DIPL.-ING. BÖRTEÇİN EGE

BE: How will machine learning influence semantic technologies and other fields like financial industries?

RB: Machine learning is a logical step when examining biological intelligence, especially how human brain learns. The current machine learning methods are mainly data-driven, and their success depends on availability, completeness, suitability, and reliability of data. The core concept is having a computer to figure out information without explicitly coding for it. Therefore, methods implementing this core concept are quite forward looking and promising. However, the current approaches are rudimentary and ill-suited for a class of problems involving natural languages. Industrial (or commercial) success depends of the type of application and the nature of the problem. Can machine learning (ML) crack the code of stock markets? No. Because stock market data is incomplete in describing the entire dynamics of markets. But ML can learn the spending patterns of people in certain demographics, and produce a commercially viable outcome.

MS: I think machine learning could help in advancing semantic technologies further. One of the main issues in building semantic systems, that they require high level human intervention i.e., building ontologies or human produced data. For example, German company DeepL, which is providing high performing translation platform uses human translated data in mass scale with machine learning. Semantic processing with machine learning has definitely transformed the way companies interact with customers and how they operate in their core business.

BE: Do you think, that semantic technologies have reached a certain degree of maturity?

RB: No. By no means. If the term “semantic technologies” referring to natural language processing (NLP) and knowledge representation (KR), there is a quite a large body of work that has already been done in academics. Unfortunately, the background required to understand these advancements are much higher than the knowledge of today’s technology engineers, most of whom have no training in linguistics and related fields. Therefore, technology seriously lags even to bring the current scientific advances to the surface of end usage.

BE: What is for you learning in the context of machine learning?

MS: I don’t think foundations of quantification of learning is studied enough or questioned enough in machine learning. As Pedro Domingo puts machine learning contains lots of ‘folklore’, and what is learning in machine learning is one of them. In research, I found amazing that actually quantification of ‘learning’ and ‘learning curves’ in machine learning originates from Hermann Ebbinghaus’s work from early 1900s. He defined ‘forgetting curves’ over time and associates learning with memory and experience over time. In my opinion, this is a toy model of human learning experience. A learning algorithm should be able to show an increased performance over experience, i.e., using more data. Unfortunately, many people think a simple regression or clustering data count as learning, which is obviously not true in naive form.

BE: Do you think that the most of databased machine learning methods and neuronal networks are black-boxes and we need knowledge-based systems instead of them?

RB: Black-box often refers to the notion of associated memory in neural networks (NN) where information is not stored in a single neuron (or location), instead it is distributed throughout a network. As a result, when you examine a trained NN, you cannot recognize any information other than the connection weights. It is a black box in the sense that you could not just reach in and correct some information quickly, it has to be retrained with corrected data. Knowledge-based machine learning, depending on the architecture, can be more transparent.

MS: Explainable machine learning is one of the important goals we should have, otherwise, using black boxes blindly is really a bad practice. On the other hand, if they are giving us practically good results, we must use them as engineering tools, such as in computer vision to assist human decision maker. I think amalgamation of knowledge-based systems and data-driven approaches should be utilized together, not exclusively.

BE: Can machine learning use knowledge more efficient than data? If you think it does, how can we turn data into knowledge?

RB: First of all, data-based machine learning is effective for perception, but not necessarily for learning knowledge. For example, making sense of an image is a perception process (pattern recognition), and imagery data is suitable for NN application. You can apply NN using sound, temperature, velocity, or price data. All you will accomplish is the perception/recognition step. However, learning the knowledge of what an image means, and how it is related to all other concepts in the world requires knowledge-based machine learning. Knowledge is already available to us in many forms, and making use of it to generate new knowledge is a different animal. There is a simple description I made years ago, which goes like this: Data is the fundamental unit. Recognizing difference in data is information, recognizing difference in information is knowledge, and recognizing difference in knowledge is logic. With this simplistic view, one can say that data-driven machine learning serves the first chain in the link, whereas knowledge-based machine learning serves the second chain. The third chain has not yet been explored very well.

MS: This question goes in to heart of neuroscience question of how human brain processes data and produce a knowledge based on experience. Without understanding that we can speculate how can we build a machine learning system that even can understand what is knowledge. For instance, machine learning approaches can really produce statistical inferences using data, but we don’t know whether resulting inferences can be categorized as knowledge. In this direction, I would agree with Yann LeCun’s vision of understanding what is “unsupervised learning” fundamentally may answer this question.

BE: Do you think that the human brain learns mostly from knowledge and not from data?

RB: The human brain uses data for perception, and uses perception for knowledge. If some knowledge has already been documented, it can be reused to generate new knowledge. That’s what we do when we read books. Most of our learning is reading the existing knowledge. Most of our creativity or judgment is to make new knowledge from what we learned.

MS: Biological system as complex as human brain is a product of millions of years of evolutionary process. For this reason, it is well be true that it posses biologically encoded learning mechanisms that actually triggered by new knowledge rather than purely data centric way.

BE: What are the advantages and challenges of knowledge-based learning?

RB: This is the science of knowledge representation, and creating models (ontologies) of how concepts are related to each other. Once this majestic fountain of knowledge can be understood and used by a computer, then you have two fundamental cognitive skills embedded in that computer: (1) understanding language at a conceptual level, and (2) making associations to generate new knowledge. Knowledge-based learning is quite a new concept and not much done in this area so far, but it is coming.

MS: One of the main challenge is manually-building a knowledge base. They are very rigid and cannot be generalized easily. Advantage would be they could produce highly accurate results in very specialized domain.

BE: What do you think about deep learning? Some people think it is a silver bullet…

MS: Deep learning has made of course a good progress in terms of enabling us to produce highly accurate models, especially in computer vision. Unfortunately, it isn’t a silver bullet. But, understanding how they produce such a highly accurate model that violates complexity measures, such as Vapnik–Chervonenkis dimension, may lead to an advancement in theoretical understand of what is learning really is, if it is studied in the context of biological brain together. I think it has stimulate a lot of research and it is a very good thing. We should be very sceptical about creating an attachment to a single technique emotionally. Notice that, now deep learning loses its original meaning, and used as an umbrella term for modern machine learning research.

BE: You think, that deep learning is immature for NLP and it doesn’t good fit for chatbots?

RB: Deep learning is not immature. The problem is that some people using language as their data set do not understand the nature of this data set. Very simple analogy is stock market data (easier to grasp). We all know stock market (price) data is incomplete to describe the entire process. Natural language is very similar. If you take millions of pages of text as your data to train a neural network, you are not doing anything different that taking millions of price data of stock market. Neither will result in a complete solution. NLP encompasses all levels of “data-information-knowledge-logic” chain. Therefore, a deep learning approach has to address all levels during training. I have not yet seen this level of approach so far, but I am sure it will come soon.

BE: Riza, you think, websites will turn soon into talk sites. What does a chatbot do that a search engine doesn’t?

RB: Search engine is a single step process of retrieving information. Chatbot is a multi-step process of retrieving information. Multiple steps, very similar to what we do during a conversation, is obviously much more powerful technique. However, it has many challenges. In a multi-step approach, chatbot must be able to ask questions relevant to the topic of conversation, hence a short-term memory model is needed, and high level of pronoun tracking. Then, based on the given answers step-by-step, chatbot should converge to an answer. Once this level of interaction is mastered by chatbots, search engines will lose their role significantly. Most long-tail queries going into Google will start to find better responses in multi-step chatbots.

BE: In one of your papers you tell, that most of chatbots don’t use AI, but they are misrepresenting AI, how?

RB: Yes, that was referring to some chatbot platforms which require to script every single conversation one-by-one in a hard coded manner. Devoid of any NLP detection capability, devoid of any flexible dialogue flow, devoid of any knowledge model, these chatbots do not deserve to call themselves an AI product. I would say 90% of all platforms are serving this type of architecture. It looks easy to create a chatbot without any AI background. Some of them will find commercial success, such as in simple banking transactions.

BE: Riza, could you tell us your exClone project shortly and the idea behind of it?

RB: exClone is a knowledge-based machine learning technology for conversational AI, which attacks the chatbot problem in a 3 - dimensional way: (1) NLP, (2) Machine Learning, (3) Human dialogue theory. The 3rd dimension is our proprietary approach. We are not done yet with our journey, but we have some promising light at the end of the tunnel. We called it exClone, referring to “cloning expertise”, which is a fancy name for knowledge-based machine learning.

BE: Do you think that IBM Watson is really a success story?

RB: IBM Watson is now an empty shell, nothing but an API farm, collected from 3rd party technology vendors who agreed to highly predatory commercial terms with IBM. We rejected their commercial terms, otherwise exClone would be in the farm. There is really nothing to talk about Watson any more, and I quit following them for sometime.

BE: Do you think that AI will threaten human jobs, or quite the opposite so that it will create more jobs than it destroys?

MS: I think we first need to define what do we mean by AI. I think what you are referring to is “super” automation. The better question might be, whether exponential increase in automation of many jobs and processes would lead to less or more jobs. I think this is a policy question to our governments and policy makers, how to keep humans busy. But I think the danger of AI taking over all jobs is exaggerated. One good example is that, since 60s, automated piloting systems are in place, but we still have pilots flying the planes. Automation is good but human intervention may not be easily removed from the loop. We do have good advances in algorithms and robotics, but we might be decades away to reach certain maturity in AI systems, if not at all to beat humans in general intelligence and biological dexterity. I think we won’t see any mass unemployment just because of AI. It would be because of social issues not because of AI.

BE: Finally, a simple question about the two hottest discussion topics nowadays: Would you buy yourself a self-driving car or Bitcoin?

MS: Yes, I would use Bitcoin. If Audi releases an affordable version of their cars from ‘I, robot’ the movie, I want one of those.

RB: Commercialization of the self-driving cars begs this question: “Will you sign a disclaimer when paying thousands of dollars to buy a car to ensure that you would not sue the company if its self-driving malfunctioned?” I will not sign it. From the legal nightmare point of view, especially here in the US, it will never happen, same as drones. I think self-driving technology is for the military. Bitcoin is an interesting war against the current monetary control of central banks. I am not sure how this will pan out. I will use whatever buys me my pipe tobacco :-)

BE: Thank you all for the very interesting interview!

US: Das kommt darauf an, wie wir „Verstehen“ definieren wollen. Wenn wir mit Menschen kommunizieren, können wir ja eigentlich auch nicht sicher sein, dass sie uns „verstehen“. Wir leiten das lediglich aus den Handlungen des anderen ab. Wenn wir „Verstehen“ so definieren, dass die Maschine in der Kommunikation und als Folge der Kommunikation „pragmatisch“ so handelt, wie wir es von einem Menschen erwarten, ist „Verstehen“ erreichbar. Natürlich erwarten wir von der Maschine andere Ergebnisse auf eine Frage, die, wenn es um Faktenwissen geht, genauer und ausführlicher sein sollten. Das korrekte „pragmatische Handeln“ bezieht sich also nicht auf die Ergebnisse, sondern darauf, dass die Frage im Sinne des Fragenden beantwortet wird. Wenn ich Ihnen beispielsweise die Frage stelle „Können Sie mir sagen, wie bei Ihnen das Wetter ist?“, erwarte ich nicht die Antwort „Ja, das kann ich.“, sondern eine Auskunft über das Wetter in Wien. Entsprechende Reaktionen und Antworten erwarte ich von einem Computer, der mich „versteht“. Das können wir erreichen, auch bzw. insbesondere mit der Hilfe semantischer Technologien. Will man mehr unter „Verstehen“ verstehen, ist die Diskussion eine andere, und man müsste sich dann darüber einigen, was „mehr“ bedeutet.

BE: Sie werden sich sicher an den Sieg von IBM Watson erinnern, das sich im Jahr 2011 bei der Quizshow Jeopardy! gegenüber seinen menschlichen Konkurrenten durchsetzen konnte. Watson ist ja in der Lage, in nur 15 Sekunden die Akten von einer Million Krebspatienten miteinander zu vergleichen, 10 Millionen Wirtschaftsberichte und 100 Millionen Benutzeranleitungen einzulesen und zu bewerten, um anschließend diesbezügliche Fragen sofort zu beantworten. Was halten Sie von diesem Sieg und im Allgemeinen von IBMs Projekt Watson? Sehen Sie in Watson eine hochwertige Semantische Suchmaschine?

US: Korrekt, „Watson“ gelang ein überzeugender Sieg gegen die früheren Rekord-Sieger Ken Jennings und Bratt Rutter. Da in der Show in natürlicher Sprache gestellte, zum Teil recht komplexe Fragen beantwortet werden mussten, und „Watson“ dies gelang, agierte das System in dem genannten Sinn pragmatisch sinnvoll. Ich kann Ihnen zu diesem „Watson“ leider wenig sagen, aber meine Mitarbeiter haben ein IBM-System mit der Bezeichnung „Watson Content Analytics“ (WCA) in Bezug auf dessen linguistische Fähigkeiten hin untersucht. Das Ergebnis war sehr enttäuschend. Das darf ich vielleicht an folgendem Beispiel erläutern. Ein grundlegender Baustein der linguistischen Analyse ist das sogenannte POS-Tagging, bei dem Wörtern ihre syntaktische Kategorie zugeordnet wird. Wir haben die Güte des in WCA integrierten POS-Tagger durch deren Anwendung auf das sogenannte TIGERKorpus (Brants, et al., 2004) getestet. Dieses Korpus wurde durch das Institut für Maschinelle Sprachverarbeitung der Universität Stuttgart erstellt und wird dort auch gewartet, vgl. dazu auch http://www.ims.uni-stuttgart.de/forschung/ressourcen/korpora/tiger.html. Das Korpus besteht aus etwa 50.000 Sätzen (900.000 Token), die Zeitungsberichten der Frankfurter Rundschau aus den Jahren 1990 bis 1994 entnommen sind. Das Korpus enthält Annotationen zu den syntaktischen Kategorien, zur Morphologie und zu den Lemmata. Es ist semi-automatisch annotiert und kann damit als „Goldstandard“ für POS-Tagger genutzt werden. Von den bekannten „Open Source“-POS-Taggern erreichte der OpenNLP-Tagger (Apache OpenNLP library, http://opennlp.apache.org/) 97,5937%, der TreeTagger (Schmid, 1994) 94,9597% und der allerdings auf dem TIGER-Korpus trainierte Tagger aus dem MateTool (Bohnet & Nivre, 2012) 99,6123%. Die Fehler dieser Tagger betreffen im Wesentlichen Eigennamen, die nicht als Eigennamen, sondern als Nomen annotiert werden. WCA erreichte 91,8%. Die Fehler sind zum Teil unverständlich. Im Satz „Nach einer Umfrage des Wirtschaftsmagazins Fortune unter den Bossen von 500 Großunternehmen wünschten im Mai nur elf Prozent „Ross for President“, während 78 Prozent sich für Bush und vier Prozent für Clinton aussprachen.“ annotiert der WCA-POS-Tagger beispielsweise „elf Prozent“ als „adjective noun“, „78 Prozent“ korrekt als „numeral noun“ und „vier Prozent“ als „determiner noun“. Da das POS-Tagging die Grundlage für die syntaktische Analyse darstellt und diese wiederum die Grundlage der semantischen Analyse, gibt es ein Problem. Die einfachste Erklärung für das schlechte Abschneiden von WCA besteht natürlich darin, dass WCA Algorithmen nutzt, die für das Englische entwickelt bzw. trainiert wurden und dass diese nicht auf das Deutsche angepasst sind. Insgesamt kann ich damit leider Ihre Frage nicht durch Rückgriff auf eigene Untersuchungen beantworten.

BE: Glauben Sie an die Lernfähigkeit der Maschinen, auch wenn es sich wie eine Zukunftsmusik anhört? Was wäre der Schlüssel des Erfolges Ihrer Meinung nach; Ontologien, Maschinelles Lernen oder sogar die Kombination der beiden? Wo liegen die möglichen Schwierigkeiten?

US: „Deep Learning“ ist, wie Sie wissen, sehr erfolgreich, etwa beim GO oder sogar beim Pokern. Der Unterschied zwischen GO und Poker liegt dabei darin, dass beim GO alle verfügbare Information offen ersichtlich ist, was für das Pokern nicht gilt. Um erfolgreich Poker spielen zu lernen, musste das entsprechende System auch lernen, Bluffs der menschlichen Gegenspieler einzuschätzen, was gelungen ist. Trotzdem bieten Spiele wie GO und auch Poker den wichtigen Vorteil, dass es am Ende immer klar feststeht, wer gewonnen hat. Daraus ergibt sich ein objektives Kriterium, das die Verfahren nutzen können. Bei der Verarbeitung von Sprache ist dieses Kriterium, also die Information, ob die Kommunikation gelungen ist oder nicht, nicht immer verfügbar bzw. ableitbar. Eine natürliche Sprache zu verarbeiten kann daher nicht so leicht erlernt werden. Für ein Kind ist es einfacher. Wenn es versucht, andere mit einer Äußerung zu einer bestimmten Handlung zu bewegen, erkennt es zumeist, ob das erfolgreich war. Wenn aber im Gegensatz dazu ein System lernen soll, sprachliche Äußerungen zu verarbeiten, und wenn es immer nur mit Anfragen nach Informationen konfrontiert ist, erkennt nur die Person, die die Frage gestellt hat, ob ihr die Antwort genügt, nicht aber unbedingt das System. Die Verarbeitung von einer natürlichen Sprache ist auch aus weiteren Gründen recht tückisch. In jeder Kommunikation können beispielsweise Wörter auftreten, die sehr selten sind, so dass sie im antrainierten Sprachmodell nicht oder nur unzureichend abgebildet sind. Als Menschen verfügen wir über Techniken, die wir dann anwenden können. Systeme wie Siri, Alexa etc. verfügen noch nicht über diese Techniken. Vielleicht stellt die Entwicklung und Bereitstellung solcher Techniken aber den von Ihnen genannten Schlüssel dar. Wenn die kommunikative Verständigung jedoch nicht (nur) an einer lexikalischen Lücke im Sprachmodell scheitert, sondern an fehlendem Weltwissen, könnte auch die Nutzung von Ontologien einen Schritt in Richtung einer erfolgreichen Kommunikation darstellen. Ich denke, die Lernfähigkeit der Systeme ist noch nicht ausgereizt, und ich denke auch, dass die Kombination von Methoden sinnvoll ist.

BE: D.h. können wir immer noch nicht über mögliche Fortschritte in den klassischen formalen Logiken sprechen, die mit unscharfem Wissen wirklich selbstständig umgehen und selber richtige Schlussfolgerungen ziehen können. Sehen Sie in Maschinellem Lernen und Deep Learning in dieser Form nur eine verbesserte Version von Neuronalen Netzen?

US: Es gibt Verfahren, die auch mit unscharfem Wissen arbeiten, etwa in der Sensordatenfusion. Dort werden unscharfe Sensordaten sehr erfolgreich aggregiert. Für diese Verfahren müssen aber die Unschärfen in Form von Zahlen vorliegen. Wenn Sie aber Unsicherheit in der sprachlichen Kommunikation erfahren, müsste zur Anwendung dieser Verfahren diese Unschärfe quantifiziert werden. Wenn ich zum Beispiel sage: „Der Schlüssel hängt wohl an seinem Haken“, für wie hoch würden Sie die Wahrscheinlichkeit einschätzen, dass der Schlüssel tatsächlich dort hängt?

BE: Eigentlich nicht wirklich hoch, allein deswegen, weil dabei das Adverb wohl verwendet und damit hier eine gewisse Unsicherheit vom Anfang an doch nicht ausgeschlossen wird. Ich würde sogar intuitiv sagen, die Wahrscheinlichkeit, dass der Schlüssel an seinem Haken liegt, beträgt in diesem Fall höchstens 50%. Diese Wahrscheinlichkeit kann sich aus meiner Sicht jedoch erhöhen oder vielleicht doch verringern, je mehr ich diese Person, ihre Arbeitsweise/Gewohnheiten und das entsprechende Umfeld kenne. Ich kann mir aber vorstellen, diese Sicherheit/Unsicherheit, die ich als Mensch intuitiv erfassen und bis zu einem gewissen Grad sogar in Zahlen leicht ausdrücken kann, für die Maschinen sicherlich nicht so leicht quantifizierbar wäre.

US: Dem kann ich nur zustimmen, evtl. mit der Abweichung, dass ich die Wahrscheinlichkeit höher, etwa mit 60% einschätzen würde. Aber wie Sie richtig ausgeführt haben, kann sich die Einschätzung ändern, wenn man mehr über den situativen Kontext weiß. In jedem Fall stimme ich zu, dass für ein System das Problem darin liegt, dass es ein Wissen über die Welt und über den situativen Kontext, welches wir für unsere Einschätzungen ausgewertet haben, wenigsten zum Teil nicht repräsentiert hat. Die Beantwortung der Frage nach dem möglichen Fortschritt hängt somit auch damit zusammen, ob es gelingen kann, solches Wissen über den menschlichen Alltag in einem System so zu repräsentieren, dass es nutzbar wird. Dies ist vielleicht mit einer Art „Deep Learning“ möglich. Zu „Deep Learning“ würde ich, an Ihre vorherige Frage anschließend gerne noch sagen, dass es aus meiner Sicht natürlich auf den Erkenntnissen beruht, die wir ausgehend von Frank Rosenblatts Perceptron – Rosenblatt, Frank (1958): The perceptron: a probabilistic model for information storage and organization in the brain. Psychological Reviews 65 (1958) 386-408 – über die sogenannten Neuronalen Netze angehäuft haben. Im Vergleich zu den 1980er-Jahren (Error Backpropagation und RNNs) haben wir schnellere Rechner, sehr viel mehr Daten, auf denen die Lernverfahren aufsetzen können, aber mit den neueren Arbeiten, etwa von Geoffrey Hinton, auch algorithmische Fortschritte.

BE: Sie hatten gesagt, dass man unterschiedliche Verfahren kombinieren sollte, um zu weiteren Fortschritten zu gelangen. Wir haben dann über „Deep Learning“ gesprochen, die man zu den statistik-basierten Verfahren zählen kann. Ich würde nun gern noch kurz auf die andere Seite der Kombination eingehen, auf die regel-basierten Verfahren und auf Ontologien, in denen Wissen formal repräsentiert wird. Man hört in letzter Zeit öfters neben Triple-Stores für diese Repräsentation auch von Quadrupelstores, in dem nicht nur Triples, sondern für jedes Tripel zusätzliche Metadaten wie Zeitbereichsinformationen etc. gespeichert werden können. Was halten Sie von Quadrupeln anstatt von Tripeln? Finden Sie die Quadrupel möglicherweise noch flexibler und ausdrucksstärker? Glauben Sie, dass Triple Stores langfristig durch Quadrupelstores doch obsolet werden?

US: Ein Tripel ist letztlich eine Kombination aus einem „Subjekt“, einer „Relation“ und einem „Objekt“. Solche Relationen sind für die Repräsentationen von Wissen außerordentlich nützlich. Nehmen wir einmal die Aussage „Berlin ist die Hauptstadt von Deutschland“, so wird klar, dass wir als Menschen unbewusst ein „jetzt“ hinzufügen. In manchen Kontexten kann aber eine explizite zeitliche Verortung nützlich sein, welche man, wie Sie ja andeuten, über Quadrupel realisieren könnte. Ich möchte hier aus sprachlicher Sicht argumentieren, dass eine flexiblere Repräsentation möglicherweise sinnvoll ist. Aus einer formalen linguistischen Sicht heraus, kann man die meisten sprachlichen Aussagen (Sätze) mit einer kontextfreien Grammatik generieren. Kontextfreie Grammatiken lassen sich auf die Chomsky-Normalform bringen, die neben Regeln zur Ersetzung eines nichtterminalen Symbols durch ein terminales Symbol Produktionsregeln der Form „A-->BC“ enthalten. Diese Regelform entspricht der Repräsentation durch Tripel. Die Frage ist nun, ob die Repräsentation durch Tripel nicht nur theoretisch immer möglich, sondern für eine spezifische Anwendung auch angemessen ist. Ich kann versuchen, auch das an sprachliche Aussagen zu erläutern. Sprachliche Aussagen enthalten Relationen, aber unterschiedliche Anzahlen von Argumenten. „Es schneit“ kann nicht einfach so als Standardtripel dargestellt werden. Bei „Maria lacht“ kann man „Maria“ als Subjekt repräsentieren, wobei dann aber das Objekt fehlt. Als Sprecher der samoanischen Sprache jedoch würden Sie in „Maria“ das Objekt von „lacht“ sehen, wobei dann das Subjekt fehlt. Bei komplexeren Sätzen, etwa treten zahlreiche Konstituenten, nicht nur Zeitangaben, auf, die Sie dann auch irgendwie repräsentieren müssen. In dem Satz „The company advanced from Wilderness Church via Dowdall’s Tavern towards Chancellorsville” gibt es etwa drei Konstituenten, über die die durchgeführte Bewegung geographisch und nicht zeitlich präzisiert wird. Es wäre zu diskutieren, wie das geeignet repräsentiert werden kann bzw. für welche Anwendungen Tripel bzw. Quadrupel eine geeignete und angemessene Repräsentationsform darstellen und für welche sie unpraktisch und irreführend sind.

BE: Stellen die Ontologien Ihrer Meinung nach eine der elegantesten Lösungen für die Suchmaschinen dar? Können viele Probleme der Suche durch die Verwendung von Ontologien tatsächlich viel einfacher und effizienter gelöst werden? Glauben Sie, dass die Zukunft der Suche in der semantischen Suche mit Ontologien liegt?

US: Auch dies ist eine Frage der Anwendung. Man muss sich zunächst die Frage stellen, wofür die Suche genutzt werden soll. Sollen etwa bei einem vorgegebenen Begriff Webseiten gefunden werden, die sich auf das beziehen, was der Begriff denotiert, so kann es genügen, wenn auch die Vorkommen von Synonymen und Hyponymen (Unterbegriffe) zu dem vorgegebenen Begriff gefunden werden. In dem Fall benötigt man keine vollständige Ontologie des betreffenden Gegenstandsbereichs, sondern „nur“ eine Taxonomie dazu, deren Erstellung weniger Aufwand erfordert.

BE: Im Kapitel 16 „Ontologien als Schlüsseltechnologie für die automatische Erzeugung natürlichsprachlicher Texte“ des Buchs Corporate Semantic Web stellen Sie auch dar, wie semantische Technologien in den Bereichen SEO und automatische Textgenerierung angewendet werden können. Glauben Sie, dass man gerade in diesen Bereichen in den nächsten Jahren mit steigendem Einsatz der semantischen Technologien rechnen kann?

US: Ja. Mein Kollege und Freund Hermann Bense zeigt mit seiner Firma textOmatic, wie gut die automatisierte Textgenerierung schon gelingen kann, selbst für eine Sprache wie Deutsch ☺, wenn es darum geht, strukturiert vorliegende Informationen sprachlich auszudrücken. Sie können dies jederzeit ansehen, da textOmatic die Online-Seite von Focus automatisiert erstellte und stets sehr aktuelle Wetterberichte und der Online-Seite des Handelsblatts ebenso aktuelle Börsenberichte zur Verfügung stellt. Um die Qualität dieser Berichte noch zu verbessern, benötigt man semantische Technologien. Aber das im Detail zu erläutern würde wohl ein weiteres Interview ergeben.

BE: Also können wir zusammenfassend sagen, dass die semantische Interpretation der natürlichen Sprachen für die Maschinen auch zukünftig eine echte Herausforderung ist und bleibt, ganz zu schweigen von der Interpretation von menschlichen Emotionen, welche spätestens mit Internet of Things (IoT) sicherlich noch mehr an Bedeutung gewinnen wird. Außerdem haben wir uns hier nochmals klargemacht, neben Technologien wie „Maschinelles Lernen“ und „Deep Learning“ wie aktuell immer noch „Ontologien“ sind und zwar für die Zukunft unserer Gesellschaft und das zukünftige Web nämlich Semantic Web. Sehr geehrter Herr Prof. Schade, ich bedanke mich bei Ihnen im Namen unserer Arbeitsgruppe Semantic Web vielmals für dieses ausführliche und nette Gespräch.

ÜBER

Apl. Prof. Dr. Ulrich Schade studierte Mathematik (Diplom, 1986) und Linguistik (Promotion, 1990. Habilitation für Computerlinguistik und Psycholinguistik, 1996). Nach Lehrstuhlvertretungen in Bielefeld und Stuttgart arbeitet er seit 2002 als Forschungsgruppenleiter für Informationsanalyse am Fraunhofer-Institut für Kommunikation, Informationsverarbeitung und Ergonomie. Daneben lehrt er an der Rheinischen Friedrich-Wilhelms-Universität im Bereich „Applied Linguistics“. Er ist Autor von zahlreichen wissenschaftlichen Artikeln. Auch im Buch Corporate Semantic Web veröffentlichte er zwei hochinteressante Beiträge direkt aus der Praxis: Semantische Suche im Bereich der Energieforschungsförderung (U. Schade, H. Bense, M. Dembach, L. Sikorski) und Ontologien als Schlüsseltechnologie für die automatische Erzeugung natürlichsprachlicher Texte (U. Schade, H. Bense).

• Teilnehmer, die Interesse haben, eine Session zu gestalten, stellen im Plenum bis zu max. 3 Sessioninhalte in wenigen Sätzen vor (max. 2 Min.)
• Sofern mindestens 5 weitere Teilnehmer Interesse an dem Sessionthema bekunden, wird diese Session in den Tagesplan aufgenommen
• Sessions, für die sich zu wenige Teilnehmer finden, können ebenso wie Sessions mit starkem Interesse am folgenden Tag erneut eingebracht werden

• Kurze Präsentation des Sessioninhalts, max. 10 Min. oder 5 Folien
• Diskussion, inhaltliche Arbeit etc.
• Dokumentation der Ergebnisse auf einem Flipchart, welches auch für Außenstehende verständlich sein sollte
• Vorstellung der Ergebnisse durch den Session-Owner im Plenum

Corporate Semantic Web Workshop-Serie ist eine herstellerunabhängige Plattform.

Über Schloss Dagstuhl
»Schloss Dagstuhl - Leibniz-Zentrum für Informatik GmbH« ist das weltweit anerkannte Begegnungszentrum für Informatik. Hier treffen sich international führende Spitzenforscher, viel versprechende Nachwuchswissenschaftler und Praktiker, um sich über ihre aktuelle Forschung auszutauschen. Schloss Dagstuhl lädt das ganze Jahr über Wissenschaftler aus aller Welt ins nördliche Saarland ein, um über neueste Forschungsergebnisse in der Informatik zu diskutieren.

Wie IBM Watson ganz genau funktioniert, weiß wohl kaum jemand. Dies ist nämlich eines der bestgehüteten Geheimnisse von IBM. Man weiß nur, dass das Ziel des Projekts letztendlich ist, eine hochwertige semantische Suchmaschine zu schaffen, die möglichst auch selbstlernfähig ist. Dabei setzt Watson auf insgesamt mehr als 100 verschiedene Such-, Lern- und NLP-Techniken, um ihm gestellte Fragen zu verstehen und zu beantworten. Watsons Wissensquellen bestehen insbesondere aus Enzyklopädien, Datenbanken, literarischen Werken, Taxonomien und Ontologien. Wie von IBM mitgeteilt wurde, bestand Watsons Wissensschatz aus 200 Millionen strukturierten und unstrukturierten Dokumenten (4 TB), als er bei der US-Quizshow „Jeopardy!“ 2011 seinen ersten Sieg gegen einen Menschen erringen konnte.


Von der Von-Neumann-Architektur zur Data-Centric Architekturen

Ein sehr großer Teil von heutigen programmierbaren Computern wie PCs, aber auch Watson beruhen auf der Von-Neumann-Architektur. In dieser von John von Neumann in den 40er Jahren entwickelten Architektur müssen jedoch Daten und Befehle dauernd zwischen Speicher und Mikroprozessoren transferiert werden, was aber im „Big Data“-Zeitalter nichts anderes als reine Zeit- und Energieverschwendung bedeutet und oft im Engpass endet (Von-Neumann-Flaschenhals). Daher müssen langfristig neue „Data-Centric“-Architekturen entwickelt werden, in denen Daten im Brennpunkt von Systemen stehen, aber nicht unbedingt im ganzen System dauernd hin- und hergeschoben werden. Ein wunderbares Vorbild aus der Natur ist bereits vorhanden und zwar das menschliche Gehirn. Das Gehirn vermeidet es nicht nur, die Daten während einer Verarbeitung in diesem Ausmaß hin und her zu transferieren, es verbraucht auch nur einen Bruchteil der Energie (nur 20 Watt), die die modernen Computer benötigen (hochparallele und massiv verteilte Verarbeitung). Hinzu kommt die Lernfähigkeit des Gehirns, die aktuell das Thema von einigen neurowissenschaftlichen Forschungsprojekten wie „BRAIN Initiative“ (USA) und „Human Brain Projekt“ (EU) sind. Durch diese Großforschungsprojekte sollen bald nicht nur das Gehirn des Menschen kartiert werden, sondern auch die sämtliche Aktivitäten von 100 Milliarden Nervenzellen des Gehirns erfasst und letztendlich das menschliche Hirn durch Simulationen und computerbasierten Modellen nachgebildet werden. Die dadurch gewonnenen Ergebnisse sollen dann der Medizin und der Computerwissenschaften zur Verfügung gestellt werden. Erwartet werden dadurch nicht nur neue Medikamente, sondern große Fortschritte in Roboter- und Computertechnologien, insbesondere in lernfähigen Computersystemen.


Optische Computertechnologie

Wie meine Leser bereits vermuten werden, heißt hochparallele und massive verteilte Verarbeitung durch „Data-Centric“-Architekturen noch lange nicht, dass Daten in einem Computersystem gar nicht transferiert werden müssen. Hinzu kommt, dass das zu verarbeitende Datenvolumen jedes Jahr steigt und steigt. Das bedeutet wiederum, dass langfristig nicht nur die Verarbeitungsweise des Wissens, sondern auch Computer selbst hardwaremäßig einer radikalen Veränderung unterzogen werden müssen. Denn elektronische Computer bzw. auf elektronenbasierte Computer und deren Komponenten sind schlicht und einfach nicht mehr zeitgerecht. Sie passen nicht zu der Verarbeitungsweise des Wissens in heutigen Computern. Der aussichtsreichste Kandidat für diese Veränderungen ist der optische Computer, der statt auf Elektronen auf Photonen basiert. Im Gegensatz zu elektronischen Computern bieten optische Computer eine sehr hohe Bandbreite und sehr hohe Übertragungsgeschwindigkeiten. Dadurch können selbst sehr große Datenmengen fast mit Lichtgeschwindigkeit übertragen werden, ohne dabei ein hoher Energiebedarf entsteht. Ein großer Teil der Komponenten, die für den Bau eines optischen Computers notwendig sind, ist bereits entwickelt und reif für die Serienproduktion.


Quo Vadis?

Mit Watson möchte die IBM, die auch der Schöpfer heutiger PCs ist, den Begriff Computer nochmals definieren, und zwar dieses Mal aus der Sicht von „Cognitive Computing“. Watson ist zwar teilweise ein lernfähiges System, kann jedoch weder kreativ sein noch neues Wissen schaffen. Er ist aber ein großer und bedeutender Schritt in diese Richtung, für dessen Weiterentwicklung neue Software- und Hardware-Technologien (semantische Technologien und optische Computertechnologie), neue Daten-Verarbeitungsmethoden (nach dem Vorbild des menschlichen Gehirns), und neue Architekturen (Data-Centric) sicherlich berücksichtigt werden müssen. Trotz des guten Starts gibt es daher in diesem Bereich noch sehr sehr viel zu tun...

Quelle: IBM Watson (IBM Watson), Ege B., TÜBİTAK Bilim ve Teknik, S.74-79, November 2015

Obwohl acht der schnellsten zehn Supercomputer der Welt von Amerikanern (Cray Inc., IBM, Dell) gebaut wurden, schaut die Lage für diese nicht rosig aus. Unabhängig davon, was sie tun, sie können den chinesischen Supercomputer Tianhe-2 seit zwei eineinhalb Jahren nicht von seinem Thron stoßen. Diese Entwicklung muss auch dem US-Präsident Obama aufgefallen sein: Er hat vor kurzem das Problem zur Chefsache erklärt und höchst persönlich die Entwicklung eines Supercomputers neuer Generation in Auftrag gegeben, der mindestens 30 Mal schneller laufen soll als Tianhe-2. Das einzige Problem dabei ist, niemand weiß, wann ein solcher Computer fertig entwickelt sein könnte.

Supercomputer werden in der Industrie in verschiedensten Bereichen eingesetzt, für die Erstellung von ökonomischen Risikoanalysen und Wettervorhersagen ebenso wie zur Kryptologie und zur Entwicklung neuer atomaren Waffen. Außerdem werden sie auch in der Medizin und Pharmazie genutzt, um den Aufbau von DNA und Proteinen zu entschlüsseln.

• 80,4% der schnellsten 500 Supercomputer der Welt befinden sich in North Amerika, in Fernost und Westeuropa.
• 86,6% der Top 500 Supercomputer werden für militärische und nachrichtendienstliche Zwecke eingesetzt.
• 97,6% der Top 500 Supercomputer werden mit Linux OS betrieben.

Quelle: Çin, Dünyanın Süper Bilgisayar Gücü (China is the Nr.1 in Supercomputing), Ege B., TÜBİTAK Bilim ve Teknik, S.58-63, September 2015

Gibt der Benutzer in die Suchmaske bspw. ein „Wann ist die beste Reisezeit in Südafrika für Safaris?“, bekommt er nur sinnvolle Antworten, solche, die tatsächlich auf die besten Safari-Reisezeiten in Südafrika hinweisen. Semantic Web Technologien setzen jedoch – ganz anders als im heutigen Web – eine strukturierte Umgebung voraus, in denen Begriffe und Informationen annotiert sind, sodass sie auch von Maschinen interpretiert werden können.

Manche semantische Anwendungen gibt es bereits. Sie werden in verschiedenen Branchen von der Telekommunikation, Logistik, Energie, Medizin bis hin zu Tourismus, Bibliotheks- und Verlagswesen seit Jahren auch sehr erfolgreich eingesetzt. Vergleiche für mehr Information über solche Anwendungen das Buch Corporate Semantic Web (Hrsg.: B. Ege et al., Springer-Verlag, 2015).

Oft sind sie miteinander stark vernetzt sogar befreundet. Jeder von denen hat ein anderes Geschäftsfeld und Interessen, jedoch das gleiche Ziel: Die Welt ändern, und das baldmöglichst. Dafür arbeiten sie auch hart. Sie sind echte Verfechter von Hightech insbesondere der Künstlichen Intelligenz. Konkurrenz ist für sie fast ein Fremdwort; sie sind vielmehr von Monopolen begeistert. Sie glauben daran, dass Computer bald den Turing-Test bestehen und fast alles besser schaffen werden als Menschen. Sie glauben daran, dass in Silicon Valley gegründete Firmen, die mit einer neuen Methodik arbeiten, in zehn Jahren jeweils eine Milliarde Kunden gewinnen und somit auch die Weltwirtschaft beherrschen können. Die meisten von denen glauben leider auch daran, dass der Mensch durch Computer ersetzbar wäre...

Einige interessante Zitate von Silicon Valley Chefs:
Urlaub kann tödlich sein (Elon Musk's Urlaubseinstellung nach einer Krankheit in einem Urlaub).
Ihr werdet bald sowieso durch fahrerlose Autos ersetzt (Travis Kalanick's Antwort auf Taxifahrer, die ihn nach einer etwas höheren Zahlung forderten).
In Silicon Valley gegründete Firmen können mit Hilfe einer neuen Methodik in zehn Jahren rund um den Globus eine Milliarde Kunden gewinnen und somit auch die Weltwirtschaft beherrschen. Daher werden fast 40% von den 500 größten Unternehmen der Welt bis 2025 ihre Bedeutung am Weltmarkt verlieren (Raymond Kurzweil, Silicon Valley's Ideologe).

Quelle: Dünyanın Yeni Başkenti: Silisyum Vadisi (World’s New Capital City: Silicon Valley), Ege B., TÜBİTAK Bilim ve Teknik, S.74-78, Juni 2015

Ontologien finden nicht nur in Unternehmen, sondern auch in militärischen Bereichen Anwendungen. Ein gutes Beispiel dafür ist die Battle Management Language (BML) eine formale Sprache ohne Mehrdeutigkeiten, aber mit großer Ausdrucksstärke. BML wurde im Rahmen der NATO (vgl. Coalition Battle Management Language) entwickelt und von der Simulation Interoperability Standards Organization als Standard anerkannt. Die Sprache BML stützt sich ab auf das NATO-Datenmodell JC3IEDM, welches als Fachontologie für militärische Operationen angesehen werden kann und über welches die in BML verwendeten Terme (Wörter) in ihrer Bedeutung festgelegt sind. Das bringt viele Vorteile mit. Durch Verwendung von BML können bspw. in militärischen Bereichen alle Systeme (unbemannte Systeme, Simulationssysteme und Command & Control Systeme) die in BML formulierten Befehle und Meldungen inhaltlich „verstehen“ bzw. verarbeiten und nutzen. Außerdem kann BML in multinationalen Operationen als Lingua Franca zwischen den beteiligten Organisationen genutzt werden, um Interoperabilität zwischen verschiedenen Organisationen zu erhöhen. Weiterlesen...

Der US-Amerikanischer Wissenschaftler Peter Norvig hielt am 26 März im Rahmen von Vienna Goedel Lectures der Fakultät für Informatik einen Vortrag an der TU Wien. Peter Norvig ist einer der bekanntesten Forscher im Bereich Künstliche Intelligenz (KI) und seit 2001 Forschungsdirektor von Google. In seinem Vortrag an der TU Wien berichtete er aus seiner Erfahrungen insbesondere mit Machine Learning und lernfähigen Computersystemen (Maschinelles Lernen ist ein Softwaresystem, welches aus Beispielen lernen kann). Er unterstrich in seinem Vortrag auch, dass Machinelles Lernen eine große Zukunft hat und schon jetzt in der Computer Industrie von IBM Watson, Google, Baidu bis Yahoo und Facebook eingesetzt wird. Peter Norvig ist auch der Autor eines der besten und meistverkauften Bücher, nämlich Artifical Inteligence - A modern Approach (Stuart Russel, Peter Norvig: Künstliche Intelligenz - Ein moderner Ansatz) Mehr über seine Person und wissenschaftliche Arbeiten finden Sie an seiner Webseite: http://norvig.com/ .

Tesla ist ein elektrisch betriebenes Auto einer neuen Generation. Die Schöpfer von Tesla sind Martin Eberhard und Elon Musk. Tesla Motors beschäftigt schon jetzt weltweit über 6000 Leute und besitzt eine der größten und modernsten Fabriken der Welt. Sie ist zugleich der erste Autohersteller in Silicon Valley. Das neue Modell von Tesla Motors ist Tesla Model S. Model S hat keinen Motor, sondern der Akku des Autos selbst ist der Motor. Akkus haben acht Jahre Garantie und können bei Tesla-Ladestationen gratis aufgeladen werden. Es gibt bei Model S nur zwei Gänge: Vorwärts- und Rückwärtsgang und diese lassen sich nur durch einen Knopfdruck ein- und ausschalten. Im Cockpit des Autos herrscht wie bei modernsten Flugzeugen die Glass Cockpit Technologie - d.h. alles computergesteuert. Das ist noch nicht alles: Tesla Model S sprintet von 0 auf 100 km/h nur in max. 3,4 Sekunden! Zusammengefasst, auch eine Testfahrt mit Tesla ist ein echtes Erlebnis. Wer wird also das Rennen machen: Wasserstoffautos oder doch elektrisch betriebene?

Quelle: Tesla Elektrikli Otomobilleri (Tesla Electric Vehicles), Ege B., TÜBİTAK Bilim ve Teknik, S.58-63, Februar 2015

Auch dieses Jahr findet ein Workshop zum Thema Corporate Semantic Web statt, welches ein Nachfolge-Workshop zum Buchprojekt Corporate Semantic Web ist. Unter den Teilnehmern befinden sich ein großer Teil der Mitautoren des Buchs Corporate Semantic Web, welches in Mai 2015 bei Springer-Verlag erscheinen wird. Der Workshop findet von 15 Juni bis 17 Juni 2015 im Schloss Dagstuhl (Leibniz-Zentrum für Informatik) in Wadern (Saarland) in Deutschland statt. Im Workshop sollen semantische Anwendungen besprochen werden, die bereits heute in Unternehmen Nutzen stiften. Ein weiteres Ziel des Workshops ist es, eine Community von Praktikern zu etablieren, die ihre Erfahrungen in der Entwicklung semantischer Anwendungen austauschen. Weiterlesen...

Mooresches Gesetz verliert zunehmend seine Gültigkeit. Das macht sich in den letzten Jahren auch an der Leistungsfähigkeit von Computern bemerkbar; sie werden nicht mehr von Jahr zu Jahr wirklich leistungsfähiger. Darunter leiden sogar auch Supercomputer, insbesondere wenn es um Verarbeitung von Big Data geht. Das von Gordon Moore vor genau 50 Jahren also in 1965 formuliertes Gesetz besagt, dass sich die Leistungsfähigkeit von Computern spätestens für alle zwei Jahre verdoppeln. Nun langsam aber sicher wird die Grenzen von Silizium erreicht und somit können nicht mehr noch sehr viel kleinere Transistoren aus Silizium gebaut werden. Laut Gordon Moore kommt spätestens in den 2020’er Jahren zum erwarteten Flaschenhals. Dies ist auch Anfang der Post-Silizium-Ära. Danach kann definitiv nicht mehr leistungsfähigere Computer gebaut werden, was möglicherweise zu einer Krise auch in der Weltwirtschaft führen könnte. Daher sind viele Wissenschaftler weltweit seit Jahren bemüht, eine neue Generation von Computern zu entwickeln, die nicht mehr auf Elektronen, sondern auf ganz anderen Elemente wie Quanten oder Photonen basieren. Welches System macht also das Rennen? Quantencomputer, Elektro-Optische oder Optische Computer?

Quelle: Moore Kanunu ve Post-Silisyum Çağına Doğru (Moore's Law & Towards the Post-Silicon Age), Börteçin Ege, TÜBİTAK Bilim ve Teknik, S.38-43, Dezember 2013

Eine vierte Industrie Revolution steht der Welt bevor, zumindest auf lange Sicht. Die bevorstehende industrielle Revolution heißt Industrie 4.0. Mit der Industrie 4.0 werden neue Produktionsmethoden eingeführt, die bisher nicht möglich waren. Weltweit planen die größten Elektrokonzernen noch heute, ihre Produktionsmethoden Schritt für Schritt auf Industrie 4.0 umzustellen. Bei Industrie 4.0 handelt es sich um Intelligente Fabriken, die Produkte höchst autonom herstellen können. Um diesen Zweck zu erreichen, müssen jedoch vor allem die Produktionsmaschinen und deren Produkte untereinander vernetzt werden können. Dast ist jedoch nur durch den Einsatz der semantischen Technologien erreichbar. Denn ohne semantische Interoperabilität der Maschinen ist eine intelligente Produktion nicht realiserbar. Man erwartet jedoch, dass die Realiserung solcher Systeme noch dauern wird. Vermutlich werden die ersten Industrie 4.0-Produkte erst in den 2020’er Jahren die Fließbänder verlassen.

Kernideen der Industrie 4.0

• Mit der Industrie 4.0 beginnt das auf den einzelnen Kundenbedarf zugeschnittene Produktionszeitalter.
• Höchst autonome Produktion von sehr komplizierten Produkten durch die Maschinen
• Vernetzung der Produktionsmaschinen untereinander, wobei die Maschinen mit hergestellten Produkten auch nach der Produktion in Verbindung bleiben. Auch die Produkten halten ihre Historie im "Gedächtnis".
• Mit der neuen Version der Internet Protocol IPv6 ist die technische Infrastruktur fürs 'Internet der Dinge' (Internet of Things) bereits geschafft.
• Auch im Industrie 4.0-Zeitalter unterstützen die Maschinen den Alltag weiterhin massiv jedoch ohne aufzufallen oder wahrgenommen zu werden (Embedded). Dieser Schritt erfordert jedoch die Entwicklung von preiswerten Hardware, die möglichst klein sind und ohne viel Wärme abzugeben und zugleich hochsicher arbeitet. Somit fängt auch die Ära von Cyber Physical Systems (Das Hardware-Rückgrat der Industrie 4.0).
• Semantische Technologien sind der Kern der Industrie 4.0, weil ohne sie, die semantische Interoperabilität weder unter Produktionsmaschinen untereinander noch zwischen Produkten und Produktionsmaschinen nicht gewährleistet werden kann. (Das Software-Rückgrat der Industrie 4.0).

Quelle: 4. Endüstri Devrimi (Industry 4.0), Börteçin Ege, TÜBİTAK Bilim ve Teknik, S.26-29, Mai 2014

"Warum gibt es eigentlich kaum Literatur zu semantischen Anwendungen, die in Unternehmen Nutzen stiften?" Mit dieser Frage wurde das Buchprojekt Corporate Semantic Webbim November 2013 geboren. Denn trotz der hohen Aufmerksamkeit für Themen rund um Semantic Web, trotz vieler Artikel und Bücher zu Grundlagen, Standards, Werkzeugen und Visionen, gibt es kaum Literatur, die Architekten, Projektleiter, Ontologie-Modellierer oder Entwickler semantischer Anwendungen bei ihrer Arbeit unterstützt. Das Buch setzt an diesem Punkt an.

Um über ihre Beitragsschwerpunkte, den Stand der Technik im Bereich Semantic Web und ihre offenen Fragen bezüglich des Buchprojekts zu diskutieren und auszutauschen, treffen sich die Autoren und die Herausgeber vom 25. bis 27. Juni 2014 im Schloss Dagstuhl. Sie werden im Rahmen des Workshops dem Buch den inhaltlichen Schliff geben. Im Fokus dieses ersten Workshops stehen insbesondere die Vorstellung und inhaltliche Diskussion der Kernaussagen der Beiträge zum Buch. Damit soll sichergestellt werden, dass sie zueinander stimmig und passend sind. Außerdem sollen mögliche Verständnisfragen geklärt werden, um bspw. vermeintliche Widersprüche aufzudecken. Weiterlesen...

Copyright © 2012-2019 Dipl.-Ing. Börteçin Ege - Alle Rechte vorbehalten