا السياق، تم تقديم Build2SPARQL، وهي مجموعة بيانات قياسية ضخمة تم إنشاؤها خصيصًا لتجاوز هذه العقبة. يتم إنتاج استعلامات SPARQL والتحقق من صحتها بواسطة أكواد استكشاف الرسوم البيانية، مما يعني أن دقة الاستعلامات مستقلة عن سلوك النماذج اللغوية. تعتمد هذه العملية على ست عائلات من أنماط الاستعلامات، مثل السلاسل الخطية والتفرعات والاتحادات والتجميع والاختيارات، وتستخدم خمس وحدات مفردات لتوليد الاستعلامات.

تطبق Build2SPARQL على 201 من الرسوم البيانية المعرفية للبناء (180 من Brick و21 من ASHRAE 223P) لتقدم مجموعة مثيرة تتكون من 6,136 استعلامًا قابلًا للتنفيذ و30,680 سؤالًا. وعند إجراء تقييم بشري على 300 سؤال، أظهرت النتائج دقة دلالية تصل إلى 98.8%، و98.8% من حيث الطبيعية، و84.0% من حيث الاحتمالية التشغيلية.

علاوة على ذلك، زادت دقة الاستعلامات من خلال تقنيات التعلم عن بعد الجذري بين ثلاثة نماذج لغوية مفتوحة، حيث ارتفعت دقة المطابقة الصحيحة من 0.2-20% في المراحل الأولى إلى 56-65% عند استخدام منهج ثلاثي النقاط.

إن نشر هذه المجموعة سيعمل على تمكين مشغلي المباني من استغلال اللغة بشكل أكثر فعالية في استعلاماتهم، مما يعزز من كفاءة وأداء أنظمتهم. هل أنتم مستعدون لاستكشاف هذه التكنولوجيا الثورية؟ شاركونا آرائكم في التعليقات.