Intelligente Techniken für das Wissensmanagementkm.aifb.kit.edu/ws/kmtutorial/AIK5/aik_05_staab.pdf · Arbeitsdefinition Wissensmanagement umfaßt alle systematischen Aktivitäten,

© S. Staab, 2000

Intelligente Techniken für das

Wissensmanagement

5.AIK-Symposium Wissensmanagement

Steffen Staab

Arbeitsgruppe Wissensmanagement,

Institut für Angewandte Informatik und Formale

Beschreibungsverfahren, Universität Karlsruhe (TH)

© S. Staab, 2000

Folie 2

1. Einleitung: Wissensmanagement

2. Kurzüberblick Industrieprodukte

3. Intelligente Techniken

3.1 Organizational Memory System

3.2 Information Retrieval und Extraktion

3.3 Fallbasiertes Schlußfolgern

3.4 Wissensentdeckung (Knowledge Discovery)

3.5 Ontologiebasiertes Wissensmanagement

(Smart Task Support)

4. Ausblick und weitere Arbeiten am Institut

Übersicht

© S. Staab, 2000

Folie 3

Wissen ist wichtig?

1 Einleitung: Wissensmanagement

Schnellere

Wissensproduktion

Kürzere

ProduktentwicklungszyklenKomplexere Produkte

Stärkere Regulierung

(Haftung, Umwelt...)

Globaler Wettbewerb

Vernetzte, komplexe

Arbeiten

Wissen ist wichtig!

Statt Straßenkehrer nun Bedien- und Wartungspersonal für

Komplexe Maschinen!

© S. Staab, 2000

Folie 4

Wissen managen ist

wichtig?


Schneller das richtige Wissen wissen!

Wissensvorsprung

(Internet Startups,...)

Qualitätssicherung

(vom Kunden lernen...)

Kollektives Wissen

(Beratungen,

Kundendienst...)

Time2Market

(Concurrent Design,

Wiederverwendung,...)

Wissen managen ist

wichtig!

© S. Staab, 2000

Folie 5

Arbeitsdefinition

Wissensmanagement umfaßt alle systematischen

Aktivitäten, die auf die Handhabung von Wissen

in Organisationen abzielen.


� Nicht alle Wissensmanagementaktivitäten sind neu

• Lehrlingsausbildung

• Kaffeeecken

Aber:

Systematische Betrachtungsweise führt zu

hohem Stellenwert und

optimaler Wirkung für die Organisation

© S. Staab, 2000

Folie 6

Knowledge Management

Wissens-

identifikation

Wissens-

erwerb

Wissens-

strukturierung

Wissens-

nutzung

Wissens-

bewahrung

Wissens-

(ver)teilung

Feedback Wissensziele: Bestimme Ziele für WM Aktivitäten

Wissensidentifikation: Übersicht über internes

und externes Wissen

Wissenserwerb: Schulungen, „Einkauf“, F&E

Wissensstrukturierung: Strukturierung und

Integration von Wissen

Wissensverteilung: Verteilung/Kommunikation

von Wissen im Unternehmen

Wissensnutzung: produktive (Aus-)Nutzung von

Wissen (Patente, nachfolgende Maßnahmen)

Wissensbewahrung: Speichern und Bewahren

von relevantem Wissen und Erfahrungen

Wissensbewertung: Controlling des

Wissensmanagementprozesses

Angelehnt an [Probst et al. 1999]

WissenszieleWissens-

bewertung

Bausteine des Wissensmanagements


© S. Staab, 2000

Folie 7

Dimensionen

• Management – Definiere Wissensziele

– Bewertung

– Personalmanagement

– Corporate Culture

– ...

• Informationstechnologie – Organizational Memory

– Intranets

– Information Retrieval

– Data Warehouse / Data Mining

– Information Filtering/Agents

...


“80%”

“20%”

© S. Staab, 2000

Folie 8

Was ist Wissen?

IT für das Wissensmanagement als

Informationsmanagement im Kontext der Organisation

Semantik

Syntax

PragmatikInformation

Daten

Wissen


© S. Staab, 2000

Folie 9

Vom Wissensbaustein zur Technik

Wissensbausteine

• Ziele

• Wissensidentifikation

• Erwerb

• Strukturierung

• Nutzung

• Bewahrung

• (Ver-)Teilung

• Bewertung


Informations/Daten

-management

• Eingabe

• Pflege

• Verarbeitung

• Integration

• Suche

• Nutzung

Welcher Inhalt?

Intelligente Techniken

für WM

• Information Retrieval &

Extraktion

• Visualisierung

• Fallbasiertes Schließen

• Ontologiebasiertes WM

• Knowledge Discovery

• (Wissensakquisition)

Welcher Kontext?

© S. Staab, 2000

Folie 10











Übersicht

© S. Staab, 2000

Folie 11

Alles ist Wissensmanagement???

„Eigentlich ist mein Auto auch ein

Wissensmanagementwerkzeug -

schließlich kann ich es benutzen, um zu

anderen Leuten zu fahren und mit ihnen

Wissens auszutauschen ???“

2 State-of-the-Industry

© S. Staab, 2000

Folie 12

• Information Retrieval: VerityTM, ConnexTM, ExcaliburTM, EurospiderTM,

GoogleTM, FulcrumTM

• Collaborative Filtering: GrapevineTM

• Intranet Portal: IntraspectTM , Open TextTM , AutonomyTM, OntopriseTM

• Groupware: Lotus NotesTM, MS ExchangeTM

• Document Management: PCDOCSTM, InQueryTM, FilenetTM,

DocumentumTM

• Text Summarization: Prosum

• Database solutions: WinciteTM, DatawareTM, AgentwareTM

• Experience Factories: at A.D.LittleTM, at XeroxTM

• Skill Management: Loga HRMS (P&I)TM, Speziallösungen

• Semantic Nets-based: USUTM, LarsTM

• Visualization: InxightTM, AIdministratorTM

• Knowledge Discovery: ClementineTM, IBM Intelligent MinerTM, SASTM

2 Kurzüberblick Industrieprodukte

Eher Spektrum als definitive Kategorisierung!!

© S. Staab, 2000

Folie 13

Wissen bewahren:


Wissen finden:



Wissen entdecken:

3.4 Knowledge Discovery

Wissen strukturieren und nutzen:



3 Intelligente Techniken

© S. Staab, 2000

Folie 14

Organizational Memory

Is the means by which knowledge from the past is

brought to bear on present activities, thus resulting in

higher or lower levels of organizational effectiveness.

E.W. Stein, 1995


© S. Staab, 2000

Folie 15

OM System

Organizational Memory System enthält:

– Dokumente (unstrukturiert / semistrukturiert)

– Daten (strukturiert)

– Strukturierungen (Terminologie)

– Regeln (Business Rules)

– Prozeßbeschreibungen


Organizational Memory System

als Grundlage für Intelligente Unterstützung!

© S. Staab, 2000

Folie 16

3.2 Information Retrieval & Extraktion

• Wissen finden

• Wissen erfassen

• Wissen benutzen

• In unstrukturierten /

semistrukturiertem Text

• Fakten

• Wissensstrukturen

• Push-Agenten


© S. Staab, 2000

Folie 17

Information Retrieval

• In Texten (des Organizational Memory)

– Stichwortsuche

– Stichwortsuche mit Thesaurus

– Finde ähnliche Dokumente / verschlagwortete Dokumente

• Verschiedene statistische Modelle

• Grundprinzip: jedes Dokument ist ein “Sack” von Worten

– Erkennung von Themen (Audiodaten!)

– Mechanismen für die Zusammenfassung


© S. Staab, 2000

Folie 18

Thesaurus

• Kategorisierung und Definition von Begriffen

• Standardvokabular für das Retrieval

• “Normsprache”

• Begriffe (wieder-)finden

• Stichwortsuche eingrenzen / ausweiten

• Beispiele:

– Roget‘s thesaurus,

– WordNet / GermaNet / EuroWordnet

– TEST (Thesaurus of Engineering and Scientific Terms), ...


© S. Staab, 2000

Folie 19

IR im Kontext - Push-Agenten

Grundlagen:

– IR + Extraktion von Schlagworten + Titelzeilen

– Benutzerprofile

– Gruppenprofile

– Von Nutzer A positiv bewertete Dokumente

– Bei Übereinstimmung zwischen Dokument und einem der

drei Kriterien wird ein Mail geschickt

(Jasper; Davies et al. 1995)


Liefere Nutzer A automatisch und proaktiv

Informationen!!

© S. Staab, 2000

Folie 20

Informationsextraktion

Case Study: Dow Chemicals

• Analyse von Patentschriften

• Extraktion von graduierenden Ausdrücken “5kg Chemikalie X”

• OLAP/Knowledge Discovery um Trends festzustellen


0

20

40

60

80

100

2000 1999 1998 1997

Component X

Component Y

Component Z

Qualitatives Diagramm:

© S. Staab, 2000

Folie 21


3.3 Fallbasiertes Schließen

(Case-based Reasoning - CBR)

„Human experts are not systems of rules, they are

libraries of experiences.“

Riesbeck & Schank 1989

© S. Staab, 2000

Folie 22

3.3 Fallbasiertes Schließen (CBR)

Motivation:

• Wissensdokumente (z.B. Projektberichte)

Allgemeiner CBR Process:

• Finde einen Fall, der ähnlich ist zum gegebenen Problem

• Benutze Fall zur Problemlösung

• Revidiere/Adaptiere vorgeschlagene Lösung

• Füge gelöstes Problem zur Wissensbasis hinzu

Wissensbasis

• Sammlung von Fällen

• Vokabular, welches Fälle beschreibt

• Ähnlichkeitsmaß

• Model für die Adaption von Fällen

© S. Staab, 2000

Folie 23


Software Experience Factory (Basili et al. 1992)

(© Althoff et al. 1998)

© S. Staab, 2000

Folie 24


Software

Experience

Factory

(© Althoff et al. 1998)

© S. Staab, 2000

Folie 25


Fallbasiertes Schließen auf Texten

“Know How Dokumente”

• FAQ Finder (Frequently Asked Questions) (Burke 1997)

• Automatische Hotline für Siemens Techniker (Lenz 1998)

(Menschliche Hotline für die schwierigen Fälle)

• In-house Konfigurationsmanagement von LHS AG (Lenz 1998)

• Wartungsaufgaben bei British Airways (Magaldi 1999)

© S. Staab, 2000

Folie 26

3.3 Case-based Reasoning

FAQ Finder

(© Burke et al. 1997)

© S. Staab, 2000

Folie 27



© S. Staab, 2000

Folie 28



© S. Staab, 2000

Folie 29


3.4 Knowledge Discovery

• Data Mining - eine eigene Disziplin

– Warenkorbanalyse, automatische Klassifikation, ...

• Entdeckung von Wissensstrukturen

– relevantes Vokabular / Zusammenhänge

• Knowledge discovery/Data analysis als ein wissensintensiver Prozeß

– Benutzerunterstützung für das Data Mining

• Systeme die Wissen zur Ansicht empfehlen

– Kollaboratives Filtern

– Benutzeradaption beim Durchsuchen von Wissensbasen

© S. Staab, 2000

Folie 30




Contents

Access

Context

• Terminologie

• Regeln

• Aufgabe in Prozess

• Datenbank

• Dokument-

inhalte

• Query Interface

• Application Support

Reaktiv

Proaktiv

© S. Staab, 2000

Folie 31

InhaltsstrukturierungOntologie

Employee

Name

Phone

E-Mail

Located in

Location

Street

Town

ZIP Code

Department

Name of department

Fax

Department


© S. Staab, 2000

Folie 32

Hole Zustimmung

ein

Liefere

Plan ab

Erstelle

PlanAufgabe

in

Prozess

<employee>

<name>Rudi Studer</name>

<position>Professor</position>

<email>???????????<email>

.....

</employee>

Document Template -

teilweise gefüllt

Hintergrundwissen

(Fakten und Regeln)


© S. Staab, 2000

Folie 33


© S. Staab, 2000

Folie 34


© S. Staab, 2000

Folie 35











Übersicht

© S. Staab, 2000

Folie 36

4. Ausblick und weitere Arbeiten am AIFB

Kooperation & Visualisierung

CSCW-

Funktionalitäten

Virtuelle Treffen

(Avatare)

3-dimensionale

Wissensräume

(Answer Garden)Visualisierung von

Wissensstrukturen

Visualisierung von Graphen: Prof. Schmeck

© S. Staab, 2000

Folie 37


Finanzportal

Virtueller Kapitalmarkt

MarketS

(Simulationssystem)

EDGAR

(Electronic Data Gathering

& Retrieval System)

Analyse von

FundamentaldatenIntelligente Agenten

(Portfolioverwaltung)

Prof. Seese

© S. Staab, 2000

Folie 38


Teleteaching/-learning

VIKAR (Virtueller

Hochschulverbund Karlsruhe)VIROR (VIRtuelle Hochschule

OberRhein)

Lehre im Internet

Prof. StuckyProf. Schmeck

Authoring-on-the-Fly

Web-based Training

(WBT)

© S. Staab, 2000

Folie 39


Prozeßmodellierung

Prozeßverstehen Prozeßunterstützung

Prof. Stucky

Wichtige Grundlagen

für WM

Virtuelle Unternehmen

© S. Staab, 2000

Folie 40


Wissensportale

Wissensakquisition Metadaten

Prof. Studer

Text Mining

Einführung von WM

Intelligente

Web Anwendungen

© S. Staab, 2000

Folie 41


Data Mining

Einbindung von Data Mining

in das Wissensmanagement Prozeßunterstützung

Prof. Studer

Text Mining

Skalierbarkeit

© S. Staab, 2000

Folie 42


Wichtiger Hinweis!!

1. Konferenz

Professionelles Wissensmanagement -

Erfahrungen und Visionen

Kongresshaus Baden-Baden 14.-16. März 2001

Workshops zum Austausch von Uni und Praxis

Tutorials für Spezialgebiete

Eingeladene Vorträge

© S. Staab, 2000

Folie 43


1. Konferenz

Professionelles Wissensmanagement - Erfahrungen und

Visionen

http://wm2001.aifb.uni-karlsruhe.de

Workshopthemen:

+ WM & Prozesse

+ WM & Management Support Systeme

+ Strategien für WM

+ WM & Case-Based Reasoning

+ Anwendungen und

Erfahrungsaustausch

+ Marktmechanismen für das WM

Tutorialthemen:

+ Visualisierung von Wissen

+ WM und Begriffsbildung

+ Strategiebildung & -umsetzung

+ Intelligente Techniken

© S. Staab, 2000

Folie 44

Danke!

© S. Staab, 2000

Folie 45

“There is nothing interesting

in what we are doing. The

only interesting thing is the

scale upon which we are

attempting to do it.”

R.V. Guha, E-pinions


Documents

Intelligente Techniken für das Wissensmanagementkm.aifb.kit.edu/ws/kmtutorial/AIK5/aik_05_staab.pdf · Arbeitsdefinition Wissensmanagement umfaßt alle systematischen Aktivitäten,