Intelligente Techniken für das Wissensmanagement
Transcrição
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