Waarom is dit belangrijk?
Wanneer verschillende systemen dezelfde begrippen gebruiken, kunnen organisaties gegevens uit die systemen combineren en daar besluiten op baseren. In de energiesector haalt een redeneermachine uit die gedeelde kennis nieuwe verbanden en versterkt zo de hulp bij sturing. Werknemers krijgen die hulp bij keuzes in hun werk, maar als bronnen andere termen voor hetzelfde gebruiken, kunnen de conclusies soms fout zijn.
Zo werkt het in de praktijk
Het IBM Watson Research Center gebruikte de redeneermachine SHER voor patiëntendossiers. Met het Columbia University Medical Center zocht de software dossiers die passen bij een klinische studie, via de begrippenlijst SNOMED-CT. SHER doorzocht ook artikelen van de National Library of Medicine.
Aan de University of Oxford bouwden onderzoekers de redeneermachine HermiT. Zij onderzochten of die machine alle regels van de standaard OWL 2 kan volgen, voor klassen en voor eigenschappen. De tests zetten HermiT naast Pellet en FaCT++.
Die regels staan in OWL 2 Direct Semantics, een aanbeveling van het World Wide Web Consortium (W3C). De tekst beschrijft welke conclusies uit een model kloppen. Bouwers van redeneermachines gebruiken die aanbeveling als vaste toets voor hun software.




