Intelligente Techniken für das Wissensmanagement

© 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)
Übersicht
© S. Staab, 2000
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
Folie 2
© S. Staab, 2000
1 Einleitung: Wissensmanagement
Schnellere
Wissensproduktion
Komplexere Produkte
Kürzere
Produktentwicklungszyklen
Wissen ist wichtig?
wichtig!
Stärkere Regulierung
(Haftung, Umwelt...)
Globaler Wettbewerb
Vernetzte, komplexe
Arbeiten
Statt Straßenkehrer nun Bedien- und Wartungspersonal für
Komplexe Maschinen!
Folie 3
© S. Staab, 2000
1 Einleitung: Wissensmanagement
Wissensvorsprung
(Internet Startups,...)
Kollektives Wissen
(Beratungen,
Kundendienst...)
Wissen managen ist
wichtig?
wichtig!
Qualitätssicherung
(vom Kunden lernen...)
Time2Market
(Concurrent Design,
Wiederverwendung,...)
Schneller das richtige Wissen wissen!
Folie 4
1 Einleitung: Wissensmanagement
© S. Staab, 2000
Arbeitsdefinition
Wissensmanagement umfaßt alle systematischen
Aktivitäten, die auf die Handhabung von Wissen
in Organisationen abzielen.
Þ Nicht alle Wissensmanagementaktivitäten sind neu
• Lehrlingsausbildung
• Kaffeeecken
Aber:
Systematische Betrachtungsweise führt zu
hohem Stellenwert und
optimaler Wirkung für die Organisation
Folie 5
© S. Staab, 2000
1 Einleitung: Wissensmanagement
Bausteine des Wissensmanagements
Wissensziele
Feedback
Wissensbewertung
Wissensziele
: Bestimme Ziele für WM Aktivitäten
Übersicht über internes
und externes Wissen
Wissensidentifikation:
Wissenserwerb
Wissensidentifikation
Wissensbewahrung
: Schulungen, „Einkauf“, F&E
Strukturierung und
Integration von Wissen
Wissensstrukturierung:
Verteilung/Kommunikation
von Wissen im Unternehmen
Wissensverteilung:
Knowledge Management
Wissenserwerb
Wissensstrukturierung
Wissensnutzung
Wissens(ver)teilung
: produktive (Aus-)Nutzung von
Wissen (Patente, nachfolgende Maßnahmen)
Wissensnutzung
Speichern und Bewahren
von relevantem Wissen und Erfahrungen
Wissensbewahrung:
Controlling des
Wissensmanagementprozesses
Wissensbewertung:
Angelehnt an [Probst et al. 1999]
Folie 6
1 Einleitung: Wissensmanagement
© S. Staab, 2000
Dimensionen
•
Management
“80%”
•
Informationstechnologie
“20%”
–
–
–
–
–
Definiere Wissensziele
Bewertung
Personalmanagement
Corporate Culture
...
–
–
–
–
–
Organizational Memory
Intranets
Information Retrieval
Data Warehouse / Data Mining
Information Filtering/Agents
...
Folie 7
© S. Staab, 2000
1 Einleitung: Wissensmanagement
Was ist Wissen?
Wissen
Information
Daten
Pragmatik
Semantik
Syntax
IT für das Wissensmanagement als
Informationsmanagement im Kontext der Organisation
Folie 8
© S. Staab, 2000
1 Einleitung: Wissensmanagement
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?
Folie 9
Übersicht
© S. Staab, 2000
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
Folie 10
2 State-of-the-Industry
© S. Staab, 2000
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 ???“
Folie 11
•
2 Kurzüberblick Industrieprodukte
Information Retrieval
© S. Staab, 2000
: VerityTM, ConnexTM, ExcaliburTM, EurospiderTM,
GoogleTM, FulcrumTM
•
: GrapevineTM
• Intranet Portal: IntraspectTM , Open TextTM , AutonomyTM, OntopriseTM
•
: Lotus NotesTM, MS ExchangeTM
•
: PCDOCSTM, InQueryTM, FilenetTM,
DocumentumTM
•
: Prosum
•
: WinciteTM, DatawareTM, AgentwareTM
•
: at A.D.LittleTM, at XeroxTM
•
: Loga HRMS (P&I)TM, Speziallösungen
•
: USUTM, LarsTM
•
: InxightTM, AIdministratorTM
•
: ClementineTM, IBM Intelligent MinerTM, SASTM
Collaborative Filtering
Groupware
Document Management
Text Summarization
Database solutions
Experience Factories
Skill Management
Semantic Nets-based
Visualization
Knowledge Discovery
Eher Spektrum als definitive Kategorisierung!!
Folie 12
3 Intelligente Techniken
© S. Staab, 2000
Wissen bewahren:
3.1 Organizational Memory System
Wissen finden:
3.2 Information Retrieval und Extraktion
3.3 Fallbasiertes Schlußfolgern
Wissen entdecken:
3.4 Knowledge Discovery
Wissen strukturieren und nutzen:
3.5 Ontologiebasiertes Wissensmanagement
(Smart Task Support)
Folie 13
3.1 Organizational Memory System
© S. Staab, 2000
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
Folie 14
3.1 Organizational Memory System
© S. Staab, 2000
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!
Folie 15
© S. Staab, 2000
3 Intelligente Techniken
3.2 Information Retrieval & Extraktion
•
Wissen finden
•
•
Wissen erfassen
•
•
Wissen benutzen
In unstrukturierten /
semistrukturiertem Text
•
Fakten
Wissensstrukturen
•
Push-Agenten
Folie 16
3.2 Information Retrieval & Extraktion
© S. Staab, 2000
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
Folie 17
3.2 Information Retrieval & Extraktion
© S. Staab, 2000
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), ...
Folie 18
3.2 Information Retrieval & Extraktion
© S. Staab, 2000
IR im Kontext - Push-Agenten
Liefere Nutzer A automatisch und proaktiv
Informationen!!
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)
Folie 19
© S. Staab, 2000
3.2 Information Retrieval & Extraktion
Informationsextraktion
Case Study: Dow Chemicals
• Analyse von Patentschriften
• Extraktion von graduierenden Ausdrücken “5kg Chemikalie X”
• OLAP/Knowledge Discovery um Trends festzustellen
Qualitatives Diagramm:
100
80
60
Component X
Component Y
Component Z
40
20
0
2000
1999
1998
1997
Folie 20
© S. Staab, 2000
3 Intelligente Techniken
3.3 Fallbasiertes Schließen
(Case-based Reasoning - CBR)
„Human experts are not systems of rules, they are
libraries of experiences.“
Riesbeck & Schank 1989
Folie 21
3.3
Fallbasiertes Schließen (CBR)
© S. Staab, 2000
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
Folie 22
© S. Staab, 2000
3.3 Fallbasiertes Schließen (CBR)
Software Experience Factory (Basili et al. 1992)
(© Althoff et al. 1998)
Folie 23
3.3 Fallbasiertes Schließen (CBR)
© S. Staab, 2000
Software
Experience
Factory
(© Althoff
et al. 1998)
Folie 24
3.3 Fallbasiertes Schließen (CBR)
© S. Staab, 2000
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)
Folie 25
3.3 Case-based Reasoning
© S. Staab, 2000
FAQ Finder
(© Burke et al. 1997)
Folie 26
3.3 Case-based Reasoning
© S. Staab, 2000
(© Burke et al. 1997)
Folie 27
3.3 Case-based Reasoning
© S. Staab, 2000
(© Burke et al. 1997)
Folie 28
3 Intelligente Techniken
© S. Staab, 2000
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
Folie 29
© S. Staab, 2000
3 Intelligente Techniken
Proaktiv
Reaktiv
Access
3.5 Ontologiebasiertes Wissensmanagement
(Smart Task Support)
Contents
• Datenbank
• Dokumentinhalte
Context
• Terminologie
• Query Interface
• Regeln
• Application Support
• Aufgabe in Prozess
Folie 30
© S. Staab, 2000
3.5 Ontologiebasiertes Wissensmanagement
Inhaltsstrukturierung
Ontologie
Employee
Name
Located in
Phone
E-Mail
Fax
Department
Location
Street
ZIP Code
Town
Department
Name of department
Folie 31
© S. Staab, 2000
3.5 Ontologiebasiertes Wissensmanagement
Hintergrundwissen
(Fakten und Regeln)
Document Template teilweise gefüllt
<employee>
<name>Rudi Studer</name>
<position>Professor</position>
<email>???????????<email>
.....
</employee>
Aufgabe
in
Prozess
Erstelle
Plan
Hole Zustimmung
ein
Liefere
Plan ab
Folie 32
3.5 Ontologiebasiertes Wissensmanagement
© S. Staab, 2000
Folie 33
3.5 Ontologiebasiertes Wissensmanagement
© S. Staab, 2000
Folie 34
Übersicht
© S. Staab, 2000
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
Folie 35
4. Ausblick und weitere Arbeiten am AIFB
CSCWFunktionalitäten
© S. Staab, 2000
Virtuelle Treffen
(Avatare)
Kooperation & Visualisierung
Visualisierung von
Wissensstrukturen
3-dimensionale
Wissensräume
(Answer Garden)
Visualisierung von Graphen: Prof. Schmeck
Folie 36
4. Ausblick und weitere Arbeiten am AIFB
Virtueller Kapitalmarkt
MarketS
(Simulationssystem)
© S. Staab, 2000
EDGAR
(Electronic Data Gathering
& Retrieval System)
Finanzportal
Intelligente Agenten
(Portfolioverwaltung)
Analyse von
Fundamentaldaten
Prof. Seese
Folie 37
© S. Staab, 2000
4. Ausblick und weitere Arbeiten am AIFB
VIKAR (Virtueller
Hochschulverbund Karlsruhe)
VIROR (VIRtuelle Hochschule
OberRhein)
Teleteaching/-learning
Lehre im Internet
Web-based Training
(WBT)
Authoring-on-the-Fly
Prof. Schmeck
Prof. Stucky
Folie 38
© S. Staab, 2000
4. Ausblick und weitere Arbeiten am AIFB
Prozeßverstehen
Prozeßunterstützung
Prozeßmodellierung
Virtuelle Unternehmen
Wichtige Grundlagen
für WM
Prof. Stucky
Folie 39
© S. Staab, 2000
4. Ausblick und weitere Arbeiten am AIFB
Wissensakquisition
Metadaten
Wissensportale
Intelligente
Web Anwendungen
Einführung von WM
Text Mining
Prof. Studer
Folie 40
4. Ausblick und weitere Arbeiten am AIFB
Einbindung von Data Mining
in das Wissensmanagement
© S. Staab, 2000
Prozeßunterstützung
Data Mining
Skalierbarkeit
Text Mining
Prof. Studer
Folie 41
4. Ausblick und weitere Arbeiten am AIFB
© S. Staab, 2000
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
Folie 42
4. Ausblick und weitere Arbeiten am AIFB
© S. Staab, 2000
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
Folie 43
© S. Staab, 2000
Danke!
Folie 44
© S. Staab, 2000
1 Einleitung: Wissensmanagement
“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
Folie 45