Un approche de Deep learning pour la prédiction des liens dans les Bases de Connaissances

Abstract

L'intelligence artificielle est l'un des domaines les plus importants et en plein essor dans l'ère de la mondialisation. Elle est largement utilisée dans la vie quotidienne dans divers domaines tels que l'agriculture, l'industrie, la transformation numérique, les systèmes intelligents, la médecine et la biologie. L'apprentissage profond est l'une des branches les plus importantes de l'intelligence artificielle, ayant connu une avancée significative dans ce domaine et devenant le domaine le plus crucial de l'informatique. Il repose sur des réseaux neuronaux profonds pour représenter les données et acquérir des connaissances, imitant ainsi la façon dont les humains pensent et apprennent. Dans cette étude, nous nous concentrons sur le domaine de l'agriculture en raison du rôle essentiel que l'intelligence artificielle peut jouer dans son développement. Nous proposons une nouvelle approche basée sur des graphes de connaissances multiples et des réseaux de propagation dans lesquels nous avons entraîné un modèle. Les deux bases de données utilisées sont la première comprenant des informations sur les agriculteurs et les cultures agricoles telles que le blé, le maïs et l'orge, et la deuxième comprenant des données sur la qualité du bétail telles que les vaches, les moutons et les chèvres. Nous avons traité et modifié ces données en les convertissant en une représentation tripartite (sujet, prédicat, objet), puis les avons divisées en trois ensembles : un pour les tests, un pour la validation et un pour l'entraînement. Les résultats de l'analyse ont été encourageants et prometteurs, ce qui nous encourage à exploiter et à développer ce modèle dans le secteur agricole en Algérie. Artificial intelligence is one of the most important and rapidly advancing fields in the era of globalization. It is widely used in various domains of daily life, such as agriculture, industry, digital transformation, smart systems, medicine, and biology. Deep learning, as a major branch of artificial intelligence, has achieved remarkable progress in the field and has become the most crucial area in computer science. It relies on deep neural networks to represent data and acquire knowledge, imitating the way humans think and learn. In this study, we focus on the agriculture domain due to the significant role that artificial intelligence can play in its development. We propose a novel approach based on multiple knowledge graphs and propagation networks, in which we have trained a model. The two databases used consist of information about farmers and agricultural crops such as wheat, corn, and barley in the first database, and data about livestock quality including cows, sheep, and goats in the second database. We processed and modified this data by converting it into a tripartite representation (subject, predicate, object), and then divided it into three sets: one for testing, one for validation, and one for training. The analysis results have been encouraging and promising, which motivates us to further exploit and develop this model in the agricultural sector in Algeria.

الذكاء الاصطناعي هو واحد من أهم المجالات وأكثرها تقدماً في عصر العولمة. يُستخدم على نطاق واسع في مختلف مجالات الحياة اليومية، مثل الزراعة والصناعة والتحول الرقمي والأنظمة الذكية والطب وعلم الأحياء. لقد حقق التعلم العميق، كفرع رئيسي من فروع الذكاء الاصطناعي، تقدماً ملحوظاً في هذا المجال وأصبح المجال الأكثر أهمية في علوم الحاسوب. يعتمد على الشبكات العصبية العميقة لتمثيل البيانات واكتساب المعرفة، مقلداً الطريقة التي يفكر ويتعلم بها البشر.في هذه الدراسة، نركز على مجال الزراعة نظرًا للدور الكبير الذي يمكن أن تلعبه الذكاء الاصطناعي في تطويره. نقترح نهجًا جديدًا يعتمد على رسومات معرفية متعددة وشبكات الانتشار، حيث قمنا بتدريب نموذج عليها. تتكون قاعدتا البيانات المستخدمتان من معلومات عن المزارعين والمحاصيل الزراعية مثل القمح والذرة والشعير في قاعدة البيانات الأولى، وبيانات عن جودة الثروة الحيوانية بما في ذلك الأبقار والأغنام والماعز في قاعدة البيانات الثانية. قمنا بمعالجة وتعديل هذه البيانات بتحويلها إلى تمثيل ثلاثي الأجزاء (الموضوع، الفعل، المفعول به)، ومن ثم قمنا بتقسيمها إلى ثلاث مجموعات: واحدة للاختبار، واحدة للتحقق، وواحدة للتدريب. كانت نتائج التحليل مشجعة وواعدة، مما يحفزنا على الاستفادة أكثر من هذا النموذج وتطويره في القطاع الزراعي في الجزائر.