對於資料洪流的世代，資料會是智慧的重嬰來源之一，但資料到智慧並非一蹴可及，需要一個穩固的基礎來建立。今年年初的演講中整理了一些想法，基本上我認為至少會有四個概念化的基礎。
1.互動(Interaction)
是以開放資料為基礎，政府以開放資料和人民互動、協同合作，進而公私協力解決問題。
2.整合(Integration)
要能擴大合作範圍，或者使得以資料為主的協同合作順暢，資料整合的工作不容忽視，無論日本、美國、歐盟都有資料標準的語彙，來讓資料能跨領域、跨機關單位的整合，才可能創造更好的合作環境，也才有可能產生智慧。
3.智慧(Intelligence)
資料共通語彙是資料整合的一個步驟，要讓資枓整合的過程需要知識的介入規整，有助於利用資料產生智慧化服務。
4.影響(Influence)
以政府的智慧化服務而言，應該是對人民產生正面的影響，以使得人民更相信政府服務，促使公私合作更緊密。
講到Knowledge Graph 一詞，很多人大概會直覺地想到Google的Knowledge Graph，隨著AI再度興起，使得Knowledge Graph變得熱門，舉例而言(圖1)，在Google 中查找，「歐巴馬老婆那裡畢業?」，Google能回答出，她畢業於普林斯頓大學和哈佛法學院，並且還把蜜雪兒的生平生事蹟結構化的列出來。Google能回答這些問題，Knowledge Graph扮演相當重要的角色，此外，Google對於問題中的具名實體及關係的區辨能力也是能夠準確回答的重要因素，這必須區辨出這個問題不是問歐巴馬，而是蜜雪兒，且「那裡畢業」是要問蜜雪兒在那個學校畢業。因此，Google能夠回答這個問題，不僅是Knowledge Graph內容豐富，而且要有很好的中文斷字斷詞，以及對於問題語意的解讀能力，這方面能力的提昇應該與2014年Google在KDD研討會中發表的Knowledge Vault有關。
Google Knowledge Graph 的應用，使得「知識」在網路世界中表達和使用達到另一個境界，但Knowledge Graph並不是偶然發生，有一部份是歸功於過去的發展，早在2000年左右建立knowledge graph的觀念就被提出來，加上Web 2.0的風潮，認為knowledge graph的建立可以透過群眾的力量共同編輯，因此在2007年Freebase由Metaweb所創立，很快的2010年就被Google買下來，到2016年整個服務停掉，Freebase也整併到Google 的Knowledge Graph，但龐大的資料並沒有消失，而是由Wikidata接續群眾共同編輯知識的工作。另一方面，在2007年，利用Wikipedia中infobox中的資料製作而成的DBpedia被發表，帶動了鏈結資料的發展，2008年YAGO 利用更強大的資訊擷取技術，把Wikipedia中非結構化資料，轉為knowledge graph。而NELL (Never-Ending Language Learning)計畫則是在2010年由CMU在AAAI上發表，是一透過網路爬蟲大量由網頁中擷取資料，並結構化且正規化資料的計畫。再者，Cyc是一個歷史悠久的人工智慧計畫，從1984年就開始進行，是一個龐大Knowledge base計畫，讓人不清楚最終是否完成? 但Cyc有一部份，開放出來為OpenCyc。
事實上，在Google Knowledge Graph 尚未成熟時，2009年智慧問答系統 Wolfram Alpha 被發表出來，引起高度的重視，它能回答像，「英國女王伊莉莎白二世在1974年時是幾歲?」、「貸款利息隨時間的變化」，這種較為複雜的問題，邏輯推演能力其實很強，但侷限在於內容，Wolfram Alpha 不像 Google Knowledge Graph 具有這種龐大的內容來迎合一般民眾的問答。而另一個強大的問答系統IBM Watson，已經眾所皆知的人工智慧平台。
Semantic Network 可以說是Knowledge Graph的濫觴，早在1960年代，多數人把知識中概念與概念串起來的網絡稱為semantic network，許多自然語言處理的研究致力於整理這些知識，以便促成更智慧、更精準的自然語言處理，最知名應該是普林斯頓大學的WordNet，是一個相當完整的英文為主的語料庫，後來也有其它語言加入，如中文。以WordNet為例，這個semantic network 著重的是詞彙的上下位關係和同義詞之建立，所謂上下位關係是以詞彙語意上較為抽象、描述範圍較大者為上位詞，而較明確、描述範圍較小者為下位詞。
和knowledge graph的比較，WordNet強調的是詞彙語意的正確表達，而knowledge graph是著重於真實世界實體的關係，例如，巴拉克·歐巴馬和蜜雪兒·歐巴馬的配偶關係，而不是去定義配偶為何，其上下位關係和同義詞為何。在Knowledge Graph中的配偶是一個用於「人」這個概念(concepts or classes)的關係(relations)，巴拉克·歐巴馬和蜜雪兒·歐巴馬都是「人」的實例(instances)，所以可以用配偶關係來表達。
上述的概念、關係、和實例都是構成知識本體要素，但ontologies建立更重視正規化的知識表達，所謂的正規化就是如何以邏輯關係來定義知識、確立語意，Gruber(1995)提出用框架和第一階邏輯(First Order Logic)來建立知識本體，並定義 5 種基本要素:類別(Classes)、關係(Relations)、功能(Functions)、正規的原則(Formal axioms)和實例(Instances)。之後，Noy and McGuinness(2001)認為建立知識本體應該定義:
隨著，語意網技術的發展，W3C已製定了知識本體的語言OWL(Web Ontology Language) ，其中使用描述性邏輯(Description Logic) 來定義語意，目前大多數知識本體的建立皆以 OWL 為主，只是在格式上採用較為簡單的Turtle或N3。而知識本體的建立工具則以Protégé 為最多人使用。
舉例來說，日本農業活動知識本體(Agricultural Activity Ontology, AAO)的建立，播種(seed propagation)是一個農業活動(Agricultural Activity)，所以播種是農業活動的子類別，播種的概念比散播控制小、散播控制又比作物成長小、作物成長又比作物生產小，因此這些概念的活動即形成一個階層，且每一個概念都是由邏輯關係所定義而成。許多知識本體都像日本的農業活動知識本體之建立，強調於概念(concepts)或類別(classes)之間的邏輯關係，而較缺乏實例的部份，如DOCLE，這和Knowledge Graph有相當大不一樣的地方，Knowledge Graph的類別(classes)通常不複雜，階層較淺，但實例(Instances)的部份相當豐富。
Knowledge base 早在1970年代就被提出來，主要有二個特徵，一是有一個知識呈現方式來表達事實(facts)，通常是知識本體，並有儲存庫(repository)來儲存這些事實，這裡的事實和資料不一樣的地方在於結構化和正規化，以知識本體的角度而言，就是一個被陳述的事實一定會有一個類別來說明並表明這個事實應有或可有的關係。另一個特徵是推理機(inference engine)，可以使用邏輯規則來推論以減少這些事實的不一致(inconsistence)，當然早期許多以Knowledge base為基礎的專家系統會強調，推理機可以透過規則和邏輯關係的建立，回答問題，或預測更多事實。
Knowledge Base和Knowledge Graph應該是被混用最多的二個名詞，本質上，這二個東西確實是相似，有綱要(schema)部份，也就是圖4中TBox (Terminology Box)，一般而言，是以OWL來實現，以及ABox (Assertion Box)，就是事實(facts)，一般由RDF來實現。為了進一步解釋，圖5中在雲朵中的都屬於TBox的部份，都是類別(classes)，而方框中的是ABox，是根據TBox類別所定義的實例(instances)，或者是事實(facts)。
最大的差別在於Knowledge base在提出時，並沒有想到是一個網路規模(Web scale)的應用，內容(也就是事實)如此龐大，對於資料的綱要(schema)(TBox)要求較多，相對而，knowledge graph的TBox部份就比較沒這麼複雜。另一方面，knowledge base的建立常常只是單一領域，例如，Geonames 只有地名，和knowledge graph盡量收納所有知識的基調，是完全不一樣的。
在幾次鏈結資料的演講中常被問到有沒有鏈結資料的商業化應用? 其實我腦海中即刻浮現的是在2015年得到最佳鏈結企業資料獎的 NXP Enterprise Data Hub ，這是一個企業應用鏈結資料技術來整合資料的實際案例。另一個是在2014年就開始發展的 Fujitsu LOD4ALL的商業鏈結資料服務平台，這是一個結合政府鏈結開放資料和企業資料的商業資訊服務平台，最近則導向Fintech的發展。
其實，因為歐盟資料經濟的政策，在鏈結資料和語意網的應用案例是相當多元且廣泛，例如，
Open GeoData這個場次有三個演講，分別如下:
前二個演講是同屬於一個歐盟Horizon 2020 巨量資料研究計畫DataBio，有16國48個單位加入，計畫期間為2017年到2020年，總經費規模達到1千6萬歐元，歐盟支援了1千3百萬歐元，是一個針於農業和其它對於生物經濟工業中原物料產品的巨量資料技術優勢的展示，並且佈署一個互操作性的平台在所有計畫成員的資料基礎設施之上，藉由這樣的技術架構這個計畫企圖提供巨量資料管理的解決辦法，包含不同巨量資料的儲存和查詢，以及使用鏈結資料為聯合層來整合來自不同來源之異質性資料。DataBio需要整合先前的歐盟FP7的研究計畫SDI4Apps和FOODIE之資料，如圖41所示。SDI4Apps主要在於建構的是以Open API為主的雲端架構來進行資料整合，並且依此雲端環境建立6個試驗性Apps 與INSPIRE、Copernicus 和 GEOSS 空間資料基礎設施整合。而FOODIE 主要是在建構一個開放和互操作性的雲端基礎平台以整合不同來源的農田生產相關資料，並包含地理空間向度，以及發佈為鏈結資料。
在de Leon的演講中主要介紹如何利用FOODIE既有的語彙和標準，並與INSPIRE整合開發出鏈結資料的服務，如下所列。
而Charvat的演講中則進一步介紹如何在DataBio的計畫中整合交通資料(Open Transportation Map)和土地利用資料，其鏈結資料的服務也是從上述的服務中展示，但略有不同，如圖40中的服務是土地利用坵塊，就不是上述的農田分區，但技術上都是一樣的。
第三個演講是Rob Knapen，來自荷蘭Wageningen大學環境研究所，演講內容主要在基於他過去處理農業和地理資料的經驗中，去論述資料整合的問題和鏈結資料的障礙，檢討目前研究計畫事實上對於鏈結資料的使用仍然不夠深入。
圖43: Rob Knapen的演講
這個場次包含了三個演講，前二個是關於區塊技術應用於農業資料上，而第三個即是我的報告，三個演講如下:
Brewster博士是來自於荷蘭應用科學研究所(Netherlands Organisation for Applied Scientific Research)，他認為鏈結資料沒有用在價值鏈(如農田到消費者)的處理，Schema.org、GoodRelations和產品型態本體的語彙可以被期待用來增加價值鏈的處理，學術上企圖使用知識本體在價值鏈上的處理很少，過去的研究計畫也顯示出鏈結資料方法用在價值鏈上會有一些限制，但並沒有真的被進一步的討論。他認為價值鏈的核心問題在於產品履歷或溯源，但這個產品履歷系統是一個很緩慢的系統。從產品溯源的觀點，他進一步介紹條碼系統GS1，以建構資料鏈結系譜(linked pedigree)，而這資料鏈結系譜再導以區塊鏈技術來處理，如圖44即是他演講中所提出來一個整合鏈結資料和區塊鏈的架構。
Pesonen的演講陳述了很多區塊鏈和MyData的觀念，但缺乏實證，整個演講是一個概念架構研究的介紹。
農業科技分享(Agricultural Technology Sharing, ATS)平台的目標是鼓勵G20成員國、有興趣的國家和國際組織改善農業技術資料的獲取，促進技術支援，分享發展永續農業發展技能的經驗，促進農業技術轉讓作為全球集體行動。
該平台還可以通過分享成員經驗，鼓勵和強調要優化農業技術創新體系的政策制定，更新現有機構和發展新機構，引入有關資訊安全和保護財產權的監管機制，建立資訊、資料共享和交換標準，加強決策者、研究人員、推廣機構、農業企業、農民組織、協會、非政府組織、私營商業部門、金融機構等各方利益相關者的合作，進行農業研究，教育、推廣和農業企業發展。ATS還可以通過發展中國家和已開發國家之間的合作，包括對於人力資源和能力發展。
ATS旨於讓異質的資訊來源易於交叉搜索和整合，以便可以搜索所有資訊，以便所有利益關係者（例如，小農或企業家）都可以使用此類知識的的查詢進行搜索，以使成功地能讓農業實踐適應本地脈絡。ATS要扮演的一個在合作夥伴國家中的資訊目錄之角色，並透過合作和分享作為集體行動。通過這種方式，ATS將能夠在技術及其實際應用和影響方面獲得、分享、交流商業利益，同時也促進採用，適應和創新新技術的伙伴關係和合作。
ATS工作小組的主要原則是在20國框架下倡導和採取行動，通過G20成員，以及多樣化夥伴關係和共同努力，以加強農業技術創新和知識共享，持續地提高農業生產和實現糧食安全、生活和更好的環境。
工作小組是在中國主導但由G20 成員國中的首席農業科學家(MACS)來管控，以強化工作小組成為農業創新和知識共享的全球平台，並協調工作，避免重複和 最大化現有機會和資源。在中國農業科學院(CAAS)與GFAR、FAO、IFPRI及其全球網絡緊密合作，工作小組定期向G20的 MACS報告。
John Fereira在上午的場次講過康乃爾大學發展的VIVO，在這個場次的演講很簡短，而他想分享的是AGROVOC可以使用在三個功能中，分別為:
他並以介紹Agriknowledge網站，是一個農業文獻服務網站即是利用AGROVOC且應用上述三個功能，圖31即顯示關鍵字在Agriknowledge的使用，這些關鍵字都和AGROVOC有對映，且文獻本身也有相對映的AGROVOC，如圖32所示。
Valeria Pesce 是全球農業研究論壇(GFAR)的資訊系統經理和計畫經理，且與GODAN的祕書共同合作，過去曾代表FAO和GFAR，現今則是加入歐盟計畫資料基礎計畫( agINFRA, Big Data Europe)，並管理CIARD RING和AgriProfiles開放資料平台的在全球與區域間的協調工作。
她的演講主要是在介紹CIARD RING (如圖 33)平台中對於農業資料集的管理，並強調語意在資料集管理上的好處及方式，圖34說明了描述資料集如何需要語意，除了使用DCAT、 DCAT-Stats、DateCube和VOID的語彙外，對於主題詞和資料型態都可以利用知識組識系統(Knowledge Organization System)來架構，使這些主題詞和資料型態的詞彙能夠清晰表達。「值」的標準化，如資料的主題涵蓋範圍和維度、格式、和協定的使用等，這些值在RDF也通常被視為是「資源」(resource)，所以可被以URIs來辦別，但值通常是一個字串、概念的URI通常是專屬的設計，並非沒有一個共通的知識組織系統來指涉所有的事，她舉了幾個例子，如農業主題詮釋資料是AGROVOC或CABI thesaurus? 地理的詮釋資料是GeoNames或FAO GeoPolitic Ontology? 還有維度及文獻的語彙應該選那一個，如圖35 所示。然而，語彙所涉及的範圍和複雜度不一樣，是否合適於自己的資料需要評估，並非所有語彙都需要。
Pesce 也說明了選擇農業領域和跨領域語彙用於CIARD RING平台經驗，CIARD RING是一個農糧資料集和資料服務的聯合目錄平台，RING是指Routemap to Information Nodes and Gateways，為GFAR對於農業研究發展(Coherence Information for Agriculture Research for Development, CIARD)的計畫，RING的主要目錄可以提供資料和資料集，且都有詮釋資料，並使用RDF編碼。聯合目錄是透過獲取(Harvest)其它目錄平台的詮釋資料而來，目前有聯合的平台計有datahub, EU open data portal, Dataverse catalog, data.gov.uk, data,gov等，計有2740筆資料，4832項服務。RING平台的詮釋資料是以DCAT-AP、VOID和DataCube為主，並且會推出RING DCAT profile，她隨後介紹了RING平台中對於資料和資料集的詮釋資料編碼。
其中介紹了如何利用SPARQL Queries控制LOD的映對，如圖36中的SPARQL query，可以取得所有畜牧的資料集是以AGROVOC的Livestock。
在演講的結論中，她也再次強調最大的語意之挑戰在於資料或詮釋資料整合時缺乏使用共通語彙，而不是在格式、綱要(schema)或描述的方式不同，在許多情境中，資料缺乏好語意是因為不關注這部份，而不是工具的不足，RING的機器可讀層和SPARQL endpoint不是提供給終端使用者，他們期待的是更多開發者去建構加值的服務。
Sophie Aubin沒有出席，是由Johannes Keizer代為演講。
Agrisemantics是一個農業資訊語意的研究社群，企圖邁向一個可以無縫使用和創造語意資源以支持農業和食物資料的互操作性。Agrismenatics的價值是一個自動化語意資源集合可反應出豐富的觀點和不同的領域資料，農業概念應建立出一個共通的概念網要，即Global Agriculture Concept Schema (GACS)，有一組穩定的URIs可以重複使用和連結其它資源，增加鏈結由不同資源中製造資料操作性，分享經驗和共同的實務經驗，Agrisemantics是一個新開始的計畫，其整體架構如圖37所示。
這個場次的有5個演講，如下所示，都是歐盟國家的計劃，和資料或開放資料有關。
對於上述5個演講，就摘錄與開放鏈結資料的重點來記錄。
在Lilienthal博士的演講中主要是介紹歐洲哨兵衛星系列的影像如何應用於農業資訊的擷取，而歐洲哨兵衛星是以開放資料的方式釋出，在即時資料方面，可以進行農作型態分類、農作輪作、草地監測、和土壤流失監控，動態資料方面，可以進行產量潛勢推估、植物參數(如生物量、葉面積指數、葉綠素含量)、和物候學(如成長天數)，如圖38。
Migdall所介紹如何以巨量資料平台來處理糧食安全的問題，並且說明平台中的許多資料是地理和航遙測資料如何應用於糧食安全問題的決策。同樣地，Hoffmann 所介紹的是德國的整合型的農業計畫，而著重的是如何應用UAV影像擷取出更多有助於農業決策的資訊。
Voges 博士的演講是在於介紹如何利用鏈結資料技術於地球觀測資料的查詢上，他提到雖然地球觀測資料是開放資料，但通常透過特定的接口(portal)，或典藏於特定的平台，如果使用者對於這些接口和平台不熟悉的話，很難找到且取用這些資料。利用 OGC Catalogue Service標準來進行地球觀測資料之詮釋資料的處理，透過一般的搜尋引擎還是無法找到資料，他認為鏈結資料的方法是解決這個困境的途徑，應該有一層鏈結資料服務層架構在底層的空間資料基礎設施(SDI)，如圖39所示。接著他介紹了如何利用OGC OpenSearch Geo and Time[3]標準和鏈結資料技術實現以鏈結資料技術為主的地球觀測資料平台。
Jerzy Weres教授是來自波蘭波茲納(Poznan)大學農業及生物技術學院資訊應用系。他認為農業資訊對於農夫或農業工程而言都是重要的基礎，這些資訊有助於做出更好的決策，而要讓決策支援的軟體能與時並進，就必須去使用未來的網路科技，這樣的科技己經可以被用來增加決策支援系統的功能性、可靠性、使用性、可維持性和效能，藉由語意網技術來整合多種不同資訊來源現在已經是未來系統發展的趨勢，語意網技術為基礎的系統的新見解是如何透過整合軟體而讓傳統平台開放和利用智慧型手機的開放近用。
在這個演講中，他分享了他是如何與學生在資訊和農業工程課程上合作開發，並且留下二個資訊系統，一是語意網為基礎的建議系統可以支援分析、設計和管理榖物乾燥、處理和儲存，以及另一個整合系統可支援推估和分析幾何、熱能和不同屬性的農糧及林產。
榖物處理、乾燥和儲存之語意網為基礎的建議系統中是以UML勾勒出系統的結構和欲解決的問題，再以Visual Studio 2013、Windows Phone SDK 8、Xamarin、 .NET 4.5、 ASP .NET 4.5、 C++/CLI 和 C# 5.0 等程式語言為建構環境，圖8即是主系統 “Ziarbit” 的畫面，其中具有處理RDF和SPARQL的元件，如圖9即是RDF三元組的產生器，系統中使用知識本體來正規化資料，圖10即是描述乾燥機的知識本體圖形化。而他們也發輕量化的手機版本，如圖11所示。
可支援推估和分析幾何、熱能和不同屬性的農糧及林產的整合系統是用來模擬熱能和生質能(如玉米核)的質量轉移過程，可以檢驗物質是非均質、非等向、和不規則的特性，以有限單元格網的3D座標來表現一產品的幾何、熱傳導、溼度傳送係數和可轉換的溼度轉換系數，這個整合系統包含了一個共通的圖形介面，而且整合推估、分析和視覺化農糧和林產之熱及水轉移過程的子系統，這個系統是根據標準的軟體工程方法所建立，並利用Visual Studio 2013和C# 5.0 程式語言為建構環境。這個整合系統名為BioProcessSoft，是一個有圖形化介面和資料庫的系統，並包含三個子系統，3D Mesh Node、BioVis和IPS，圖12是3D Mesh Node子系統的截圖畫面。
John Fereira是康乃爾大學資深程式設計師，是VIVO一開始發展就加入的成員。VIVO在2003 – 2005年間，最早的開始由康乃爾大學針對生命科學領域開發，是以關連式資料庫為主，2006 – 2008 年間，VIVO已經擴展到康乃爾大學的所有領域，並且轉換成以語意網為主，2009 – 2012 國家衛生研究院的支持，VIVO讓國家科學網路計畫可以建立，轉換VIVO成為一個多機構的開放源碼平台，2012 後，VIVO轉換成DuraSpace，成為開放社群發展為主的應用程式，VIVO 因此成為一個開放源碼、開放資料平台、且使用開放知識本體，圖13為VIVO的知識本體。
VIVO也是一個可以讓相關於研究活動的資料可看得到且可及的語意發佈平台，以語意網為基礎的研究者和研究之探索工具，除了可以對「人」進行描述，可以針對其它組織、研究經費，計畫、論文發表、活動、設備和研究資源等項目，進行關係的描述，例如有意義的連結人和活動，而這些關係是雙向的，可以瀏覽從一個點到另一個點的脈絡，以URI連結VIVO以外的人、地方、組織和事件。VIVO是一個跨領域的開放資料平台，開放地分享資料並使用鏈結資料，以連結學者、研究社群、學校，VIVO可以整合多種來源的資料，如系統記錄、職員活動報告、和外部資源(如，文獻資源Scopus、PubMed和NIH RePORTER)，它也提供可以提供一個檢視和編輯介面，且可整合和過濾資訊至其它網址。
康乃爾大學的[email protected]網站即是利用VIVO所製作，圖14即是[email protected]網站，而圖15展示了[email protected]架構及其與VIVO的關係，網站可以輕鬆地瀏覽各個學者的著作發表、獲得計畫和金額可在網站一覽無遺，可經由網站瀏覽學者的相關資訊，如發表的著作和獲得的計畫與金額，如圖16 和圖17所示而網站中也提供了四種資訊視覺化方法，文字雲、全球合作的地圖、計畫經費、和研究興趣，如圖18-21。
Herzig博士之前是德國卡爾斯魯爾科技研究院(Karlsruhe Institute of Technology, KIT)之應用資訊和正規描述方法研究所(Institute of Applied Informatics and Formal Description Methods, AIFB) 之成員，該研究所亦是歐洲語意網研究的重點研究機構，出產許多知名的語意網研究學者。Herzig博士於2014年共同創辦了SearchHaus，這家公司致力於利用圖管理(graph management)方式於巨量資料的關鍵字查詢，metaphacts則是另一家於2014年成立的公司，致力於知識圖管理的公司，2017年二家公司併整，Herzig博士成為這家公司的營運長，該公司目前約10人左右。
GraphScope 是二家公司整併後的新產品，是一智慧型資料近用引擎，可允許使用者以簡單的方式，如關鍵字，去取用結構化資料，特別是RDF 資料。 透過GraphScope對於關鍵字解析，可提供使用者更精確的查尋結果，如果是下SPARQL queries，使用者需要了解資料綱要(schema)和SPARQL的語法，才可以得到較為準確的結果，但在GraphScope並不需要，所有過於技術的細節使用者是看不到的，也不用了解，GraphScope可以把綱要和語彙內建默記起來以便處理資料，也就是辨認關鍵字，GraphScope也適於用了解資料模型的領域專家，即使不了解語意網和資訊技術，也可以簡單的查詢資料，圖22為GraphScope的技術內容。GraphScope可以部署於三元組資料庫的上層且提供網頁介面，圖23即顯示GraphScope的系統架構。
在農業資料方面，metaphacts幫丹麥農業部門處理資料，在農業資料部份包含農田和作物，在商業資料部份包含土地權屬、公司的住址及並活動的資料，資料的知識本體如圖24所示，利用GraphScope建立系統，如圖25所示。
GraphScope最早應用的領域是在生命科學，圖26所顯示的是利用GraphScope架構的基因庫查詢系統，The Gene Expression Atlas ( http://www.ebi.ac.uk/rdf/services/atlas/ ) 由歐盟生物資訊研究所(The European Bioinformatics Institute, EMBL-EBI) 建構，其畫面為查詢REG1B的基因序列之結果。
GraphScope在其網站上(https://www.metaphacts.com/graphscope)提供二個展示，一是利用Wikidata，另一個是研究著作的查尋系統ResearchSpace。在Wikidata的展示上登入頁面上，只需要輸入關鍵字，例如，輸入「Taiwan」，搜尋列會列出所有和Taiwan一字有關的實體(entities)，如圖27，點選其一，可以找到所有和這個實體有語意關係的實體和概念，其介面提供視覺化介面，如圖28展示出所有和「Taiwan」有語意關係的實體。
Daniel Martini是籌辦單位之一德國農業科技與建立協會(KTBL)中資料庫和知識技術組的專家，他們團隊在2004年左右就開始進行AgroXML的建立與發展。在他的演講中一開始先說明了KTBL這個單位的背景，KTBL是一個有註冊的非營利協會，2/3是由德國農業部所資助，有來自於學術、業界的各領域專家約400位成員左右所組成，有70位左右的職員在Darmstadt工作，管理許多工作小組、組織專家工作坊、出席相關委員會、以及維持專家網絡。KTBL的任務是將研究成知識導入農業的實務中，並以專業來支援政策決策，評估新農業技術在經濟和生態在衝擊，以及提供計畫性資料(如，投資、產品處理過程…)到農夫。資訊技術的角色有三: 一為資料獲取，是由開放資料來源中獲得，二為資料處理，是由原始資料轉換為計畫資料，三為資訊提供，透過電子書、網頁和APPS，傳遞農業資訊給客戶。
KTBL並負有一個任務是在於傳遞人和機器都可讀格式的計畫性資料，這其實需要處理(1)人與機器都可讀的類別(classes)，如購買價格、供給的消費量…等; (2)標準田野工作流程，如工作時間、在不同制度下機器的共通方式…等; (3)操作供給: 平均價格、內容…等; (4) 設施和建物: 畜舍、牛奶機器和它們的屬性…等，讓以上這些資料能夠被更多的人使用，而且能夠進一步地在軟體應用程式中處理，以便服務農夫。
在KTBL中有許多資料準備提供分享，而他們想要遵循FAIR原則，而且使用標準規格，如RDF、HTTP、SPARQL，但這些資料早己經存在於既存的系統(基礎設施)，他們想的是如何開發出來一個工具箱可以以最少工作來解開這些儲放在既存資料庫中的資料。
因此KTBL的第一步就是開始設計語彙，讓資料能讓「再使用(reuse)」，他們以rdfs:label提供人可謮的名稱，在人名、地址、電話部份，他們使用VCard和FOAF語彙，在單位和維度方面，使用QUDT語彙，在地理資訊方面，使用GeoVocab和GeoSPARQL，在價格和產品方面，他們使用Good Relations Ontology，有這些語彙他們也建立他們的知識本體。並且開始從既有竹點的資料庫中開始要轉換資料，但在這之前，面對這麼多的工具要怎麼使用成為一個問題，所以他們對於這些工具進行評估，最後決定用D2RQ由資料庫轉RDF資料、用Jena Fuseki來儲存RDF和支援SPARQL 查詢、用ELDA進行序列化和網頁版型， 圖29即是評估過工具和最後決定的評估過程。最後結論也再次強調利用開源工具去建立語意網服務是輕鬆寫意的事情。
LOD in Agriculture Workshop 做為G20 農業首席科學家會議(MACS)之一，聚集農業科技上的科學共同討論農業資料之標準化、結構化、鏈結化、及應用上的問題，這個會議是由GODAN ( Global Open Data for Agriculture & Nutrition)、 德國農業部(BMEL)、和德國農業科技與建立協會(KTBL)等三個單位來共同舉辦。
值得一提的是，GODAN是一個5年的跨國合作計畫，規模為850萬美元，由美國政府、英國政府、荷蘭政府、開放資料研究所(Open Data Institute, ODI)、聯合國國際農糧組織(FAO)、歐盟支援的農業研究與創新全球論壇(The Global Forum on Agricultural Research and Innovation, GFAR)、農業和生物科學國際中心(Centre for Agriculture and Biosciences International, CABI)、國際農業研究諮議組織(Consultative Group on International Agricultural Research, CGIAR)、農業與農村合作技術中心(Technical Centre for Agricultural and Rural Cooperation, CTA)、 和食物與農業研究基金會(Foundation for Food and Agriculture Research, FFAR)等10個單位共同出資，目前全球共有579個公私立單位參與成為該計畫夥伴。
會議開場是由德國農業科技與建立協會(KTBL)的 Daniel Martini 主持。首先，由德國農業部(BMEL)官員致詞，說明會議舉辦的背景，是由於德國今年於漢堡(Hamburg)舉辦G20會議，並因此在波茲坦(Potsdam)舉辦G20中首席農業科學家會議(MACS)，而去年的G20會議在中國時，就強調資通訊科技在農業上的應用與發展，延續這個議題，有鑑於歐盟近5年來在鏈結資料上的發展，德國今年則嘗試以鏈結資料在農業上的討論為主來承續中國在去年開啟的議題。而他也說明，雖然這是G20的會議之一，但這個會議其實不侷限於G20的成員參與，而是著重於農業和食物科學議題討論，而開放資料的策略提供更多在農業議題脈絡中創新的機會，有助於解決當前全球共同面對的農業和食物問題。
接著是GODAN計畫祕書的Johannes Keizer博士致詞，他是前FAO官員，退休後持續在全球的農業和糧食議題上努力，尋求更多解決的方法。他認為開放資料是解決全球農業和糧食問題的重要策略，許多的經濟效益是可以由開放資料而來，
而開放資料的重要的內涵在於資料再利用，產生資料流動，資料不斷地流動，才有可能有經濟效益和價值，開放資料也透過資料分享、知識分享，讓整個系統更有效率、更加有力量，更加的堅固。資料要流動，就必須讓資料能夠被找的到，資料要再被利用，就必須讓資料的語彙共通。
如何透過開放資料建立更好的農業和糧食資料的利用，進而解決問題，是GODAN計畫在尋找的解決方案，全球各地許多科研單位和科學家加入。他也強調，在剛結束不久的科研資料聯盟(Research Data Alliance, RDA)第10次會議於加拿大蒙特婁(Montréal)舉辦，其中有許多議題都和鏈結資料有關，而鏈結資料的技術與方法在農業和糧食問題的研究發展方興未艾，本次的會議就是想更深入去探討農業上的鏈結資料。
最後，由Daniel Martini給了一些開場的結語，他強調這個會議嘗試找出鏈結資料如何在農業上有用，農業資訊如何能透過當代資通訊技術製造更多的經濟效益，而這些議題不單單是德國的問題，而是全球的議題。
會議主辦方邀請Elsevier的Paul Groth博士，以 「The Roots: Linked Data and the Foundations of successful agriculture data」為題進行專題演講。Groth博士先自我揭露說，他的科學背景是電腦科學，著重於開放資料和鏈結資料，而非農業領域，但家鄉是荷蘭，是非常重視農業科技的國家，也算是和農業扯上邊。
他先以三個問題來揭開專題演講，這些問題也是整演講的脈絡。
他首先強調資料在農業的重要性，以精準農業為例說明資料是農業的中心。如圖1所示。他進一步引用Wolfert等人(2017)的文章，藉由該文的農業資料供應鏈之回顧分析中，說明了農業資料的問題，包含了格式、異質的資料來源、資料清理和準備的自動化、語意的異質性等，而這些正是鏈結資料技術可以應用的地方。
而研究科學資料在很早以前就開始討論資料開始的議題，在國際科學理事會(ICSU)帶領下，國際科學與技術資料委員會(CODATA)及研究資料聯盟(RDA)的會議中不斷地探討科學資料開放的議題，也使得投入科學資料開放的研究者愈來愈多，Groth博士以他為共同作者的Scientific Data期刊文章「The FAIR Guiding Principles for scientific data management and stewardship」為例，引導了科學資料中倡議開放資料的FAIR 原則，即是Findable, Accessible, Interoperable, 和Reusable，其節細內容如圖2，而達到FAIR原則所導向是成功的資料，而達成成功資料的最佳途徑就是鏈結資料。
資料再使用(reuse)成為科學資料開放的重要議題之一，要被使用就要找得到資料，要讓科學家能把自己的研究資料開放，資料引用(Data Citation)的制度是一個不可缺或因素，近年來也逐漸形成風氣，許多大型的期刊論文出版商目前都有資料論文(Data paper)的制度，且有些已經進入SCI索引。但這些似乎還不夠，期刊論文的使用者是科學家，對於一些特定群體的行為和需求則不一定滿足，例如，年輕科學家、政策制定者、學生等，觀測資料的背景使用比前景使用有較好的文件說明，也常有人需要資料而從別人的期刊論文中之表格再把資料再製，也有人會在搜尋引擎上尋找，或是直接索取資料。事實上，Google 對於資料集做索引，資料集發佈於網頁時，利用schema.org的語彙於HTML中會有助於Google 對這樣的網頁做索引。
對整合和互操作性而言，Groth博士先以ISOBUS這樣硬體規格，來說明標準所建立的整合和互操作性的重要性，接著解釋農業資料中己經有一些不錯的標準語彙，如AGROVOC和Crop ontology，而AGROVOC是促進農業鏈結資料的重要基礎，GODAN計畫更是重要的推手。資料要跨領域的整合，需要語意和語言的對映，Groth博士以植物知識庫的整合為例，來說明植物資料庫的整合過程，在語言方面，他也以Wikidata為例，說明語彙多語言的整合。
FAIR原則並不只是在於人類趨動的活動，而也著重於機器趨動的活動，因此資料的開放後，要考量的使用者並非只有「人」，還有一個重要的使用者是「機器」，FAIR原則所要克服的是人和機器在網路中尋找和處理處料時個別都會面臨到的問題，要弭平這樣子的障礙，機器學習是一個解決途徑。Groth博士引用吳恩達(Andrew Ng) 博士在2016年史丹福灣區深度學習課程中的一句話。
If there’s a task that a normal person can do with less than one second of thinking, there’s a very good chance we can automate it with deep learning.
也就是說我們現今有太多片段的知識可以透過機器學習建立出知識庫，使得人和機器都可以在語意共通的環境使用資料。接著舉NVIDIA利用深度學習於影像辨識，並將圖片中內容的萃取，例如圖3中，經過機器學習可以萃取出人物、酒瓶、和桌子，而影像辨識也在導入深度學習後，準確度大幅度的改善，圖4說明了ImageNet Large Scale Visual Recognition Challenge 在2012年後利用機器學習後，錯誤大量的減少。
深度學習的叢集運算可以讓更多的知識由資料中被萃取出來，Groth博士再以ImageNet為案例說明以資料為導向的深度學習將會改變模式的建立，他引用了李菲菲(Fi-fi Li)博士受訪的一段話，
The paradigm shift of the ImageNet thinking is that while a lot of people are paying attention to models, let’s pay attention to data. … Data will redefine how we think about models.
ImageNet企圖建立的知識庫有如WordNet對於知識架構的分類(如圖5)，這將有助於機器在處理圖片中的知識。他再舉一個例子是如何從社群媒體的文字描述去了Emoji的意義，如圖6中所示，這些Emoji所群集的分類是由文字描述的自然語言處理，輔以SVM演算法的改良，所得到的結果。
Groth博士接著論述鏈結資料和機器學習的關係，他認為機器可以熟練於學習由文字、語言、圖片和影片中回答問題，是仰賴於我們訓練機器可有效率地由網頁去讀取資訊的能力。先回過頭來看看機器當今如何讀取網頁的，最普遍的方式是搜尋引擎都會做的事，就是透過爬取和索引網頁資源，進一步地可能還有語意化的標籤(例如，使用schema.org)，再者，更深層一點的，就語意網的脈絡，可能是尋找且遵循對於知識本體和資料分享和再使用的開放鏈結資料爬取，而在Open API的脈絡而言，機器讀取資料是利用程式可取用的API透過HTTP/S和其它協定來讀取資料，這些機器的讀取方式都需要讓我們去想如何支援標記語言(ML)導向的資料，如XML、JSON、RDF/OWL等。
Groth博士進一步地以FAIR Data的概念來說明資料供應的標準和語彙如何強化資料的品質，在多資料來源和多使用者的平台上更加顯得重要，他就以全球變遷資料庫「The Global Change Information System」來說明如何利用W3C PROV (Provenance Vocabulary) 來幫助平台的資料品質。
最後，他再回到一開始提到的三個問題，總結而言，他認為要解決這三個問題就是建立成功的FAIR農業資料，而鏈結資料的技術即是建立出FAIR農業資料的關鍵。
接續 Part 2。