Les techniques et standards du Web sémantique se sont imposés dans de nombreux domaines. En facilitant l'interopérabilité au travers du Web, ils donnent un nouveau souffle à l'intégration de données hétérogènes et à la construction de graphes de connaissances qui servent de fondations à des écosystèmes métiers dynamiques. Cette édition de SemWeb.Pro sera l'occasion de mettre en avant les synergies et complémentarités entre le Web sémantique et les approches connexes issues des bases de graphe (Property Graph, GraphQL, etc), qui accélèrent le développement d'applications concrètes dans différents secteurs d'activités : industrie, médical, culture et bien d'autres.

SemWeb.Pro 2021

SousLeSensVocables est une suite intégrée d'outils web, graphiques et open
source,  pour manipuler des ressources exprimées au format du web
sémantique : SKOS , OWL et graphes RDF.

Les graphes ont cette particularité de permettre de mieux décrire la
complexité des choses que les modèles relationnels mais en contrepartie ils
sont plus complexes à manipuler.

SousLeSensVocables tente de répondre à cette difficulté par des outils
alliant différentes techniques : génération automatique de requêtes SPARQL
, arbres de taxonomies, visualisation/navigation au sein des graphes ...

Les outils s'organisent en 3 grandes fonctions :

   - explorer les ontologies et les thesaurus (OWL, SKOS)
   - transformer des données tabulaires en graphes de connaissance
   - interroger les graphes de connaissance

Le développement de SousLeSensVocables a commencé depuis plusieurs années
et s'est enrichi progressivement  pour répondre  à des besoins
opérationnels de TotalEnergies concernant d'abord les thesaurus puis les
ontologies.


#### Auteurs/Autrices
Claude Fauconnet :
[https://fr.linkedin.com/in/claude-fauconnet-64a4a113b / souslesens.org](https://fr.linkedin.com/in/claude-fauconnet-64a4a113b / souslesens.org)

SousLeSensVocables

Data Fabrics are emerging as the most effective means of integrating knowledge
throughout the Enterprise and coupled with Knowledge Graphs they deliver a
unique, symbiotic relationship because the combination streamlines the process
to extract data and build knowledge from the myriad of sources that comprise
Enterprise data.

Data Fabrics are emerging as the most effective means of integrating knowledge
throughout the Enterprise. Experts agree these fabrics are the future of
enterprise analytics and AI. Gartner recommends “Data and analytics leaders must
upgrade to a Data Fabric design that enables dynamic and augmented data
integration in support of their data management strategy.” Forrester states that
“Enterprise architecture (EA) pros should use data fabric to democratize data
across the enterprise for various use cases.”

Data fabrics offer a cohesive means of integrating and sharing data regardless
of differences in format, technology, or location. Data fabrics are considered
the most mature means of data integration because they organize the exchange of
semi-structured, unstructured, and structured data—while offering a single
access point to all data.

Knowledge Graphs are essential for governing content in terms of access
management, data provenance, and data quality while unifying the terminology
used to describe these assets across business lines, in an organization.

Data Fabrics and Knowledge Graphs have a unique, symbiotic relationship because
they substantially streamline the processes to extract data from the myriad of
sources that populate these platforms. Knowledge Graphs are key to providing
fundamental capabilities enabling Data Fabrics to accomplish this objective.

During this presentation we will discuss success stories for Supply Chain,
Healthcare, and Intelligent Call Centers as well as best practices for building
Knowledge Graphs and developing a path toward an Enterprise-wide Knowledge
Fabric.

#### Références

Connected Data World - The future of AI in the Enterprise: Entity-Event Knowledge
Graphs for Data-Centric Organizations - October 5, 2021
https://pod.co/the-connected-data-podcast/the-future-of-ai-in-the-enterprise-entity-event
-knowledge-graphs-for-data-centric-organizations

Data.World - Catalog and Cocktails - “Fashion Week but for Data” - Sept 22, 2021
https://youtu.be/J3It3ccKtfc

Chaos Orchestra - Cognitive Graph Models - Sept 2, 2021
https://youtu.be/eguOMlvPmJg

Data Summit Connect - Why Graph Neural Networks (GNNs) are Transforming AI
Knowledge Graphs - May 12, 2021
https://www.dbta.com/DataSummit/2021/default.aspx
https://youtu.be/0F6QKI90ojU

Knowledge Graph Conference - Knowledge Graph Adoption in the Financial Industry -
May 5, 2021
https://www.knowledgegraph.tech/

Enterprise Data World - Entity-Event Knowledge Graphs for Data-Centric Organizations
- April 21, 2021
https://edw2021.dataversity.net/

#### Auteurs/Autrices
Jans Aasman is a Ph.D. psychologist and expert in Cognitive Science - as well as CEO
of Franz Inc., an early innovator in Artificial Intelligence and provider of KnowledgeGraph Solutions based on AllegroGraph. As both a scientist and CEO, Dr. Aasman continues to break ground in the areas of Artificial Intelligence and Knowledge Graphs
as he works hand-in-hand with numerous Fortune 500 organizations as well as government entities worldwide.

https://www.linkedin.com/in/jans-aasman
https://en.wikipedia.org/wiki/Jans_Aasman

Flexible AI Knowledge Fabrics for Enterprise Event Processing

Web of Things (WoT - https://www.w3.org/WoT/) is a standardization
approach for a convergence layer on top of existing IoT architectures
driven by the World Wide Web Consortium (W3C).

Among other building blocks like Scripting API, Protocol Binding
Templates, and Discovery, WoT defines a central element called Thing
Description (TD - https://www.w3.org/TR/wot-thing-description/) as an
entry point describing connectivity, security, and semantics of the
underlying physical or virtual entity. TDs provide a set of interactions
based on a small vocabulary that makes it possible to integrate diverse
devices and to allow diverse applications to interoperate.

In order to make TDs available within a WoT eco-system, a Thing
Description Directory (TDD - https://w3c.github.io/wot-discovery) having
a defined API allowing registration, management, and search of TDs can
be put in place.

Since Siemens is intensively using TDs within its building automation
suite (see e.g.
https://mybuilding.siemens.com/D015628993239/Help/EngineeringHelp/en-US/17505534731.html),
there is a demand for a flexible, scalable, and robust TDD to pave the
path towards future customer offerings. Therefore Siemens started an
exploration project with Logilab aiming at having a solid
proof-of-concept (PoC) as a result.

We would like to present our PoC implementation of a TDD using a SPARQL
endpoint as TD storage: The main requirement is that the strictly
formatted JSON-LD input data must be transformed into valid RDF to be
stored and to be restored to its original format when being retrieved.
We faced several issues since it is trivial to transform JSON-LD into
RDF triples but it is not straightforward to do the inverse operation,
i.e. enable TD roundtripping.

We will discuss about the issues we encountered while doing so, present
our solution, and discuss about our contribution to the development and
improvement of the TD/TDD standards.

Siemens feedback on implementing a Thing Description repository using a SPARQL Endpoint

Le temps passe, les objets du monde évoluent. Comment en tenir compte dans les
graphes de connaissance ?

La description d’un domaine nécessite souvent de tenir compte du temps qui passe
et de l’évolution des objets décrits : un concert est présenté dans un programme
avant d’être joué [1], un projet législatif évolue au gré des amendements au
parlement européen [2], les programmes éducatifs changent d’une année sur
l’autre [3], la liste des pays change au fil des événements politiques, un
pokémon subit des évolutions [4], une mission est planifiée, confiée et réalisée
par une organisation, les paramètres médicaux d’un patient varient, la cellule
se transforme et se divise, le goût du vin évolue avec le temps, l'organigramme
de l’entreprise change....

Les ontologies, qu'elles soient philosophiques ou informatiques, se sont
souciées de décrire un monde figé où les objets du monde, leur classification,
la valeur de leurs propriétés sont immuables. Pourtant nous avons besoin chaque
jour de décrire des ressources dans leur dynamique, dans leurs changements
continuels. Certains philosophes ont réfléchi à cette problématique [5],
certaines ontologies ont pris en compte ce besoin, mais en général de manière
partielle.

Dans un premier temps nous discuterons des différents besoins liés à l’évolution de la
descriptions des ressources dans un graphe de connaissance :

- Souhaitons- nous conserver la trace des évolutions d’une ressource mais
n’utiliser qu’une représentation du domaine à un instant t ?
- Voulons-nous interroger l’état du domaine à différents points temporels ?
- Avons-nous besoin d’une représentation continue de l’évolution de la description
des ressources ?

Pour chaque besoin nous présenterons les différentes manières qui ont été
proposées ou sont envisageables pour modéliser l’évolution des ressources dans
un graphe de connaissance.

Dans un second temps nous examinerons comment les ontologies de base; dublin
core, skos, org, event, frbr, foaf, répondent, ou ne répondent pas à ces
différents besoins de descriptions évolutives. Nous examinerons brièvement les
limites que chacune présente et proposerons des pistes d’évolutions pour
qu’elles deviennent des “ontologies du devenir”.


[1] voir l’ontologie DOREMUS pour la description des œuvres et représentations
musicales avec la capacité de écrire sur la base de CIDOC-CRM les événements
futurs: https://www.doremus.org/?page_id=36

[2] voir l’ontologie ELI-DL pour la description des activités législatives
https://tinyurl.com/ty6xhe7w

[3] voir la gestion des versions de ScoLOMFR https://tinyurl.com/5mz4fz6c

[4] Pokemon Ontology (or GOntology!) modeling with OWL!
https://tinyurl.com/xhcebekk

[5] voir la réflexion d’Anne Fagot-Largeault sur la nécessité de penser les
ontologies dans la continuité du temps : Ontologie du devenir. L’évolution,
l’univers et le temps, Anne Fagot-Largeault, Odile Jacob, 2021

#### Auteurs/Autrices

[Jean Delahousse](https://www.jean-delahousse.net/)

Jean est un consultant et analyste expérimenté avec 20 ans d’expérience dans les
technologies du web sémantique, les données ouvertes et liées, la gestion de
vocabulaires contrôlés et de graphes de connaissance.

Jean a été co-fondateur et PDG de la société française Mondeca, pionnière dans
les technologies du web sémantique.

Jean participe à des projets dans différents domaines : législation, santé,
culture, sécurité, science, énergie, pour définir des stratégies centrées sur
les données et les connaissances, concevoir des ontologies, conseiller sur la
gestion et distribution de données ouvertes, rédiger le cahier des charges.

Son expertise couvre le web sémantique, l’ingénierie des connaissances, la
gestion de taxonomies et de graphes de connaissances, l’acquisition automatisée
de connaissances.  Jean a une expérience opérationnelle sur différents standards
: RDF, OWL, FRBR, DC, BIBO, CIDOC-CRM, SKOS, ORG, DCAT, DC, PROV, QB, XML.

Ontologies du devenir

Model-based systems engineering (MBSE) provides an important capability for
managing the complexities of system development. MBSE empowers the formalism of
system architectures for supporting model- based requirement elicitation,
specification, design, development, testing, fielding, etc.

However, the modeling languages and techniques are heterogeneous, even within
the same enterprise system, which leads to difficulties for data
interoperability. The discrepancies among data structures and language syntaxes
make information exchange among MBSE models more difficult, resulting in
considerable information deviations when connecting data flows across the
enterprise.

Therefore, this presentation demonstrates Industrial Ontologies Foundry (IoF)
systems engineering ontology and MBSE ontology which provide meta-models
supporting the various architecture view formalism and MBSE formalism across
lifecycle stages. In particular, knowledge graph models are developed to support
unified model representations to further implement ontological data integration
based on GOPPRRE throughout the entire lifecycle.

#### Références

Links to demos, videos, web applications, etc.

[IOF SYSTEMS ENGINEERING WORKING GROUP](https://www.industrialontologies.org/systems-engineering-wg/)

[IOF MBSE ontology initial][https://ieeexplore.ieee.org/document/9534721)

[IOF MBSE ontology model generated from architecture model](https://www.youtube.com/watch?v=LucfbAva37E)

[IOF MBSE ontology for co-simulation](https://www.tandfonline.com/doi/full/10.1080/00207543.2021.1971318)

[IOF MBSE ontology for HLA SIMULATION](https://link.springer.com/chapter/10.1007/978-3-030-85910-7_24)

#### Auteurs/Autrices

Jinzhi LU, scientist at SCI-STI-DK EPFL. Ph.D. in Division of Mechatronics,
Department of Machine Design, ITM School, kth during 2014 and 2019. Currently, I
am CSEP (04944), co-chair of IoF systems engineering group, a senior member of
China Council on Systems Engineering (CCOSE) , co-founder of MBSEWiki in
Chinese, the head of international department of China MBSE Alliance and TC
member in IEEE SMC MBSE Group.

Yves Keraron founder of ISADEUS (Innovation Strategy And Digital Engineering
Using Semantics) has always been involved in innovation for industry, first in
the design and development of nuclear facilities, then in the technical digital
information and documentation systems. Yves is an active contributor in
standards and methods development and implementation for data and applications
integration. Engineer from Ecole Central des Arts et Manufactures (Paris), his
PhD work was on the impact of digital technologies on the couplings between
technical, information and human systems.  Twitter : @YvesKeraron

Dimitris Kiritsis, is Faculty Member at the Institute of Mechanical Engineering
of the School of Engineering of EPFL, Switzerland, where he is leading a
research group on ICT for Sustainable Manufacturing. He serves also as Director
of the doctoral Program of EPFL on Robotics, Control and Intelligent Systems
(EDRS). His research interests are Closed Loop Life cycle Management, IoT,
Semantic Technologies and Data Analytics for Engineering Applications.

Systems Engineering as the foundation for industrial domain ontologies

Our information systems are siloed and based on heterogenous labels, which
breaks real interoperability, automation or machine learning algorithms use.

We need to exchange information between humans and machines to inter-operate
from multiple data domains sources, across various actors, tools, organization
branches, internally with our sites and affiliates and externally with our
multiple partners.

Following ISO15926 part14 principles, published by PCA this summer, associated
with other standards of primary interests such ISO/IEC81346 eg, lessons learnt,
and experiences acquired with AFNOR IDMI[2], IOGP DISC[3], JIP33 &amp; JIP36
CFIHOS[4] and others working groups, we started in January 2021 to implement a
semantic framework to set-up a governance methodology, with rules, common
principles, and guidance's to provide tools to sustainably structure our
information legacy in a normalized way.

By bridging our data and documents texts to selected and combined standards
classes, using W3C standards, respecting the same context, exclusively
structured through ISO15926-14 properties to set the relationships between
classes, we allow working as a continuum between conceptual, logical, and
physical models using trustable labels that recovered their sense.

To govern this common framework, we developed a mapping strategy based on
several steps to enforce and endorse progressively our company reference
ontology as a result of our mapping efforts to link our data to standards; this
disambiguation or contextualization process loop is a way to formalize our
verifiable requirements thru a generic specification enabling data exchange, in
a way (or a model or a specification) which is not specific to TotalEnergies.

This approach is an intellectual and cultural breakthrough, beyond our current
information management way of working; it implies a change of mindset, supports
a progressive participation of the stakeholders for connecting our data and
taxonomies to higher level conceptual common nodes. We believe this a one of the
keys to debottleneck our fragmented information system.

To support adoption by our organizations, we shall focus attention on pedagogy
while each Use Case's resolved mappings are sustainable, means qualified and
re-used by third POC or business. Finally, we do believe that a common language
across our disciplines and métiers is key, this standard language creates
unambiguous understanding among all stakeholders internally and externally. This
is a matter of education, federated and shared practices, and adapted tools to
support the methodology. It provides user experience customized interfaces by a
modular and flexible approach, and the development at scale of domains and UCs
knowledge graphs to explore, navigate and use FAIR[5] and safe data.

The relation of this journey in a corporate conducting its digital transition
will be illustrated by concrete outcomes of this initiative and will give firsts
lessons learnt up to now, as ground of further requirements.

[1] SMART: Specific, Measurable, Achievable, Realistic, and Timely

[2] IDMI: Ingénierie des Données et des Modèles pour l'Industrie

[3] DISC: Digital Information Standards Committee

[4] CFIHOS: Capital Facilities Hand Over Specification (IOGP JIP36)

[5] FAIR: Findable, Accessible, Interoperable, Reusable
   
#### Auteurs/Autrices

Linkedin [Jean-Charles Leclerc](https://fr.linkedin.com/in/jean-charles-leclerc-54bbb586)

Smart[1] Data for Smart Enterprises: the value of linked-standards-data toenable both internal and external interoperability in our multi-energies'company

Maintenance work orders, equipment rebuild reports, investigations, maintenance
procedures, and equipment manuals are a vast resource for equipment
manufacturers and asset operators.

Recent developments in annotation and the use of deep learning by the NLP-TLP
group at UWA are unlocking information captured in these texts enabling entity
typing of instance data and the creation of knowledge graphs (KG).

We now have 10,000s of maintenance work order and procedure documents and while
we can query them, once in KG format using Cypher, we seek to augment our
queries with reasoning based on engineering knowledge.

This talk describes our annotation (using the Redcoat collaborative annotation
tool) and KG pipeline (using Echidna); demos are available at
https://nlp-tlp.org/software-demos. The talk also provides an overview of two
reference and five modular application ontologies for maintenance texts aligned
to both BFO/IOF and ISO 15926-14 top level ontologies. One of our goals is to
use these ontologies to improve confidence in the answers to KG queries, as this
is very important in making decisions involving maintenance activities on
engineering assets.

#### Références

Useful web sites run by members of the NLP-TLP group:
- https://nlp-tlp.org/software-demos
- https://nlp-tlp.org/publications and https://nlp-tlp.org/github
- https://www.industrialontologies.org/maintenance-wg/ (this also contains links to papers published by the authors relating to maintenance ontologies)
- https://code.maintenance.org.au/tyler.bikaun/mtbf_from_mwo
- https://github.com/nlp-tlp/lexiclean

#### Auteurs/Autrices

Authors are Professor Melinda Hodkiewicz, Michael Stewart, Caitlin Woods, Wei
Liu, Tim French, Tyler Bikaun, Melinda Hodkiewicz

The NLP-TLP group at UWA was formed in 2019 and has grown rapidly since then on
the back of funding from the Australian Government and a number of large
resources companies https://www.maintenance.org.au/. We are active across the
domains of entity recognition, lexical normalisation, knowledge graphs,
ontologies, annotation, adaptive user interfaces and knowledge representation
and reasoning, and are producing prototype tools which are being tested by
industry partners. We also have strong links with the IOF and also with the
group in Norway developing ISO 15926-14.

Modular ontologies for maintenance texts

La valorisation des données tabulaires est un enjeu stratégique pour les
organisations car leurs connaissances sont en grande partie intégrées dans ces
structures (csv, excel, ods, gsheet). L'entreprise Orange ne fait pas exception
à cet état de fait. Avec plus de 140 000 employés à travers le monde et un
portfolio de clients et de domaines variés, Orange produit quotidiennement une
quantité phénoménale de données tabulaires hétérogènes. Ces tables servent à la
fois de vecteur et de support de stockage des connaissances. Elles sont
profondément intégrées au sein de nombreux services administratifs (RH,
finances, etc.), techniques (logs produits par les infrastructures de réseau,
etc.) et commerciaux (catalogues de produits multimédias, etc.). Par conséquent,
leur interprétation automatique ouvre la voie à une meilleure efficacité
opérationnelle et à des services innovants tirant partie de la sémantique des
données.

L'utilisation de techniques d'interprétation automatique de tables (Semantic
Table Interpretation, STI) permet d'adresser efficacement ce challenge. Ces
techniques ont pour objectif de rendre la sémantique des données plus explicite
en établissant des correspondances entre les éléments de la tables (les colonnes
et les cellules) et des entités décrites dans des graphes de connaissances
(encyclopédiques comme Wikidata/DBPedia ou d'entreprise). Les annotations
sémantiques produites par les techniques de STI peuvent être valorisées dans
plusieurs domaines d'applications : l'enrichissement de graphes de
connaissances, la correction et l'augmentation des données brutes, les moteurs
de questions réponses, la recherche et la gouvernance de jeux de données ou
encore plus généralement la gestion des connaissances. En particulier, nous
proposons d'établir une boucle vertueuse dans laquelle le graphe de
connaissances est tout d'abord utilisé pour interpréter sémantiquement les
données tabulaires puis enrichi grâce aux annotations qui en résultent.

Cette présentation introduit DAGOBAH, une approche de STI développée par la
recherche d'Orange en collaboration avec EURECOM. DAGOBAH permet de réaliser des
tâches allant du pré-traitement des tables (extraction d'en-têtes, détection de
l'orientation, etc.) jusqu'à l'identification de propriétés sémantiques entre
les colonnes en passant par la désambiguïsation des mentions contenues dans les
cellules et le typage des colonnes.

Pour améliorer la pertinence des outils DAGOBAH et favoriser l'adoption des
technologies de STI au sein de l'entreprise, notre équipe de recherche utilise
deux leviers qui seront l'objet de la deuxième partie de cette présentation :

- La participation, depuis trois années (avec un 1er prix en 2021), au challenge
  SemTab (intégré à la conférence ISWC), une compétition scientifique
  internationale de référence pour les techniques de STI.

- Une approche Test&amp;Learn matérialisée par la mise à disposition au sein de
  l'entreprise d'une API et d'une interface graphique pour l'annotation de
  données tabulaires dont une démonstration sera proposée en fin d'intervention.

#### Références

- Présentation effectuée dans le cadre de l'Industry [Track ISWC2021](https://www.youtube.com/watch?v=LS76NLa_xbw&amp;t=153s)

- Présentation effectuée dans le cadre du [challenge SemTab2021 ISWC2021](https://www.youtube.com/watch?v=y1MTfK3XDTM&amp;t=1s)
Cette vidéo comprend notamment une démo de l'interface graphique de DAGOBAH (5'55)

#### Auteurs/Autrices

**Yoan Chabot** est chercheur au sein de l'entité Orange Innovation/DATA-AI d'Orange
depuis Novembre 2014. Il a obtenu un double doctorat Université de
Bourgogne/University College Dublin en 2014 suite à des travaux s'intéressant
à l'application des techniques d'ingénierie des connaissances au domaine
de la criminalistique informatique. Au sein d'Orange, il dirige des projets
de recherche visant à utiliser des graphes de connaissances dans des domaines
variés (data management, cybersécurité).

**Pierre Monnin** est chercheur au sein de l'entité Orange Innovation/DATA-AI
d'Orange depuis Septembre 2020. Il a obtenu son doctorat à l'Université de
Lorraine en 2020 pendant lequel il a travaillé sur l'extraction et la
comparaison de connaissances dans le domaine biomédical de la pharmacogénomique
dans le cadre du projet ANR PractiKPharma. Ses travaux à Orange portent sur
l'extraction de connaissances à partir de données tabulaires et l'intégration de
données incertaines dans des graphes de connaissances. Il a été general co-chair
d'ALGOS 2020 et sera Proceedings &amp; Metadata co-chair d'ISWC 2022.

**Thomas Labbé** est chercheur au sein de l'entité Orange Innovation/IT&amp;Services
depuis 2013, ainsi qu'au laboratoire d'Intelligence Artificielle de l'IRT b&lt;&gt;com
depuis 2020. Diplômé de l'ENSEA et de l'Université Polytechnique de Valencia, il
contribue à différents domaines de recherche avant de se spécialiser dans
l'exploitation des données textuelles. Après avoir élaboré des algorithmes de
recommandation basés sur des taxonomies et des graphes de connaissances, il
travaille aujourd'hui sur l'extraction d'information à partir de données non
structurées et semi-structurées sur des domaines ouverts ou plus spécialisés
comme la génétique.

Retours sur la conférence / Replay

Présentations

Réseaux sociaux

Présentation	Intervenant⋅e
SousLeSensVocables	C. Fauconnet
Flexible AI Knowledge Fabrics for Enterprise Event Processing
Siemens feedback on implementing a Thing Description repository using a SPARQL Endpoint	F. Amarger (Logilab) E. Thieblin (Logilab) C. Glomb (Siemens)
Ontologies du devenir	J. Delahousse
Systems Engineering as the foundation for industrial domain ontologies
Smart[1] Data for Smart Enterprises: the value of linked-standards-data toenable both internal and external interoperability in our multi-energies'company	J. Leclerc (Total Energies)
Modular ontologies for maintenance texts	P. Hodkiewicz (NLP-TLP Group, University of Western Australia)
DAGOBAH : Des outils pour l'interprétation automatique de données tabulaires	Y. Chabot (Orange Innovation)