Aplicação de Ontologias de Proveniência em Workflows Científicos: um Mapeamento Sistemático

Abstract

Resumo. Experimentos científicos modelados como workflows são executados por complexos mecanismos chamados de Sistemas de Gerência de Workflows (SGWf). Existem diversos SGWfs com seus prós e contras, porém todos compartilham diversas características como por exemplo, a necessidade de fornecer apoio para os cientistas analisarem seus dados. Os dados de proveniência tem um papel importante no fornecimento das informações necessárias em diferentes etapas experimentais. Desta forma, o presente trabalho tem como objetivo mapear e caracterizar abordagens que utilizam uma das quatro ontologias de proveniência selecionadas, analisando fatores como adequabilidade, requisitos de execução e arquitetura. Após o estudo, percebeuse que as ontologias de proveniência podem ser aplicadas em diferentes etapas do ciclo de vida do workflow científico, mas principalmente na fase de análise. * Os autores agradecem ao CNPq, CAPES e FAPERJ por financiarem esse trabalho.

OntoExpLine: Rumo a uma Ontologia para Representação de Linhas de Experimento Algébricas

“…Aplicadas no contexto de LinExp, é possível instanciar, caracterizar e relacionar programas e atividades abstratas, agregando metadados relativos à sua execução, dependências de software, dados do domínio de aplicação (e.g., bioinformática) e recursos. A seguir discutimos algumas das ontologias usadas neste artigo para modelar a OntoExpLine, conforme levantamento anterior [Dias et al 2019]. O ProvONE é um modelo de dados proposto para representar dados de proveniência [Freire et al 2008] em workflows, e que possui uma ontologia associada (https://github.com/DataONEorg/sem-prov-ontologies).…”

MAESTRO: Uma Abordagem para a Composição e Análise de Workflows Baseados em Scripts por Meio de Ontologias

“…Experimentos científicos podem envolver a composic ¸ão, execuc ¸ão e análise de múltiplos workflows, nos quais o usuário explora diferentes transformac ¸ões de dados, programas e parâmetros até que seja possível confirmar ou refutar sua hipótese científica. Portanto, a representac ¸ão de um experimento requer um nível de abstrac ¸ão mais elevado do que o oferecido por um único script [Dias et al 2020a, Dias et al 2019], a fim de possibilitar a representac ¸ão de todas as escolhas possíveis que o usuário pode fazer. Dessa forma, torna-se imperativa a possibilidade de representar o experimento em diferentes níveis de abstrac ¸ão, permitindo que o usuário derive workflows concretos, ou seja, os scripts que possam ser executados, a partir de uma série de escolhas de transformac ¸ões de dados, parâmetros, etc.…”