Informationssysteme in vernetzten Systemen Prof Dr Peter Brezany

Informationssysteme in vernetzten Systemen Prof. Dr. Peter Brezany Institut für Softwarewissenschaften Universität Wien Tel. 4277 38825 Sprechstunde: Di, 12. 30 -13. 30 P. Brezany Institute for Software Science – University of Vienna

Medien, die radikal die Gesellschaft beeinflußten 1500 s Druckpresse 1840 s Penny Post 1930 s Radio 1950 s TV 1990 s Web P. Brezany 1850 s Telegraph 20 xx Grid Institute for Software Science – University of Vienna 1920 s Telefone 2

Grid Computing "The Internet is about getting computers to talk together; Grid computing is about getting computers to work together. " Tom Hawk, IBM's general manager of Grid computing P. Brezany Institute for Software Science – University of Vienna 3

Meilensteine in der Informatikentwicklung • • P. Brezany Programmiersprachen Betriebssysteme Datenbanksysteme Wissensbasierte Systeme Parallele Rechnersysteme Verteilte Rechnersysteme Internet- und Webtechnologien Grid Computing Institute for Software Science – University of Vienna 4

Inhalt • • • P. Brezany Einführung ins Informations- und Wissensmanagement Verteilte und Parallele Systeme Softwareagententechnologie Datenbanken – traditionelle, verteilte, föderierte Data Warehousing Data Mining Internet und Web Technologien Web Mining XML Semantisches Web Grid Technologien und ihre Anwendungen Institute for Software Science – University of Vienna 5

Literatur • L. J. Heinrich. Informationsmanagement. 7. Auflage, Oldenbourg. Verlag, 2002. • H. D. Bürgel (Hrsg. ). Wissensmanagement. Schritte zum intelligenten Unternehmen. Springer-Verlag, 1998. • D. Karagiannis, R. Telesko. Wissensmanagement. Konzepte der Künstlichen Intelligenz und der Softcomputing. Oldenbourg, 2001. • T. H. Davenport, L. Prusak. Das Praxisbuch zum Wissensmanagement. • R. Mattison. Web Warehousing and Knowledge Management. Mc. Graw -Hill, 1999. • M. Ester, J. Sander. Knowledge Discovery in Databases. Techniken und Anwendungen. Springer, 2000. • R. Widhalm, T. Mück. Topic Maps. Springer, 2002. • J. Hjelm. Creating the Semantic Web with RDF. John Wiley&Sons, Inc. , 2001. • K. Götz (Hrsg. ). Wissensmanagement. Zwischen Wissen und Nichtwissen. Rainer Hampp Verlag, 2000. P. Brezany Institute for Software Science – University of Vienna 6

Literatur (2) • J. Park (Ed. ). XML Topic Maps. Creating and Using Topic Maps for the Web. Addison-Wesley, 2002. • N. Simon. XML in 21 Tagen. Mark-und-Technik. Verlag, 2000. • S. Chakrabarti. Mining the Web, Morgan Kaufmann, 2002. • S. Conrad. Föderierte Datenbanksysteme. Springer, 1997. • P. Dadam. Verteilte Datenbanken und Client/Server. Systeme. Grundlagen, Konzepte, Realisierungsformen. Springer, 1996. • F. Berman, G. Fox, A. Hey. Grid Computing – Making the Global Infrastructure a Reality. Wiley, 2003. P. Brezany Institute for Software Science – University of Vienna 7

Einführung • Die High-Tech- und Dienstleistungsindustrie benötigt immer umfangreicheres und komplexeres Wissen (Know-how), um den Wettbewerb zu bestehen. • Wissen ist eine persönliche Fähigkeit, durch die ein Individuum eine bestimmte Aufgabe ausführen kann. • Wissen (W) kann als das Produkt von Information (I), Erfahrung (E), Fertigkeit (F) und Einstellung (E) angesehen werden: W = I*E*F*E. Lernprozesse bewirken - bewußt oder unbewußt - eine Veränderung aller vier Konstituenten des individuellen Wissens. • Wichtige Fragen: – Welches Wissen braucht ein bestimmtes Unternehmen, um zu gewinnen und seine Existenz dauerhaft zu sichern? – Wie kann man das für ein Unternehmen notwendige Wissen erwerben? – Wie kann man den Wert eines bestimmten Know-hows für das Unternehmen bestimmen? – Welches Wissen ist Betriebsgeheimnis, welches kann und sollte man mit Kooperationspartnern teilen? • Betroffen ist insbesondere die IT-Branche – der Verlust von Know-how, etwa durch den Verlust eines Mitarbeiters, entspricht in dieser Branche dem Ausfall ganzer Fertigungszellen in der produzierenden Industrie. P. Brezany Institute for Software Science – University of Vienna 8

Daten – Informationen - Wissen • Daten kennzeichnen einzelne objektive Fakten zu Ereignissen oder Vorgängen. • Im Unternehmenskontext sind Daten am sinnvollsten zu beschreiben als strukturierte Aufzeichnungen von Transaktionen. • Beispiel: Wenn ein Kunde eine Tankstelle anfährt und den Tank seines Autos auffüllt, läßt sich diese Transaktion teilweise mit Daten beschreiben: Datum/Zeit, Menge, Preis. Solche Daten sagen aber weder etwas darüber aus, warum der Kunde diese und keine andere Tankstelle gewählt hat, noch lassen sie erkennen, mit welcher Wahrscheinlichkeit er zurückkommen wird. Auch deuten Fakten wie diese nicht darauf hin, ob die Tankstelle gut oder schlecht geführt wird, ob sie dahinkümmert oder ob sie hervorragend läuft. Daten als solche besitzen kaum Bedeutung oder Zweck. • Moderne Unternehmen speichern Daten gewöhnlich in irgendeinem technologischen System. • Die Unternehmen bewerten ihr Datenmanagement quantitativ nach Kosten, Geschwindigkeit und Kapazität. P. Brezany Institute for Software Science – University of Vienna 9

Daten (2) • Alle Organisationen benötigen Daten; manche Branchen (Banken, Versicherungen, Regierungsbehörden, usw. ) sind sogar in hohem Maß datenabhängig. • Mehr Daten bedeuten nicht unbedingt bessere Daten. -Wenn nur hinreichend Daten verfügbar sind, so meint man, bieten sich die objektiv richtigen Entscheidungen von selbst an. – Ein Irrtum! • Daten sagen nichts aus über eigene Bedeutung beziehungsweise Belanglosigkeit. • Daten stellen das entscheidende Rohmaterial zur Schaffung von Informationen bereit. P. Brezany Institute for Software Science – University of Vienna 10

Informationen • Eine Information kann als Nachricht beschrieben werden. • Wie alle Nachrichten haben Informationen einen Sender und einen Empfänger. • Informationen sollen die Wahrnehmung des Empfängers in Bezug auf einen Sachverhalt verändern und sich auf seine Beurteilung und sein Verhalten auswirken • Informationen kann man sich vorstellen als Daten die etwas bewirken. • Das Wort informieren bedeutete ursprünglich, einer Sache oder Person „Form geben“: Informationen sollen den Empfänger formen und eine Veränderung in seiner Weltsicht und seinem Selbstverständnis bewirken. P. Brezany Institute for Software Science – University of Vienna 11

Informationen (2) • Aus Daten werden Informationen, wenn der Sender den Daten einen Bedeutungsinhalt hinzufügt. • Eine solche Aufwertung von Daten zu Information erfolgt auf unterschiedliche Weisse. Die wichtigsten Methoden: – Kontexttualisierung: Wir wissen, zu welchem Zweck die Daten beschafft wurden. – Kategorisierung: Wir kennen die Analyseeinheiten oder Hauptkomponenten des Datenmaterials. – Kalkulation: Das Datenmaterial konnte mathematisch analysiert oder statistisch ausgewertet werden. – Korrektur: Aus dem Datenmaterial wurden Fehler beseitigt. – Komprimierung: Die Daten sind in knapperer Form zusammengefaßt worden. P. Brezany Institute for Software Science – University of Vienna 12

Informationsmanagement • Mit dem Konstrukt Informationsmanagement wird das Leitungshandeln (Management) in einem Unternehmen in bezug auf Information und Kommunikation bezeichnet, folglich alle Führungsaufgaben, die sich mit Information und Kommunikation im Unternehmen befassen. P. Brezany Institute for Software Science – University of Vienna 13

Wissen • Wir spüren intuitiv, dass Wissen im Vergleich zu Daten und Informationen mehr umfaßt, tiefer gründet und reichhaltiger ist. • Wissen entsteht durch Kopfarbeit und Prozesse, die Kopfarbeit modellieren. • Definition: Wissen ist eine Mischung aus strukturierten Erfahrungen, Wertvorstellungen, Kontextinformationen und Fachkenntnissen, die in ihrer Gesamtheit einen Strukturrahmen zur Beurteilung und Eingliederung neuer Erfahrungen und Informationen bietet. Entstehung und Anwendung von Wissen vollziehen sich in den Köpfen der Wissenträger. In Organisationen ist Wissen häufig nicht nur in Dokumenten oder Speichern enthalten, sondern erfährt auch eine allmähliche Einbettung in organisatorische Routinen, Prozesse, Praktiken, und Normen. • Wissen ist zweckorientiert; es hat den Zweck, das Handeln optimal zu gestalten. P. Brezany Institute for Software Science – University of Vienna 14

Wissen ist. . . (andere Definitionen) • Kraak 91: ". . . das Resultat verarbeiteter Informationen. Zum Wissen gehören Kenntnisse, Meinungen, Auffassungen, Bewertungen und Ziele" • Probst et al. : ". . . die Gesamtheit der Kenntnisse und Fähigkeiten, die Individuen zur Lösung von Problemen einsetzen. Wissen stützt sich auf Daten und Informationen, ist im Gegensatz zu diesen jedoch immer an Personen gebunden" • Preissler et al. : ". . . alles, was ein Akteur zur Erzeugung von Handlungen, Verhalten und Lösungen verwendet: Kenntnisse, Meinungen, praktische Regeln und Techniken, Patentrezepte, Weltbilder, aber auch Bräuche, Mythen und Aberglaube; . . . bedeutungsvolle, kontextgebundene Information" • Chrobok 98: ". . . zweckgerichtete Kompetenz der Organisation und ihrer Mitarbeiter" • Heinrich 95: ". . . die Gesamtheit aller Kenntnisse auf einem bestimmten Gebiet" P. Brezany Institute for Software Science – University of Vienna 15

Wissen (2) • Umwandlungsprozeß Informationen Wissen: – Komparation: Wie ist eine Information über eine aktuelle Situation im Vergleich zu anderen uns bekannten Situationen einzuschätzen? – Konsequenz: Wie wirken sich Informationen auf Entscheidungen und Handlungen aus? – Konnex: Welche Beziehungen bestehen zwischen einem bestimmten Wissenselement und anderen Wissenselementen? – Konversation: Wie denken andere Leute über eine bestimmte Information? • Daten finden wir in Aufzeichnungen oder Transaktionen, und Informationen entnehmen wir Nachrichten, aber Wissen erfahren wir von dem (oder den) Wissensträger(n) selbst oder leiten es zuweilen auch aus organisatorischen Routinen ab. Wissen wird durch strukturierte Medien wie Bücher und Dokumente ebenso übermittelt wie durch persönliche Kontakte – von informellen Gesprächen bis hin zu formalen Ausbildungsverhältnissen. P. Brezany Institute for Software Science – University of Vienna 16

Wissen (3) • Der Mensch speichert Wissen in Form von miteinander vertknüpften Informationen in seinem Gehirn. Er kann in Bruchteilen von Sekunden auf bereits miteinander verknüpfte Informationen zugreifen, neue Informationen mit einbeziehen und das daraus entstanden individuelle Wissen weitergeben. • Dieses personengebundene Wissen wird als „implizites Wissen“ bezeichnet. Es beruht auf persönlichen Erfahrungen und Eindrücken und ist anderen nicht zugänglich. • Demgegenüber steht das „explizite Wissen“, dass strukturierbar und formalisierbar ist. Es lässt sich dokumentieren und ist anderen Interessierten frei zugänglich. Wissensmanagement beschäftigt sich vor allem mit dem expliziten Wissen. P. Brezany Institute for Software Science – University of Vienna 17

Wissen (4) • Wissen ist der (entscheidende) Produktionsfaktor der Zukunft, der Energie und Rohstoffe, der aber in zunehmenden Maße auch Arbeit und Kapital ersetzt. P. Brezany Institute for Software Science – University of Vienna 18

Wissenspyramide Entscheidung Pragmatik (Vernetzung mit Kontext und Erfahrungen) Semantik (Bedeutung) Syntax Aktion Wissen Informationen Daten Zeichen Wissen hat drei Dimensionen, eine Syntax, eine Semantik und eine Pragmatik. Informationen werden zumeist verkürzt, ohne eine Diskussion der Pragmatik, betrachtet. Das Wissen einen Menschen ist immer mit seinen Intentionen verbunden. 19 P. Brezany Institute for Software Science – University of Vienna

Wissenspyramide - Beispiel • Zeichen: l g e i c h e r g n e t s e • Daten: Obige Zeichen ergeben mit der richtigen Syntax (hier die Reihenfolge der Buchstaben) eine Aussage: „Gleich regnet es. “ • Information: „Gleich regnet es“ wiederum bedeutet: „Regentropfen fallen vom Himmel. “ • Wissen: Die Information „Regentropfen fallen vom Himmel“ ist verknüpft mit Erfahrungen und Erwartungen wie: Man kann nass werden; es kann in die Wohnung regnen. • Aktion: Daraus leiten sich Handlungen ab: Ich nehme einen Regenschirm mit, ich schließe das Fenster, etc. Wissen ist das, was uns zum Handeln befähigt. Darin steckt auch die Kernidee des Wissensmanagements. P. Brezany Institute for Software Science – University of Vienna 20

Die Wissenstreppe P. Brezany Institute for Software Science – University of Vienna 21

Arten von Wissen • Wissen kann in individueller Form vorliegen und ist dann grundsätzlich an Personen gebunden. • In kollektiver Form ist Wissen in den Prozessen, Routinen, Praktiken und Normen von Organisationseinheiten oder Arbeitsgruppen zu finden. • Implizites Wissen stellt das persönliche Wissen eines Individuums mit Idealen, Werten und subjektiven Einsichten dar. • Explizites Wissen ist dagegen methodisch, systematisch und liegt in artikulierter Form vor. Es kann mittels Informationsund Kommunikationstechnologie verarbeitet und verbreitet werden. Das Grundproblem des Wissensmanagement ist die Überführung von implizitem in explizites Wissen. Erst dann ist es für die Organisation verfügbar und somit über einzelne Personen oder Personengruppen hinaus nutzbar. P. Brezany Institute for Software Science – University of Vienna 22

Arten von Wissen (2) • Wissen kann intern in der Organisation vorhanden sein oder extern bei Beratern oder Kooperationspartnern des Unternehmens lokalisiert sein. Der Wissenswürfel stellt diese Zusammenhänge in 3 -D Form dar. P. Brezany Institute for Software Science – University of Vienna 23

Wissensmanagement - Definition Nach Willke meint Wissensmanagement die Gesamtheit organisationaler Strategien zur Schaffung einer "intelligenten" Organisation. • mit Blick auf die Personen geht es um das organisationsweite Niveau der Kompetenzen, Ausbildung und Lernfähigkeit der Mitglieder; • bezüglich der Organisation um die Schaffung, Nutzung und Entwicklung der kollektiven Intelligenz und Gemeinschaftssinns; • hinsichtlich der technologischen Infrastruktur um die Schaffung und effiziente Nutzung der zur Organisation passenden Kommunikations- und Informationsinfrastruktur. P. Brezany Institute for Software Science – University of Vienna 24

Wissensmanagement • Wissensmanagement ist die Führungsaufgabe im Unternehmen, die sich mit der Nutzung und Weiterentwicklung von Wissen befasst. • Nicht der Besitz von Wissen ist wettbewerbsbeenflussend, sondern seine Nutzung zur Verbesserung von Geschäftsprozessen. • Geschäftsprozess (business process) – eine Menge von messbaren Tätigkeiten, die für die Schaffung eines spezifischen Ergebnisses für einen bestimmten Kunden oder Markt durchgeführt werden. • Mit Geschäftsprozessmanagement wird das auf Geschäftsprozesse fokussierte Managementhandeln und organisatorische Gestalten bezeichnet, mit anderen Worten die ganzheitliche Plannung, Überwachung und Steuerung von Geschäftsprozessen. P. Brezany Institute for Software Science – University of Vienna 25

Wissensmanagement (2) • Mit geeigneten Maßnahmen muss Wissensmanagement dafür sorgen, dass ein wirksames und wirtschaftliches Geschäftsprozessmanagement implementiert und praktiziert werden kann (Versorgung der Geschäftsprozesse mit Wissen). • Andererseits wird durch Geschäftsprozessmanagement auch neues Wissen entwickelt und zur Nutzung in anderen Geschäftsprozessen bereitgestellt (z. B. durch Transparenz der Geschäftsprozesse). Dazu müssen Wissensflüsse zwischen den Geschäftsprozessen realisiert werden. P. Brezany Institute for Software Science – University of Vienna 26

Wissensmanagement (3) • Diese Überlegungen zeigen, dass Prozessmanagement und Wissensmanagement sich ergänzende Konzepte sind, wobei Wissensmanagement im Dienst von Prozessmanagement steht, nicht umgekehrt. Beide werden durch I&KTechnologien (Informations-&Kommunikationstechnologien) unterstützt bzw. teilweise erst ermöglicht (technology as enabler). Beispiele sind Workflow-Management-Systeme, Multimedia-Systeme und Data-Warehouse-Systeme). • Typische I&K-Technologien sind Data Warehouse / Data Mining, Text Mining und Workflow-Management-Systeme. Data Mining und Text Mining unterstützen auch die Extraktion von Wissen, das in Datenbasen und Dokumentationsbeständen verborgen ist. • Wissensmanagement ist daher eine Kernaufgabe der Wirtschaftsinformatik. P. Brezany Institute for Software Science – University of Vienna 27

Wissensbasis • Die Wissenbasis eines Unternehmes ist jenes Wissen, welches den handelnden Subeinheiten des Unternehmens (den Mitgliedern und wissensverarbeitenden Maschinen) prinzipiell verfügbar ist und damit die Chance hat, in die Entscheidungen bzw. Handlungen des Unternehmens einzufließen. Sie bestimmt das Handlungspotential des Unternehmens. • Wissensmanagement kann man betrachten als die bewusste Gestaltung und Entwicklung der Wissensbasis eines Unternehmens. P. Brezany Institute for Software Science – University of Vienna 28

Bausteine des Wissensmanagements Sie stellen eine Konzeptualisierung von Aktivitäten dar, die unmittelbar wissenbezogen sind und keiner anderen externen Logik folgen. __________________________ • Wissensziele • Wissensidentifikation • Wissenserwerb • Wissensentwicklung • Wissens(ver-)teilung • Wissensnutzung • Wissensbewahrung • Wissensbewertung P. Brezany Institute for Software Science – University of Vienna 29

Wissensziele • Sie geben den Aktivitäten des Wissensmanagements (WM) eine Richtung, um Wissen als strategische Resource zu nutzen (d. h. als Produktions- und Wettbewerbsfaktor). P. Brezany Institute for Software Science – University of Vienna 30

Wissensidentifikation • Es ist notwendig, intern oder extern bereits vorhandenes Wissen oder Know-how zu identifizieren. • Den meisten Großunternehmen fällt es heute schwer, den Überblick über intern oder extern verfügbares Wissen zu behalten. • Diese mangelnde Transparenz führt zu Ineffizienzen, „uninformierten“ Entscheidungen und Redundanzen. • Ein efektives Wissensmanagement muß ein hinreichendes Maß an interner und externer Transparenz schaffen und den einzelnen Mitarbeiter bei seinen Wissenssuchaktivitäten unterstützen. P. Brezany Institute for Software Science – University of Vienna 31

Wissenserwerb • Durch die weltweite Wissensexplosion und gleichzeitige Wissensfragmentierung sind Unternehmen immer weniger in der Lage, sämtliches für den Erfolg notwendige Know-how aus eigener Kraft zu entwickeln. • Statt dessen müssen heute kritische Fähigkeiten auf den verschiedenen Wissensmärkten erworben werden. Es existieren mehrere Beschaffungsformen: – Die Akquisition von Wissen anderer Firmen, z. B. durch die Übernahme besonders innovativer Firmen im eigenen Kompetenzfeld. – Der Erwerb von Stakeholderwissen (Stakeholder einer Organisation – diejenigen Gruppen im Umfeld einer Organisation, die besondere Interessen und Ansprüche an die Tätigkeit eines Unternehmens richten. So können beispielweise zum Erwerb des Wissens der eigenen Kundschaft, Schlüsselkunden in den Entwicklungsprozeß involviert werden oder Kooperationen in Pilotprojekten eingegangen werden. Dies ermöglicht das frühzeitige Lernen und Berücksichtigen der Kundenbedürfnisse. ). – Der Erwerb von Wissen externer Wissensträger (z. B. Rekrutierung von Spezialisten). – Der Erwerb von Wissensprodukten wie beispielweise Software, Patente, usw. P. Brezany Institute for Software Science – University of Vienna 32

Wissensentwicklung • Im Mittelpunkt der Wissensentwicklung steht die Produktion neuer Produkte, besserer Ideen und leistungsfähigerer Prozesse. • Wissensentwicklung umfaßt alle Managementanstrengungen, mit denen die Organisation sich bewußt um die Produktion bisher intern noch nicht existierender Fähigkeiten bemüht. • Wissensentwicklung kann auf der individuellen und auf der kollektiven Ebene konzeptionalisiert werden. P. Brezany Institute for Software Science – University of Vienna 33

Wissens(ver-)teilung • Die (Ver-)teilung von Erfahrungen in der Organisation ist die zwingende Voraussetzung, um isoliert vorhandene Informationen oder Erfahrungen für die gesamte Organisation nutzbar zu machen. • Die Lautfrage lautet: Wer sollte was in welchem Umfang wissen oder können, und wie kann ich die Prozesse der Wissens(ver-)teilung erleichtern? P. Brezany Institute for Software Science – University of Vienna 34

Wissensnutzung • Die Wissensnutzung, also der produktive Einsatz organisationalen Wissens zum Nutzen des Unternehmens, ist Ziel und Zweck des Wissensmanagements. P. Brezany Institute for Software Science – University of Vienna 35

Wissensbewahrung • Einmal erworbene Fähigkeiten stehen nicht automatisch für die Zukunft zur Verfügung. • Die gezielte Bewahrung von Erfahrungen oder Informationen und Dokumenten setzt Managementanstregungen voraus. P. Brezany Institute for Software Science – University of Vienna 36

Wissensbewertung • Die Messung und Bewertung organisationalen Wissens gehört zu den größten Schwierigkeiten, die das Wissensmanagement heute zu bewältigen hat. • Wissensmanager können im Gegensatz zu Finanzmanagern nicht auf ein erprobtes Instrumentarium von Indikatoren und Meßverfahren zurückgreifen, sondern müssen neue Wege gehen. • Entsprechend den formulierten Wissenszielen werden Methoden zur Messung dieser Zielen notwendig. P. Brezany Institute for Software Science – University of Vienna 37

Wissensmanagement aus Sicht der Informationstechnologien P. Brezany Institute for Software Science – University of Vienna 38

Informations- und Kommunikationstechnik im Wissensmanagement Der Informations- und Kommunikationstechnik als wichtiger Architekturelement des Wissensmanagements kommt eine wichtige unterstützende Rolle zu. Sie erleichtert den Austausch von Informationen im ganzen Unternehmen (z. B. e. Mail), schafft die Basis für das Arbeiten in dislozierten Arbeitsgruppen (z. B. Groupware-Anwendungen), bietet Speicherungs- und Wiederauffindungsmöglichkeiten in internen und weltweiten Netzen (z. B. Intra-/Internet) und stellt Werkzeuge für bestimmte Aufgaben des Wissensmanagements zur Verfügung. Dies sind alles Aufgaben, deren Bewältigung eine notwendige Voraussetzung für ein erfolgreiches Wissensmanagement zum Erfolg des Unternehmens und seiner Mitarbeiter darstellt. P. Brezany Institute for Software Science – University of Vienna 39

Wissensrepräsentation P. Brezany Institute for Software Science – University of Vienna 40

Wissensrepräsentation • Die Wissensrepräsentation beschäftigt sich damit, Formalismen zu entwickeln, mit denen Problemwissen hinreichend genau abgebildet und von einem Inferenzmechanismus (der Mechanismus zur Verarbeitung des Wissens) effizient zur Lösung eines konkreten Problems verwendet werden kann. • Ziel ist es, Wissen von der kognitiven Ebene, also in der Form, wie es der Mensch modelliert und strukturiert, in eine formal exakte Represäntation (Represäntationebene), zu überführen, die auch als Ausgangspunkt für Implementierungen dienen kann. • Das Ziel der Wissensrepräsentation besteht im Aufbau von Wissensbasen für intelligente Systeme. • Wir werden folgende Formalismen der Wissensrepräsentation diskutieren: Regeln, Frames (Rahmen), Logik, Semantische Netze. P. Brezany Institute for Software Science – University of Vienna 41

Regeln Die allgemeine Form einer Regel kann wie folgt geschrieben werden: wenn Prämisse(n) dann Konklusion(en) (statt Prämisse werden auch oft die Begriffe „Bedingung“, „Vorausetzung“ oder „Situation“ und statt Konklusion „Aktion“ oder Hypothese“ verwendet. )Obige Form der Regel sagt aus, daß im Falle der Erfüllung der Prämisse(n) die Konklusion(en) zur Ausführung gelangt (gelangen). Regeln können folgende Form haben: • wenn P dann Q • wenn P 1 und P 2 und. . . und Pn dann Q 1 und Q 2 und. . . und Qm • wenn P 1 oder P 2 oder. . . oder Pn dann Q Regeln, die neue Fakten produzieren, werden Produktionsregeln genannt. 42 P. Brezany Institute for Software Science – University of Vienna

Regeln (2) Architektur eines Produktionssystem Wissensbasis Regeln Inferenzmechanismus Recognize Select Faktenbasis Fakten Act P. Brezany Institute for Software Science – University of Vienna 43

Regeln (3) Daten- vs. Wissensverarbeitung • Die Wissensbasis enthält die einzelnen Produktionsregeln. In der Faktenbasis stehen permanente und temporäre Fakten. Der Inferenzmechanismus legt fest, wie die einzelnen Regeln abgearbeitet werden sollen. • Hier wird der Unterschied zwischen Wissens- und Datenverarbeitung deutlich. Bei der Datenverarbeitung wird ein Algorihtmus entwickelt, bei dem unter Verwendung von Kontrollstrukturen genau festhelegt ist, in welcher Reihenfolge die einzelnen Anweisungen abzuarbeiten sind. Derartige Kontrollstrukturen gibt es bei Produktionssystemen nicht. An deren Stelle tritt eingebautes Kontrollsystem, der Inferenzmechanismus. P. Brezany Institute for Software Science – University of Vienna 44

Regeln (4) Inferenzmechanismus (IM) • “Recognize-select-act“ or “Match-execute“-Zyklus • Zunächst versucht IM für die aktuellen Falldaten eine anwendbare Regel zu bestimmen. Dazu werden in einem ersten Schritt in einer Liste alle anwendbare Regeln zusammengestellt (Recognize-Schritt). • Anwendbar sind all jene Regeln, wo die Prämissen durch die Falldaten erfüllt sind. Nun wird sehr häufig das Problem auftreten, dass nicht nur eine einzige Regel sondern mehrere Regeln anwendbar sind. Es muß also eine Konfliktlösungsstrategie geben, um jene Regel zu bestimmen, die als nächste ausgewählt wird. • Ist nun eine Regel ausgewählt, besteht der letzte Schritt schließlich in der Anwendung (act bzw. execute). Man sagt auch, die Regel „feuert“. Dabei werden die neu generierten Fakten ur Faktenbasis hinzugefügt. • Der „Recognize-select-act“-Zyklus wird solange ausgeführt, bis ein vorher spezifiertes Terminierungskriterium erfüllt oder keine Regel der Wissensbasis mehr anwendbar ist. P. Brezany Institute for Software Science – University of Vienna 45

Frames (Rahmen) • Frames sind komplexe Datenstrukturen zur Beschreibung stereoptyper Situationen. • Hier ist eine Wissenseinheit nicht eine Regel, sondern ein Objekt eines Problembereiches, das durch einen Frame modelliert wird. • Mit frames können Objekte wie in der realen Welt in Hierarchien gegliedert oder für bestimmte Aufgaben spezifiziert werden. • Denkprozesse sind komplexe Netzwerke von Frames, zwischen denen Nachrichten ausgetauscht werden. • M. Minsky (1975) über seine Frame-Theorie: – Wenn man sich einer neuen Sachlage gegenüber sieht (oder seine Auffasung von einem Problem grundlegend ändert), dann wählt man aus dem Gedächtnis eine Struktur aus, die als „Frame“ bezeichnet wird. Es handelt sich dabei um einen Erinnerungsrahmen, der durch die nderung von Details angepasst werden kann. P. Brezany Institute for Software Science – University of Vienna 46

Logik • Ein großer Nachteil der Wissensrepräsentation in der Künstlichen Intelligenz (KI) besteht darin, dass im Allgemeinen keine fundierte Theorie über Repräsentation existiert. • Die Logik ist der einzige Formalismus, für den dies nicht zutrifft. • Auf der Logik ist jede Wissensbasis aufgebaut, da sich letzlich alle Repräsentationen der KI in formallogische Ausdrücke transformieren lassen. • Die Logik ist die Lehre vom Begriff, Urteil und Schluss. Die formale Logik als aktuelle, mathematische Form der Logik versteht sich dagegen vornehmlich als „Theorie des Schlussfolgerns (Inferenz)“. • Die in der formalen Logik verwendeten Zeichen heißen auch Symbole und führten zu dem heute gängigen Begriff „symbolische Logik“. P. Brezany Institute for Software Science – University of Vienna 47

Semantische Netze • Semantische Netze haben ihren Ursprung eigentlich in der Psychologie, wo sie hauptsächlich zur Modellierung des menschlichen Gedächtnisvermögens verwendet wurden. • Die Repräsentation von Wissen erfolgt hier in netzwerkartigen Strukturen mittels Objekte und Relationen zwischen diesen Objekten. • Semantische Netze bestehen aus Knoten und Kanten: – Knoten. Diese represäntieren Objekte, Situationen, Konzepte oder Begriffe. – Kanten. Sie werden graphisch durch Pfeile gekennzeichnet und stellen Verweise zwischen Wissenseinheiten dar. • Ein Semantisches Netzwerk läßt sich als ein gerichteter Graph G = <R, K, V> definieren. R – eine endliche Menge von Relationen, K – eine endliche Menge von Knoten und V eine endliche Menge von Kanten. P. Brezany Institute for Software Science – University of Vienna 48

Einfaches Semantisches Netz Vogel HAT IST-EIN Amsel Flügel HAT Federn „IST-EIN“ ist ein Konzept der Generalisierung, Teilmengen-Beziehung. „HAT“ ist ein Konzept der Aggregation (Ein Flügel besteht aus Federn. ) P. Brezany Institute for Software Science – University of Vienna 49

Knowledge Interchange Format (KIF) • Vertreter verschiedener Wissensrepräsentationsansätzen könnten sich nicht auf einer Repräsentation für ihre KI Anwendungen einigen. • Es gibt eine klare Notwendigkeit für eine gemeinsame Sprache. • KIF – eine Standardsprache für Definition von Objekten, Relationen, Regeln und Metawissen (Wissen über Wissen). • KIF war usprünglich für den Wissensaustausch zwischen intelligenten Softwareagenten bestimmt. P. Brezany Institute for Software Science – University of Vienna 50