Synthetic Cognition Meets Data Deluge: Architecting Agentic AI Models for Self-Regulating Knowledge Graphs in Heterogeneous Data Warehousing
Notice bibliographique
Résumé
The realities of contemporary data management and representation are evolving at an increasing rate. However, we still lack the broad foundational bridges of core data warehousing principles relating to how high-level reports are generated internally so that users can psychologically intuit where they are in the vast and complex repository of data that resides in a typical data warehouse. IT workers must constantly support users or worry about failed ad-hoc or automated operations or whose results appear without explanation. Data management may not yet exist as a science. We need a more complete transformational view of the details of the internal mappings between data from diverse sources and conceptual data model object types. Cognitive model-driven and symbolic techniques have been approached to design and develop systems to automate and rationalize these transformational processes and to support user navigation and work. These techniques are now being displaced by advanced statistical learning methods. As designed, these methods mostly do knowledge creation in the basic steps of the transformational process, but they likewise at times pave data as well. Through AI as Intentional Cognition supplemented by language, this inhibition may be bypassed. Thus, despite both their synthetic and agentic capabilities, these approaches follow a surprising and quite diverse transition. The goal of this work is to show what tasks of data management and representation these methods might be able to tackle and when and how they might interleave towards a more collaborative AI Data Management. We conclude with directions for future work.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».