NEUES BUCH
SEMANTISCHE DATENINTELLIGENZ IM EINSATZ
Semantic Bücher
B. Ege, September 21, 2020
Herausgeber: Adrian Paschke und Börteçin Ege
Verlag: Springer Vieweg
Umfang: 276 S.
Erscheinungsdatum: September 2021
Jahrelang kämpfte Künstliche Intelligenz (KI) um ihren Ruf; mal war Künstliche Intelligenz ein Hoffnungsträger mal war sie fast ein Synonym für Misserfolg.
Seit seiner Geburtsstunde hat Künstliche Intelligenz mit den 2 sog. KI-Wintern und 4 wichtigen Meilensteinen eigentlich alle möglichen Höhen und Tiefen erlebt.
Irgendwann glaubte jedoch niemand mehr, dass ein Comeback möglich wäre. In Wahrheit arbeiteten Wissenschaftler auch während der Tiefzeiten stets sehr hart
am Comeback der KI, und obwohl in der Zwischenzeit in diesem Bereich immer wieder Erfolge gemeldet wurden, wurde der Durchbruch für die Allgemeinheit erst
mit der Davos-Konferenz Anfang 2016 sichtbar. Also zufällig sechs Monate nachdem unser erstes Buch Corporate Semantic Web - Wie semantische Anwendungen
in Unternehmen Nutzen stiften (B. Ege et al.,2015) beim Springer-Verlag veröffentlicht wurde. Dieses Buch ist eigentlich als Fortsetzung unseres ersten Buchs gedacht.
Wir haben dieses Mal unser Buchtitel Semantische Datenintelligenz im Einsatz genannt, um das immer stärkere Zusammenwachsen der beiden großen Gebiete der KI,
der symbolischen semantischen KI und der subsymbolischen maschinell lernenden KI, zu adressieren. Die Kombination ermöglicht mit maschinellen Lernverfahren
strukturierte und unstrukturierte Datenbestände in praktischen Anwendungsdomänen für den KI Einsatz zu erschließen, relevante Informationen in den Daten zu erkennen,
extrahiertes Wissen semantische zu Repräsentieren und automatisch zu Interpretieren und damit neue semantische Schlussfolgerungen und Entscheidungen KI-basiert abzuleiten.
In diesem Buch wird diese Form der semantischen Datenintelligenz in unterschiedlichen Einsatzgebieten und praktischen Beispielen erläutert.
So, finden Sie in unserem Buch ein breites Spektrum von KI-Themen und Beispiele aus der Praxis sowie Antworten auf viele wichtige Fragen:
Was verstehen wir unter digitale Kuratierungstechnologien und Corporate Smart Insights, wozu werden sie genutzt? Welche Rolle spielen
Ontologien und Semantic Web-Technologien in der Künstlichen Intelligenz? Was bedeutet Semantische Künstliche Intelligenz?
Was versteht man unter Wissensgraphen? Welche Rolle werden Bitcoin und Blockchain-Technologien in unserem Leben in Zukunft spielen?
Wo liegt der Schlüssel zum Erfolg bei Entwicklung von KI-Anwendungen? Worauf kommt es bei der Umsetzung von Industrial Internet of Things-Applikationen?
Wie können Teams von Unbemannten Systemen effizient agieren? Was verstehen wir unter Artificial General Intelligence? Wie kann man semantische Technologien
im sicherheitskritischen Bereich der Flugsicherung oder aber auch für die Lieferkettenbeobachtung einsetzen? Wie kann man natürlichsprachliche Texte automatisch
zu Ontologien konvertieren? Warum ist Semiotik so ein wichtiges Schlüssel-Element in der Kommunikation? Wie lässt sich sprachlich nicht explizit mitgeteiltes Wissen erschließen?
Was verstehen wir unter Maschinenethik, und vor allem welches Land macht das Rennen in Künstlicher Intelligenz?
KI: Gestern/Heute/Morgen
Semantic Events
B. Ege, April 18, 2022
Der Begriff Künstliche Intelligenz ist heutzutage in aller Munde und wir sind als Menschheit noch am Anfang dieser bahnbrechenden Technologie.
Doch, was genau steckt hinter diesem Begriff? Wie hat alles angefangen und sich im Laufe der Jahrzehnte weiterentwickelt?
Wie entstehen solche „künstliche Gedanken“? Was versteht man unter Deep Learning? Wie erkennt ein neuronales Netz eine handgeschriebene Ziffer?
Welche Rolle spielen die Generative Adversarial Networks (GANs) und Reinforcement Learning bei der neuen Generation von KI-Anwendungen?
Was bedeutet Maschinenethik? Wie sollten sich intelligente Maschinen und Roboter verhalten? Darf ein Roboter einen Menschen belügen oder gar betrügen?
Wer haftet, wenn ein autonomes Auto einen Unfall verursacht? Droht der Menschheit in Zukunft durch künstliche Intelligenz doch eine massenhafte Arbeitslosigkeit?
Welche Pflichten haben die Maschinen gegenüber den Menschen und anderen Maschinen? Darf eine Drohne auf Menschen schießen?
Darf die künstliche Intelligenz auch für Massenüberwachungen eingesetzt werden? Welche Rolle spielt die Gesichtserkennung dabei? Wird George Orwells Roman 1984 bald wirklich wahr?
Wo liegt die Grenze zwischen Realität und Science-Fiction? In welcher Stadt wird derzeit unsere Zukunft modelliert?
Wer macht das Rennen in Künstlicher Intelligenz? China, USA oder Europa? Es ist zwar derzeit sehr schwierig, eine klare Antwort auf diese letzte Frage zu geben, aber dennoch nicht unmöglich.
Denn allein die Antworten auf einige Fragen geben genug Hinweise für die Zukunft.
Do., 01.12.2022, 18:00-19:30 Uhr
Vortragender: B. Ege
Kursort: VHS Wiener Landstraße, 1030 Wien
Deep Fake - Manipulation im TV und Internet
Semantic Events
B. Ege, April 18, 2022
Deep Learning trifft auf Fake, also Fälschung, in diesem Fall von Medieninhalt von Audio, Foto bis zum Video,
durch den Einsatz der Machine-Learning-Techniken wie Generative Adversarial Networks (GANs).
Kann man Deepfakes, die wie authentische Videos wirken, dennoch erkennen? Welchen Zweck erfüllt Deep Fake?
Ist es harmlose Liebhaberei oder ein systematischer Angriff auf unsere gesellschaftlichen Werte?
Wie können durch die Verwendung von neuronalen Netzen realistische menschliche Gesichter erzeugt werden?
Welche Rolle spielen dabei die Generative Adversarial Networks?
Fr., 11.11.2022, 18:00-19:30 Uhr
Vortragender: B. Ege
Kursort: VHS Urania, 1010 Wien
Deep Fake - Manipulation im TV und Internet
Semantic Events
B. Ege, April 18, 2022
Deep Learning trifft auf Fake, also Fälschung, in diesem Fall von Medieninhalt von Audio, Foto bis zum Video,
durch den Einsatz der Machine-Learning-Techniken wie Generative Adversarial Networks (GANs).
Kann man Deepfakes, die wie authentische Videos wirken, dennoch erkennen? Welchen Zweck erfüllt Deep Fake?
Ist es harmlose Liebhaberei oder ein systematischer Angriff auf unsere gesellschaftlichen Werte?
Fr., 04.02.2022, 16:30-18:00 Uhr
Vortragender: B. Ege
Kursort: VHS Wiener Landstraße, 1030 Wien
Kurs-Nr.: 10811030
Ethische und Philosophische Aspekte Künstlicher Intelligenz
Semantic Events
B. Ege, April 18, 2022
Künstliche Intelligenz hält bereits in nahezu allen Lebensbereichen den Einzug. Doch wie so oft steckt der Teufel im Detail.
Entstehen durch KI-bedingte Automation tatsächlich mehr Jobs als vernichtet werden? Droht die Menschheit in Zukunft massenhafte Arbeitslosigkeit?
Wann kommen die ersten pilotenlose Flugzeuge zum Einsatz? Darf Technik die Menschen ersetzen?
Do., 29.04.2021, 19:30-21:00 Uhr
Vortragender: B. Ege
Kursort: VHS Urania, 1010 Wien
Kurs-Nr.: 10501988
Buchvorstellung
Semantic Events
B. Ege, September 21, 2020
Fr., 13.11.2020, 18:00-19:30 Uhr
Vortragender: B. Ege
Kursort: VHS Wiener Landstraße, 1030 Wien
Kurs-Nr.: 16111030
Abgesagt wegen der COVID-19-Pandemie!
Während die Begriffe Künstliche Intelligenz (KI) und Machine Learning / Deep Learning heutzutage fast jeder kennt,
sind die Begriffe Semantic Web und semantische Systeme der Öffentlichkeit weithin unbekannt, obwohl diese in der Medizin
und auch bis in die Telekommunikation, die Verwaltung und die Robotik hinein wirkmächtig sind.
Dieser Abend samt Buchpräsentation gewährt ungeahnte Einblicke.
Überblickskapitel
Book Chapters
B. Ege, September 21, 2020
Semantische Datenintelligenz im Einsatz (A.Paschke/B.Ege)*
Der sog. „KI-Winter“ ist nach langen Jahren endlich vorbei. Während die Begriffe „Künstliche Intelligenz“ (KI) und „Machine Learning“ / „Deep Learning“
heutzutage fast jeder kennt, sind die Begriffe „Semantic Web“ und „semantische Systeme“ der Öffentlichkeit weithin oftmals unbekannt, obwohl auch diese Begriffe
wichtige und zukunftsrelevante Projekte im Kontext „Künstliche Intelligenz“ bezeichnen. Wir sind mittlerweile an einem Punkt angelangt, an dem „semantische Systeme“
als effiziente wissensbasierte Systeme immer wichtiger werden und ihr Potential erkennen lassen, so dass das „Semantic Web“ und die semantischen Technologien
definitiv zu der kommenden Generation der KI gehören und diese mitbestimmen werden.
Wie bereits unser Buch Corporate Semantic Web – Wie semantische Anwendungen in Unternehmen Nutzen stiften (B. Ege et.al., Springer-Verlag, 2015)
erfolgreich dargestellt hat, gibt es ein sehr großes Interesse an semantischen Technologien und deren Anwendungen. Bereits heute reichen
diese Anwendungen semantischer Systeme von der semantischen Suche, über Knowledge Graphs und Chatbots bis zu Sprachanwendungen in der Medizin
und auch bis in die Telekommunikation, die Verwaltung und die Robotik hinein. Die jüngsten Entwicklungen zeigen dabei folgenden Trend:
Neben den klassischen Semantic Web Anwendungen, z.B. in Webbasierten Wissensgraphen und bei der semantischen Suche, beginnen semantische Systeme
in den industriellen Anwendungen neuer Generation, in Industrie 4.0 und Arbeit 4.0, Fuß zu fassen, so dass gesagt werden kann, dass semantische Systeme
spätestens mit der Einführung der Industrie 4.0 allgegenwärtig sein werden. Dies ist schon deshalb unumgänglich, weil ohne semantische Technologien
die Interoperabilität unter Maschinen und insbesondere Roboter für eine intelligente Produktion und Zusammenarbeit nicht umsetzbar ist.
Semantische Technologien und deren Bausteine werden auch bei der Entwicklung von autonomen und selbstlernenden Systemen eine Schlüsselrolle spielen.
Unsere heutige Vorstellung von der Künstlichen Intelligenz beruht auf Algorithmen, deren Arbeitsweise nicht transparent ist. Das bedeutet,
dass die erzielten Ergebnisse oft nicht nachvollziehbar, wenn auch richtig sind. Intelligente Systeme müssen jedoch in Zukunft in der Lage sein,
nicht nur zu sagen, welche Lösung sie vorschlagen, sondern auch wie sie dazu gekommen sind (tell me why). Solche Systeme sind jedoch in absehbarer Zeit
nur mit wissensbasierten Systemen auf der Grundlage von semantischen Technologien erreichbar.
Dieses Buch zur semantischen Datenintelligenz soll mit zahlreichen Anwendungsbeispielen aus der Industrie sowie Web- und Unternehmens-anwendungen
die sinnvolle Kombinationen von wissensbasierten bzw. semantischen Technologien mit den rein datenbasierten KI Verfahren zeigen und den Leser über
diese illustrierenden Beispielen mit dem semantischen Ansatz vertraut machen. Es umfasst die folgenden Kapitel:
Kapitel 1: Einblick in die Welt der Künstlichen Intelligenz
Dieser Beitrag gibt dem Leser ein Überblick über die Künstliche Intelligenz-Technologien, und zwar von der Entstehung und Entwicklung bis zu den aktuell
verwendeten Ansätzen und Methoden: Welche Höhen und Tiefen hat Künstliche Intelligenz bis heute erlebt? Was verstehen wir unter Neuronalen Netze,
Deep Learning sowie Machine Learning? Welche Lerntechniken gibt es für Machine Learning? Benötigen wir sowohl symbolische als auch nicht-symbolische Ansätze?
Brauchen wir Regelbasierte Systeme in KI-Projekten doch nicht mehr? Welche Rolle werden künftig Semantic Web Standards in der Entwicklung
der Künstlichen Intelligenz spielen? Welche Nachteile haben Machine Learning-Ansätze? Was versteht man unter einem Blackbox-Effekt?
Welche Vorteile haben Semantic Web-Ansätze? Wo liegt der Schlüssel zum Erfolg? Was erwartet uns in Zukunft?
Kapitel 2: Corporate Smart Insights
Der Erfolg wissensbasierter KI-Systeme hängt von der Verfügbarkeit und insbesondere auch von der Wiederverwendung digital kuratierten Wissens ab.
Es gilt existierende Wissensschätze durch digitale Kuratierungstechnologien zu heben und in KI-unterstützten Geschäftsanwendungen mit fortlaufend
erlernten Kenntnissen und Einsichten, sogenannten Corporate Smart Insights (CSI), in Enterprise Knowledge Graphs zu nutzen. Das kuratierte KI-Wissen
steigert die funktionale Güte, die Dateneffizienz, die Plausibilisierung und die Absicherung von KI-gestützten Funktionen in betrieblichen
Corporate Semantic Web (CSW) Anwendungen. Die technologische Innovation ist eine Insight Driven Organisation (IDO), die CSI lernt und
vielfach nutzbar macht. Eine IDO bettet semantisches Unternehmenswissen in maschinelles Lernen und aus Datenanalysen gewonnenen Smart Insights
direkt in die Smart Decisions und Smart Actions ein. Diese Kapitel adressiert die digitale Kuratierung von Corporate Smart Insights als Grundlage
für die Verwendung von semantischem Wissen in der KI.
Weiterlesen...
Kapitel 3: Semantische Interoperabilität in Cyber-physischen Produktionssystemen
Semantische Interoperabilität gilt als einer der Schlüssel zur Umsetzung der Ideen hinter dem Paradigma des Industrial Internet of Things (IIoT).
Um heterogene Systeme über Anwendungsdomänen hinweg interoperabel kommunizieren lassen zu können, wird zunächst eine präzise Definition des Begriffs
Semantik benötigt. Denn nur auf einer formalen Basis lassen sich Informationen zwischen verteilten IIoT-Geräten korrekt austauschen.
Existierende Ansätze, die beabsichtigen, den Begriff der Semantik zu präzisieren, sind oft eher intuitiv motiviert.
Dazu zählen z.B. die Wissenspyramide oder das Levels of Conceptual Interoperability Model (LCIM).
Dieses Kapitel liefert solch eine formale Definition des Begriffs Semantik und ordnet diese bestehenden Ansätze kritisch in den Kontext
der vorgeschlagenen Definition ein.
Kapitel 4: Unterstützung von Brandbekämpfung durch Teams von Unbemannten Systemen
Unter einem Team von Unbemannten Systemen wird eine kleinere Anzahl von Systemen verstanden, die über unterschiedliche Fähigkeiten
verfügen und bei der Erfüllung eines Auftrags kooperieren. Der Einsatz eines solchen Teams verspricht Flexibilität
bei der erfolgreichen Bearbeitung unterschiedlicher Aufträge. Teams von Unbemannten Systemen können allerdings nur dann
effizient agieren, wenn sie in einem hohen Maß autonom sind. Idealerweise sollte ein einzelner Nutzer mit dem Team interagieren
und sich dabei auf das „Was ist zu tun?“ beschränken. An dieser Stelle kommt „Semantik“ ins Spiel: Das Team muss über genügend
„Intelligenz“ verfügen, um Aufträge zu „verstehen“, sie in Teilaufträge zu zerlegen und kooperativ zu bearbeiten.
Dieses Kapitel erläutert diesen Ansatz am Beispiel der Unterstützung der Brandbekämpfung durch ein solches Team.
Kapitel 5: Einsatz semantischer Technologien im sicherheitskritischen Bereich der Flugsicherung
Ein wichtiges Aufgabengebiet und Anliegen der Flugsicherung ist die Bereitstellung von aktuellen Informationen zu Wetter
und Luftverkehrsinfrastruktur für Aufgabenträger in der Luftfahrt, insbesondere für Piloten. Die aktuellen Meldungen zu Wetter
und Luftverkehrsinfrastruktur bilden die Grundlage für die Flugvorbereitung. Eine große Herausforderung für Piloten ist
die schiere Anzahl an Meldungen, die teilweise irrelevant oder nur von geringer Wichtigkeit sind. Mit dem Ziel, Piloten
durch die Bereitstellung von ausschließlich aufgabenbezogener Information zu entlasten, wurde im Projekt SemNOTAM aufbauend
auf einer integrierten, dezentralen Informationsbasis eine Familie von Techniken und Ansätzen entwickelt.
Dieses Kapitel diskutiert neben den technischen Grundlagen der integrierten Informationsbasis die zwei darauf aufbauenden Stufen
einer automatisierten aufgabenspezifischen Informationsbereitstellung: (i) semantische Anreicherung erleichtert die Selektion
von Meldungen mittels Fachbegriffen, (ii) aufgabenspezifische Filterung und Klassifizierung von Meldungen ersetzt
die manuelle Formulierung von Abfragen durch ein wissensbasiertes Matching von Meldungen und Aufgabenbeschreibungen.
In diesem Kapitel werden Motivation, Herausforderungen, technische Lösung und aktuelle Einschränkungen erläutert
und mit verwandten Ansätzen in Bezug gesetzt.
Kapitel 6: Semantische Technologien für die Lieferkettenbeobachtung
Enterprise Intelligence, d.h. die Überwachung und Interpretation aller Signale der verschiedenen Akteure eines Marktes,
wird in einer globalen Wirtschaft mit ihren weltweit verteilten Lieferanten, Kunden, und Wettbewerbern, sowie der zunehmenden Komplexität
von Produkten, Herstellungsprozessen und Regularien zu einem immer entscheidenderen Erfolgsfaktor für Unternehmen.
Technologische Fortschritte in den Bereichen Künstliche Intelligenz, Big-Data-Management und Webtechnologie ermöglichen
aber den Einsatz modernster Informationstechnologien zur Automatisierung der arbeitsintensivsten Prozesse
für Enterprise Intelligence Lösungen. In diesem Kapitel wird eine KI-basierte Serviceplattform für Enterprise Intelligence beschrieben,
die Ergebnisse aus der deutschen und chinesischen KI-Forschung und Softwareentwicklung kombiniert. Ihre Kernkomponenten sind ein Framework
für multilinguale semantische Sprachverarbeitung, ein Framework für die Erstellung, Nutzung und Erweiterung von Wissensgraphen,
sowie die Einbettung dieser Komponenten in einer leistungsstarken Big-Data-Analytik Plattform.
Kapitel 7: Wissensgraphen im Web - Überblick und Vergleich
Wissensgraphen sind eine gebräuchliche Form der Wissensrepräsentation, die aus dem Bereich Semantic Web stammt.
Sie werden heute in vielen Anwendungen verwendet; prominent ist vor allem die Verwendung in der Web-Suche von Google,
die auch den Begriff Wissensgraph (engl. Knowledge Graph) geprägt hat. In einem Wissensgraph werden Dinge der Welt
(z.B. Personen, Orte oder Ereignisse) durch Knoten repräsentiert, die mit Kanten verbunden sind.
Während Unternehmen wie Google, Microsoft und Facebook ihre eigenen, nicht öffentlichen Wissensgraphen besitzen, gibt es auch
zahlreiche große, frei verfügbare Wissensgraphen im Web. Zu den bekanntesten zählen DBpedia, YAGO und Wikidata.
Dieses Kapitel gibt einen Überblick dieser Graphen und vergleicht deren Inhalt, Größe, Abdeckung und Überlappung.
Kapitel 8: Automatische Konversion von natürlichsprachlichen Texten zu Ontologien
Im Zuge der digitalen Transformation von Geschäftsprozessen entsteht die Notwendigkeit, in natürlicher Sprache verfasste
Handlungsanweisungen, Verträge und vertragsähnliche Dokumente in eine formale, Computer-ausführbare Sprache (Code) zu wandeln,
um z.B. Workflow Automation oder Smart Contracts umzusetzen. Das Anwendungspotential hierfür ist enorm:
alle menschenlesbaren Vorschriften sind typischerweise in natürlicher Sprache niedergeschrieben (Montageanleitungen, Verträge,
gesetzliche Regulierungen, etc.). Das Bestreben Prozesse zu automatisieren (z.B. Roboter gestützte Wartung, Regelkonformität
bei Banktransaktionen, etc.) macht es erforderlich, textlich gefasste Vorschriften computerisiert ausführbar zu machen.
In diesem Kapitel wird das Verfahren „SemantikMatcher“ vorgestellt, bei dem es sich um eine Anwendung der semantischen KI handelt.
In dieser werden mittels Logik höherer Ordnung (Higher-Order Logic) abstrakte Modelle der im Text erwarteten Inhalte formuliert
um die konkreten Inhalte der Texte wie im Weiteren beschrieben zu extrahieren.
Das Ziel des vorgestellten Verfahrens ist die Überführung von in Texten vorliegendem Wissen in eine computerverständliche
bzw. verarbeitbare Form.
Kapitel 9: Neue Errungenschaften durch AGI in NLP
Dieses Kapitel befasst sich mit einer Königsdisziplin der künstlichen Intelligenz, nämlich dem Natural Language Processing,
kurz NLP genannt. Es gibt schon einige praktische Beispiele wie etwa das Extrahieren von Texten aus einem Dokument,
die Zusammenfassung von Inhalten und die automatisierte Beantwortung von schriftlichen Anfragen, wo diese intelligente Technologie
im Einsatz ist. Texte rein aus dem Kontext erkennen vermag NLP im herkömmlichen Sinn jedoch nicht. Hierfür ist der Einsatz
von starker künstlicher Intelligenz, Artificial General Intelligence, nötig. Welche Begrifflichkeit hinter dieser Neuheit steckt
und wo diese praktisch eingesetzt wird, werden in diesem Kapitel beschrieben.
Kapitel 10: Bitcoin und Blockchain Technologien
Neben Künstlicher Intelligenz sind auch die digitalen Währungen bzw. Kryptowährungen ein anderes wichtiges Thema in der digitalen Welt.
Ohne Zweifel die erste, berühmteste und wahrscheinlich die erfolgreichste Kryptowährung ist Bitcoin. Es gibt jedoch noch sehr viele
verschiedene digitalen Währungen wie Litecoin, XRP, EOS, NEO, Ether sowie Tether, und es kommen ständig neue dazu.
Im Zentralpunkt der digitalen Währungen stehen die Blockchain Technologien und digitale Währungen wie Bitcoin ist eigentlich
nur eine Anwendung von Blockchain Technologien. Mit Blockchain Technologien könnten viel mehr erreicht werden,
z.B. in der Finanzwelt, im Identitätsmanagement aber auch im Bereich Internet of Things.
Auch Smart Contracts ist ein relativ neuer Bereich, welcher erst durch Blockchain Technologien wie Ethereum in der Praxis
immer häufiger Anwendung finden wird. Das Thema Kryptowährungen ist so kontrovers und polarisierend,
sodass es immer noch heftige Diskussionen nicht nur zwischen Individuen, sondern auch zwischen Konzernen, Regulierungsbehörden,
Zentralbanken und Staaten verursacht. Eines ist jedoch klar: Kryptowährungen werden bald anfangen, unser Leben so massiv zu dominieren,
sodass sie nicht nur die heutigen konventionellen Währungen, sondern auch gewisse staatliche Strukturen in Frage stellen werden.
Kapitel 11: Semiotik - Ein Schlüssel-Element in der Kommunikation
Automatische Systeme, welche mit Hilfe von künstlicher Intelligenz Texte auswerten sind hoch im Kurs, und es werden immer mehr.
Diese Systeme versuchen eine Botschaft in einem Text zu verstehen und in einen Zusammenhang zu stellen.
Es wird darüber hinaus auch versucht festzustellen, ob die Botschaft eine negative, positive oder neutrale Aussage zu einer Sache,
einer Aktion oder einem Thema etc. macht. Eine Nachricht oder Information kann auf sehr unterschiedliche Weise gehört
und verstanden werden. Sie kann aus verschiedenen Perspektiven gehört werden. Der Empfänger fragt sich wie der Sachverhalt zu verstehen
ist, aber auch was der Sender mit der Nachricht erreichen will. Die Antwort, die der Empfänger sich selber gibt,
muss allerdings keinesfalls mit der beabsichtigten Bedeutung des Senders übereinstimmen. Um Missverständnisse und Unklarheiten
zu vermeiden, müssen die Zusammenhänge der Kommunikation verdeutlicht werden. Dies geschieht mithilfe der Semiotik.
In diesem Kapitel werden BrainDocs™ Software-Agenten von ai-one™ vorgestellt, welche das semiotische Problem der korrekten
Botschafts-Auswertung adressieren und lösen.
Kapitel 12: Wie lässt sich sprachlich nicht explizit mitgeteiltes Wissen erschließen?
Dieses Kapitel zeigt, wie Bedeutung im Kontext von Welt- und Sprachwissen konstruiert wird. Dabei geht es um Meinungen,
Überzeugungen und Wertvorstellungen, die in die Texte einfließen und rhetorisch geformt werden. Die Formen impliziten Wissens bilden
auf der Textoberfläche eine sekundäre Symbolizität, die analytisch approximativ erschließbar ist.
Dabei geht es um Mitbedeutetes und Mitgemeintes, aber auch um implizites Wissen bzw. Aktionstheorien, die in Form von mentalen Modellen
und kognitiven Frames erschlossen werden können. Die exemplarische Analyse eines medienwissenschaftlichen Beitrages zu „Ethik und KI“
zeigt, wie man von Verletzungen der Gesprächsmaximen auf das Autorbewusstsein schließen kann. Dabei wird deutlich, dass Moralität
ohne sprachstilistische Verantwortung und personales wie organisationales Lernen im Kontext professioneller Emotionalität
nicht zu haben ist.
Kapitel 13: Ethische und Philosophische Aspekte der KI
Künstliche Intelligenz hält bereits in nahezu allen Lebensbereichen den Einzug und umso wichtiger wird das Thema Ethik bzw. Maschinenethik.
Dabei hat das Thema Ethik sehr viele Aspekte. Im Rahmen dieses Kapitels werden Fragen rundum Ethik bzw. Maschinenethik beantwortet.
Dazu gehören aktuelle Themen wie Gesichtserkennung, autonomes Fahren, autonome Waffensysteme sowie Kriegsroboter, Roboter im Alltag,
Anonymisierung von Daten sowie gesellschaftliche Folgen. Es ergeben sich u.a. folgende Fragen: Wie sollten sich intelligente Maschinen
und Roboter verhalten? Darf ein Roboter einen Menschen belügen oder gar betrügen?
Wer haftet, wenn ein autonomes Auto einen Unfall verursacht? Darf Technik die Menschen ersetzen, anstatt sie zu unterstützen?
Droht der Menschheit in Zukunft dadurch doch eine massenhafte Arbeitslosigkeit? Darf eine unbemannte Maschine auf Menschen schießen?
Welche ethischen Regeln müssen wir und die Maschinen folgen? Welche Pflichten haben die Maschinen gegenüber den Menschen
und anderen Maschinen?
Kapitel 14: Wer macht das Rennen in Künstlicher Intelligenz?
Wer macht das Rennen in Künstlicher Intelligenz? China, USA oder Europäische Union? Es ist derzeit sehr schwierig,
eine klare Antwort zu dieser Frage zu geben, aber dennoch nicht unmöglich. Wir sind als Menschheit noch am Anfang
dieser bahnbrechenden Technologie. Und es gibt eigentlich keine eindeutigen Metriken zur Erfolgsmessung.
Dennoch geben die Antworten auf einige Fragen genug Hinweise für die Zukunft: Welches Land macht die meisten Forschungen?
Welche Firmen oder Universitäten haben die meisten Patente? Welches Land hat die meisten Elite-Universitäten
oder Forschungseinrichtungen? Welche Universitäten oder Forschungseinrichtungen veröffentlichen die wissenschaftlichen Papiere,
die in anderen Veröffentlichungen am meisten zitiert sind? Wer zieht die meisten Talente oder Fachkräfte ins Land?
Welches Land hat die meisten zukunftsorientierten Startups? Diese Fragen kann man beliebig verlängern,
und all diese Fragen und Faktoren spielen beim Kräftemessen der Länder eine sehr wichtige Rolle.
Im Rahmen dieses Kapitels wird versucht, ausgehend von vielen kleinen Fragen und Antworten, eine klare Antwort auf eine große Frage zu finden.
*Semantische Datenintelligenz im Einsatz, Hrsg. A.Paschke/B.Ege, Überblickskapitel (A.Paschke/B.Ege), Springer-Verlag, erscheint im September 2021.
Einblick in die Welt der Künstlichen Intelligenz
Book Chapters
B. Ege, September 21, 2020
Auszug aus dem Buch Semantische Datenintelligenz im Einsatz*
Dieser Beitrag gibt dem Leser ein Überblick über die Künstliche Intelligenz-Technologien, und zwar von der Entstehung und Entwicklung
bis zu den aktuell verwendeten Ansätzen und Methoden: Welche Höhen und Tiefen hat Künstliche Intelligenz bis heute erlebt?
Was verstehen wir unter Neuronalen Netzen, Deep Learning sowie Machine Learning? Welche Lerntechniken gibt es für Machine Learning?
Benötigen wir sowohl symbolische als auch nicht-symbolische Ansätze? Brauchen wir Regelbasierte Systeme in KI-Projekten doch nicht mehr?
Welche Nachteile haben „Machine Learning“-Ansätze? Was versteht man unter einem Blackbox-Effekt?
Verstehen wir eigentlich unter Künstlicher Intelligenz einen Taschenrechner, ein Buchhaltungsprogramm oder einen Schachcomputer?
Aus heutiger Sicht nennen wir eine Software, die aus ihren Erfahrungen lernen und sich dementsprechend weiterentwickeln kann,
ein selbstlernendes System bzw. Künstliche Intelligenz. Künstliche Intelligenz besteht aus einer Familie von Ansätzen und Techniken.
Dazu zählen unter anderem Logik (z.B. Aussagenlogik, Prädikatenlogik, Entscheidbarkeit), Unsicheres Wissen und Schlussfolgern
(Bayessche Netze, Fuzzy-Logik), Suchstrategien (Uninformierte Suche, Heuristische Suche), Wissensrepräsentation
(Ontologien und Semantic Web), Machine Learning (Neuronale Netze und Deep Learning in Kombination von supervised und
unsupervised learning sowie von reinforcement learning), Natural Language Processing, Computervision und Robotik.
In den letzten Jahren rückte insbesondere die Kategorie Machine Learning und die damit verbundenen Techniken und Ansätze
immer mehr in den Brennpunkt der Künstlichen Intelligenz. Dabei basieren alle „Machine Learning“-Ansätze eigentlich
auf Statistik und Wahrscheinlichkeitstheorie und stellen in der Wahrheit kein echtes wissensbasiertes System dar.
Man muss jedoch zugeben, dass in den letzten Jahren zum einen mit Deep Learning und zum anderen mit steigender Rechenleistung
ein ganz frischer Wind in die Künstliche Intelligenz kam. Beispielsweise ermöglicht Deep Learning heute sehr vieles,
was früher nicht so selbstverständlich war, und zwar von der Sprachverarbeitung und Bilderkennung bis zum GO-Spielen.
Außerdem: Welche Rolle werden künftig Semantic Web Standards in der Entwicklung der Künstlichen Intelligenz spielen?
Welche Vorteile haben Semantic Web-Ansätze? Wo liegt der Schlüssel zum Erfolg? Was erwartet uns in Zukunft?
Im Rahmen dieses Beitrags werden die bisherigen relativ wichtigen Entwicklungen und aktuellen Trends mit Schwerpunkt Lernen
im Bereich Künstliche Intelligenz unter die Lupe genommen.
*Semantische Datenintelligenz im Einsatz, Hrsg. A.Paschke/B.Ege, Kapitel 1: Einblick in die Welt der Künstlichen Intelligenz (B.Ege), Springer-Verlag, erscheint im September 2021.
Bitcoin und Blockchain Technologien
Book Chapters
B. Ege, September 21, 2020
Auszug aus dem Buch Semantische Datenintelligenz im Einsatz*
Neben Künstlicher Intelligenz sind auch die digitalen Währungen bzw. Kryptowährungen ein anderes wichtiges Thema in der digitalen Welt.
Ohne Zweifel die erste, berühmteste und wahrscheinlich die erfolgreichste Kryptowährung ist Bitcoin.
Es gibt jedoch noch sehr viele verschiedene digitalen Währungen wie Litecoin, XRP, EOS, NEO, Ether sowie Tether, und es kommen ständig
neue dazu. Im Zentralpunkt der digitalen Währungen stehen die Blockchain Technologien und digitale Währungen wie Bitcoin ist eigentlich
nur eine Anwendung von Blockchain Technologien. Mit Blockchain Technologien können vielmehr erreicht werden, z.B. in der Finanzwelt,
im Identitätsmanagement aber auch im Bereich Internet of Things. Auch Smart Contracts ist ein relativ neuer Bereich, welcher erst durch
Blockchain Technologien wie Ethereum in der Praxis immer häufiger Anwendung finden wird. Das Thema Kryptowährungen ist so kontrovers
und polarisierend, sodass es immer noch heftige Diskussionen nicht nur zwischen Individuen, sondern auch zwischen Konzernen,
Regulierungsbehörden, Zentralbanken und Staaten verursacht. Eines ist jedoch klar: Kryptowährungen werden bald anfangen,
unser Leben so massiv zu dominieren, sodass sie nicht nur die heutigen konventionellen Währungen, sondern auch gewisse staatliche
Strukturen in Frage stellen werden.
*Semantische Datenintelligenz im Einsatz, Hrsg. A.Paschke/B.Ege, Kapitel 10: Bitcoin und Blockchain Technologien (B.Ege), Springer-Verlag, erscheint im September 2021.
Ethische und Philosophische Aspekte von Künstlicher Intelligenz
Book Chapters
B. Ege, September 21, 2020
Auszug aus dem Buch Semantische Datenintelligenz im Einsatz*
Künstliche Intelligenz hält bereits in nahezu allen Lebensbereichen den Einzug und umso wichtiger wird das Thema Ethik bzw.
Maschinenethik. Was bedeutet überhaupt Maschinenethik? Doch wie so oft steckt der Teufel im Detail. Es ergeben sich u.a.
folgende Fragen: Wie sollten sich intelligente Maschinen und Roboter verhalten? Darf ein Roboter einen Menschen belügen
oder gar betrügen? Wer haftet, wenn ein autonomes Auto einen Unfall verursacht? Darf Technik die Menschen ersetzen, anstatt
sie zu unterstützen? Droht der Menschheit in Zukunft dadurch doch eine massenhafte Arbeitslosigkeit?
Darf eine unbemannte Maschine auf Menschen schießen? Welche ethischen Regeln müssen wir und die Maschinen folgen?
Welche Pflichten haben die Maschinen gegenüber den Menschen und anderen Maschinen?
Das Thema Ethik hat sehr viele Aspekte. Im Rahmen dieses Beitrags werden wir versuchen, die Fragen rundum Ethik bzw. Maschinenethik
zu beantworten. Dazu gehören aktuelle Themen wie Gesichtserkennung, autonomes Fahren, autonome Waffensysteme sowie Kriegsroboter,
Roboter im Alltag, Anonymisierung von Daten sowie gesellschaftliche Folgen. Nun fangen wir am besten mit einem hoch aktuellen Thema an,
nämlich Gesichtserkennung.
*Semantische Datenintelligenz im Einsatz, Hrsg. A.Paschke/B.Ege, Kapitel 13: Ethische und Philosophische Aspekte von Künstlicher Intelligenz (B.Ege), Springer-Verlag, erscheint im September 2021.
Wer macht das Rennen in Künstlicher Intelligenz?
- Ein Vergleich zwischen den drei KI-Mächten USA, China und EU
Book Chapters
B. Ege, September 21, 2020
Auszug aus dem Buch Semantische Datenintelligenz im Einsatz*
Wer macht das Rennen in Künstlicher Intelligenz? China, USA oder Europäische Union? Es ist derzeit sehr schwierig, eine klare Antwort
zu dieser Frage zu geben, aber dennoch nicht unmöglich. Wir sind als Menschheit noch am Anfang dieser bahnbrechenden Technologie.
Und es gibt eigentlich keine eindeutigen Metriken zur Erfolgsmessung. Dennoch geben die Antworten auf einige Fragen genug Hinweise
für die Zukunft: Welches Land macht die meisten Forschungen? Welche Firmen oder Universitäten haben die meisten Patente?
Welches Land hat die meisten Elite-Universitäten oder Forschungseinrichtungen? Welche Universitäten oder Forschungseinrichtungen
veröffentlichen die Paper, die in anderen Veröffentlichungen am meisten zitiert sind? Wer zieht die meisten Talente oder Fachkräfte
ins Land? Welches Land hat die meisten zukunftsorientierten Startups? Diese Fragen kann man beliebig verlängern, und all diese Fragen
und Faktoren spielen bei Kräftemessen der Länder eine sehr wichtige Rolle. Im Rahmen dieses Beitrages wird nur versucht, ausgehend
von vielen kleinen Fragen und Antworten, eine klare Antwort auf eine große Frage zu finden.
*Semantische Datenintelligenz im Einsatz, Hrsg. A.Paschke/B.Ege, Kapitel 14: Wer macht das Rennen in Künstlicher Intelligenz? (B.Ege), Springer-Verlag, erscheint im September 2021.
VORTRAGSREIHE KÜNSTLICHE INTELLIGENZ
- an der VHS Wiener Urania
Semantic Events
B. Ege, Januar 11, 2020
Das Thema Künstliche Intelligenz (KI) ist heute so aktuell wie noch nie. Alle führenden Staaten der Welt rüsten sich digital
auf bis zum Geht nicht mehr. Das ist gleichzeitig auch ein Wettrennen. Doch, wer wird dieses Rennen gewinnen?
USA, China oder Europäische Union? Und wie wird Künstliche Intelligenz unser Leben verändern? Werden Menschen am Ende dieses Prozesses
größtenteils doch durch die Maschinen ersetzt? Wer haftet dann, wenn eine Maschine Fehler macht? Was bedeutet Maschinenethik?
Werden wir in absehbarer Zeit nicht mehr wissen können, wer am anderen Ende der Leitung mit uns spricht:
Ein Mensch oder doch eine Maschine? Welche Herausforderungen stehen uns bevor? Und welche Zukunftstechnologie ist mindestens
so strategisch wie Künstliche Intelligenz?
Wer macht das Rennen in Künstlicher Intelligenz?
Wer macht das Rennen in Künstliche Intelligenz? Genauso wichtig wie die ganzen technischen Fortschritte im Bereich
Künstliche Intelligenz, ist auch die Antwort auf die folgende Frage sehr wichtig: Wer macht das Rennen? USA, China oder EU?
Als Menschheit stehen wir noch am Anfang dieser bahnbrechenden Technologie. Und es gibt eigentlich keine eindeutigen Metriken
zur Erfolgsmessung. Dennoch geben die Antworten auf einige Fragen genug Hinweise für die Zukunft:
Welches Land macht die besten Forschungen? Welche Firmen oder Universitäten haben die meisten oder weltbesten Patente?
Welches Land hat die meisten Elite-Universitäten oder Forschungseinrichtungen? Welche Universitäten veröffentlichen die besten Papers?
Wer zieht die meisten Talente oder Fachkräfte ins Land? Welches Land hat die meisten zukunftsorientierten Startups?
Was bedeutet die Quanten-unterstützte Künstliche Intelligenz? Wer hat die Nase vorn bei der Quanten-unterstützte Künstliche Intelligenz?
Mittw., 19.02.2020, 19:30-21:00 Uhr
Vortragender: B. Ege
Kursort: VHS Wiener Urania, 1010 Wien
Kurs-Nr.: 10452051
Ethische und philosophische Aspekte
Künstliche Intelligenz hält bereits in nahezu allen Lebensbereichen den Einzug. Doch wie so oft steckt der Teufel im Detail.
Entstehen durch KI-bedingte Automation tatsächlich mehr Jobs als vernichtet wird? Droht die Menschheit in Zukunft massenhafte
Arbeitslosigkeit? Darf Technik die Menschen ersetzen, anstatt sie zu unterstützen? Wer haftet, wenn ein autonomes Auto einen
Unfall verursacht? Darf eine unbemannte Maschine auf Menschen schießen? Welche ethischen Regeln müssen wir folgen?
Was bedeutet Maschinenethik?
Mittw., 26.02.2020, 19:30-21:00 Uhr
Vortragender: B. Ege
Kursort: VHS Wiener Urania, 1010 Wien
Kurs-Nr.: 10452052
Weiterlesen...
Künstliche Intelligenz: Gestern / Heute / Morgen
Mit Künstliche Intelligenz stehen wir vor einem sehr wichtigen Wendepunkt. Wie hat alles angefangen und sich im Laufe der Jahrzehnte
weiterentwickelt? Wer waren die ersten KI-Pioniere? Was versteht man unter Turing-Test? Ist der Turing-Test bereits bestanden?
Was steckt hinter den KI-Technologien? Wie entsteht der künstliche Gedanke? Wird sich die ganze Erde bald in eine digitale Matrix
umwandeln? Und vor allem; was erwartet uns Morgen? (wegen der Covid-19-Pandemie abgesagt)
Mittw., 15.04.2020, 19:30-21:00 Uhr
Vortragender: B. Ege
Kursort: VHS Wiener Urania, 1010 Wien
Kurs-Nr.: 10452046
Künstliche Intelligenz im Alltag
IBM Watson, Autonomes Fahren, Pilotenlose Flugzeuge, Humanoide Roboter, Kryptowährungen, Chatbots, Drohnen
und ähnliche autonome Kriegsmaschinen; diese Liste kann man beliebig verlängern. Doch, in welchen Bereichen
ist ein Einsatz von KI-Anwendungen sinnvoll? Was sind deren Stärken und Schwächen? Kann ein Computer tatsächlich
einen Arzt oder Anwalt ersetzen? Wo liegt die Grenze zwischen Realität und Science-Fiction? (wegen der Covid-19-Pandemie abgesagt)
Mittw., 22.04.2020, 19:30-21:00 Uhr
Vortragender: B. Ege
Kursort: VHS Wiener Urania, 1010 Wien
Kurs-Nr.: 10452049
WORKSHOP 2019
SEMANTISCHE DATENINTELLIGENZ IM EINSATZ
Semantic Events
B. Ege, Juni 20, 2019
Workshop zum Buchprojekt „Semantische Datenintelligenz im Einsatz“
Juni 3-5, 2019, Springer Schlössl, Wien, Österreich
Der Workshop zu unserem Buchprojekt hat vom 03. bis 05. Juni 2019 im Seminarhotel Springer Schlössl in Wien stattgefunden.
Am Workshop haben sowohl die Mitautoren und die Herausgeber als auch mit Herrn Martin Börger ein Vertreter des Springer-Verlags
teilgenommen, wodurch offene Fragen inhaltlicher sowie redaktioneller Natur geklärt werden konnten.
In Bezug auf den Inhalt wurden im Workshop die Kernaussagen der Beiträge diskutiert und damit für das Buch ein konsistenter Rahmen
abgesteckt. Darüber hinaus fand ein reger und für alle Beteiligten anregender Austausch zum aktuellen Wissensstand in den Bereichen
„Semantische Technologien/Semantic Web“ und „Künstliche Intelligenz“ statt.
Durch die Präsentation der geplanten Beiträge und deren Kernaussagen wurden für die Autoren die Zusammenhänge der Beiträge sichtbar,
was den Bezug der Beiträge aufeinander ermöglicht. Dies wird durch die geplanten „Peer-to-Peer“-Reviews verstärkt.
Auch wurde ein genauer Zeitplan bis zur Manuskriptabgabe erstellt. Nach Absprache mit den Autoren und dem Springer-Verlag
während des Workshops hat unser Buch auch einen neuen Titel bekommen. nämlich Semantische Datenintelligenz im Einsatz.
Ein Untertitel zum Buch ist auch nicht mehr vorgesehen. Die Sprache des Buchs ist Deutsch. Das Buch kommt voraussichtlich
Oktober 2021 in den Markt (Springer-Verlag).
KÜNSTLICHE INTELLIGENZ
- Vortragsreihe an der VHS Landstraße in Wien
Semantic Events
B. Ege, Dezember 30, 2018
Künstliche Intelligenz
Der Begriff Künstliche Intelligenz (KI) ist heutzutage in aller Munde. Doch, was genau steckt hinter diesem Begriff?
Wie wird KI unser Leben verändern? Werden Menschen am Ende dieses Prozesses durch Maschinen ersetzt? Wer haftet,
wenn eine Maschine Fehler macht? Wie funktionieren digitale Währungen? Müssen wir in Zukunft nur mehr mit digitalen Währungen zahlen?
Können wir am Apparat bald nicht mehr unterscheiden, wer mit uns spricht: Ein Mensch oder doch eine Maschine?
Welche Herausforderungen stehen uns dabei überhaupt bevor? Im Rahmen dieser Vortragsreihe sollen all diese Fragen aufgeklärt werden.
Die Vorträge finden an vier verschiedenen Terminen von März bis Juni an der VHS Landstraße in Wien statt.
Gestern/Heute/Morgen
Durch Künstliche Intelligenz steht die Menschheit vor einem sehr wichtigen Wendepunkt. Das ist jedoch das Ergebnis eines langen
und schwierigen Prozesses. Wie hat alles angefangen und sich im Laufe der Jahrzehnte weiterentwickelt?
Wer waren die ersten KI-Pioniere? Was versteht man unter Turing-Test? Was steckt hinter KI-Technologien?
Wie entsteht dieser "künstliche Gedanke"? Wird sich die ganze Erde bald in eine digitale Matrix umwandeln?
Und vor allem; was erwartet uns morgen?
Die., 19.03.2019, 18:00-19:30 Uhr
Vortragender: B. Ege
Kursort: VHS Landstraße, 1030 Wien
Weiterlesen...
Künstliche Intelligenz im Alltag
IBM Watson, Autonomes Fahren, Pilotenlose Flugzeuge, Humanoide Roboter, Kryptowährung, Chatbots,
Drohnen und ähnliche autonome Kriegsmaschinen; diese Liste kann man beliebig verlängern.
Doch, in welchen Bereichen ist ein Einsatz von KI-Anwendungen sinnvoll? Was sind deren Stärken und Schwächen?
Kann ein Computer tatsächlich einen Arzt oder Anwalt ersetzen? Wo liegt die Grenze zwischen Realität und Science-Fiction?
Die., 09.04.2019, 18:00-19:30 Uhr
Kursort: VHS Landstraße, 1030 Wien
Vortragender: B. Ege
Kryptowährungen
In der breiten Bevölkerung herrscht immer noch Unklarheit darüber, was man unter Kryptowährungen genau versteht.
Die weltweit bekannteste digitale Währung ist Bitcoin. Doch trotz seinem genialen Konzept wirft Bitcoin
und alle anderen ähnlichen digitalen Währungen viele Fragen auf. Für manche sind die digitalen Währungen ein Wirtschaftswunder,
für viele jedoch hochspekulativ und mit ungewisser Zukunft. Warum konnten sie sich gegen konventionelle Währungen bisher nicht durchsetzen?
Was erwartet die Welt, wenn sie am Ende doch erfolgreich werden?
Die., 07.05.2019, 18:00-19:30 Uhr
Kursort: VHS Landstraße, 1030 Wien
Vortragender: B. Ege
Ethische und philosophische Aspekte
Künstliche Intelligenz hält bereits in nahezu allen Lebensbereichen Einzug. Doch wie so oft steckt der Teufel im Detail.
Entstehen durch KI-bedingte Automation tatsächlich mehr Jobs als vernichtet werden? Droht die Menschheit in Zukunft massenhafte
Arbeitslosigkeit? Darf Technik die Menschen ersetzen anstatt sie zu unterstützen? Wer haftet, wenn ein autonomes Auto einen Unfall
verursacht? Darf eine unbemannte Maschine auf Menschen schießen? Welche ethischen Regeln müssen dabei beachtet werden?
Die., 11.06.2019, 18:00-19:30 Uhr
Kursort: VHS Landstraße, 1030 Wien
Vortragender: B. Ege
Buchprojekt
SEMANTISCHE DATENINTELLIGENZ IM EINSATZ
Semantic News
B. Ege, Juli 7, 2018 / Juni 15, 2019
Verlag: Springer Vieweg
Herausgeber: Adrian Paschke, Börteçin Ege
Erscheinung: Voraussichtlich im September 2021
Der sog. „KI-Winter“ ist nach langen Jahren endlich vorbei. Auch das Jahr 2017 stand wieder ganz im Zeichen der kognitiven Systeme.
Während die Begriffe „Künstliche Intelligenz“ (KI) und „Machine Learning“ / „Deep Learning“ heutzutage fast jeder kennt,
sind die Begriffe „Semantic Web“ und „semantische Systeme“ der Öffentlichkeit weithin unbekannt, obwohl auch diese Begriffe wichtige
und zukunftsrelevante Projekte im Kontext „Künstliche Intelligenz“ bezeichnen. Wir sind mittlerweile an einem Punkt angelangt,
an dem „semantische Systeme“ als effiziente wissensbasierte Systeme immer wichtiger werden und ihr Potential erkennen lassen,
so dass das „Semantic Web“ und die semantischen Technologien definitiv zu der kommenden Generation der KI gehören und diese mitbestimmen
werden.
Wie bereits das Buch Corporate Semantic Web – Wie semantische Anwendungen in Unternehmen Nutzen stiften (Ege et.al., Springer-Verlag, 2015)
erfolgreich dargestellt hat, gibt es ein sehr großes Interesse an semantischen Technologien und deren Anwendungen.
Bereits heute reichen diese Anwendungen semantischer Systeme von der semantischen Suche, über Knowledge Graphs und Chatbots
bis zu Sprachanwendungen in der Medizin und auch bis in die Telekommunikation, die Verwaltung und die Robotik hinein.
Die jüngsten Entwicklungen zeigen dabei folgenden Trend: Neben den klassischen Semantic Web Anwendungen, z.B. in Web-basierten
Wissensgraphen und bei der semantischen Suche, beginnen semantische Systeme in den industriellen Anwendungen neuer Generation,
in Industrie 4.0 und Arbeit 4.0, Fuß zu fassen, so dass gesagt werden kann, dass semantische Systeme spätestens mit der Einführung
der Industrie 4.0 allgegenwärtig sein werden. Dies ist schon deshalb unumgänglich, weil ohne semantische Technologien die Interoperabilität
unter Maschinen und insbesondere Roboter für eine intelligente Produktion und Zusammenarbeit nicht umsetzbar ist.
Semantische Technologien und deren Bausteine werden auch bei der Entwicklung von autonomen und selbstlernbaren Systemen eine Schlüsselrolle
spielen. Unsere heutige Vorstellung von der Künstlichen Intelligenz beruht auf Algorithmen, deren Arbeitsweise nicht transparent ist.
Das bedeutet, dass die erzielten Ergebnisse oft nicht nachvollziehbar, wenn auch richtig sind. Intelligente Systeme müssen jedoch in Zukunft
in der Lage sein, nicht nur zu sagen, welche Lösung sie vorschlagen, sondern auch wie dazu gekommen sind (tell me why).
Solche Systeme sind jedoch in absehbarer Zeit nur mit wissensbasierten Systemen auf der Grundlage von semantischen Technologien erreichbar.
Unser neues Buch soll wiederum mit zahlreichen Anwendungsbeispielen aus der Industrie die sinnvolle Kombinationen von wissensbasierten bzw.
semantischen Technologien mit den rein datenbasierten Verfahren zeigen und den Leser über diese illustrierenden Beispielen mit dem semantischen
Ansatz vertraut machen. Zu unserem Buchprojekt tragen bereits zahlreiche renommierte Instituten aus Universitäten in Deutschland sowie
hochspezialisierte Unternehmen und Global Player aus der Schweiz, Österreich und Deutschland bei.
Interview
A Conversation on AI and Data Science:
Semantics to Machine Learning
B. Ege, Januar 22, 2018
An Interview with Dr. Riza Berkan and Dr. Mehmet Süzen
BE: Dear Riza, Dear Mehmet you have been involved for a long time also with machine learning, neural networks and AI.
Riza, you are also an expert on Semantic Web and semantic technologies. What do you think today about semantic technologies
and other emerging technologies like machine learning?
RB: We are still at infancy in many fronts scientifically speaking. Creating cognitive and sentient computers is a very challenging
problem suffering from vast unknowns in biological intelligence. It also suffers from the lack of defining the problem properly like,
what is intelligence, awareness, or learning? When the words we use to define scientific problems are vague, it becomes a nightmare
to work on them. Today, there is so much interest in these disciplines, which is a good thing, yet with the increased participation
there is a chaos of terminology. In addition, large tech companies have started to exaggerate these technologies for their own agenda,
sometimes creating hype around particular methods that suit them better. In conclusion, the state of AI technologies today (all included)
is not farther than the 2nd mile in a 1,000 mile journey. Assuming that we are in the 3rd mile would be a gross optimism.
MS: We have seen an emergence of a new field, so called data science last years, which covers machine learning and semantic products.
Originating from Industry 4.0 initiative by the German government. Technologies and products heavily based on machine learning are used daily
by billions of people around the world. The impact is high. But such an incremental success was possible because of simultaneous progress
in scalable computing, mass collection of data and interest from industrial investment. The core data science techniques have been actually
existed many decades, such as parallel processing, neural networks and statistical learning.
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.
Read more...
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 neural network, 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 (XAI) 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 neural network
application. You can apply a neural network 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!
ABOUT
Dr. Riza Berkan is founder and president of exClone Inc. He is a nuclear scientist with a specialization in semantics,
fuzzy logic and artificial intelligence (AI). He is the author of the book Fuzzy Systems Designs Principles published by IEEE
and over 100 scientific articles on semantics, neural networks, fuzzy logic and AI. Dr. Berkan is also an expert
on semantic search technologies. Before he started exClone Inc. in 2014 he founded hakia Inc., which was an Internet
semantic search engine (2004-2011).
Dr. Mehmet Süzen, originally from the island of Cyprus, completed his doctoral work at the Frankfurt Institute for Advanced Studies (FIAS)
specializing in fundamentals of statistical physics. He worked at the Institute for Photonic Sciences (ICFO) in Barcelona as a postdoctoral
scientist employing modern sparse signal recovery techniques i.e. compressed sensing to optics. He has been working in various academic
institutions and industries in Europe since then as a data scientist and he is active in machine learning research.
Interview
Anmerkungen zur jetzigen und künftigen Rolle von Semantik
B. Ege, Juli 27, 2017
Ein Interview mit Prof. Dr. Ulrich Schade
BE: Sehr geehrter Herr Prof. Schade. Sie sind Mathematiker und Linguist. Sie beschäftigen sich intensiv auch mit semantischen Technologien.
Sehen Sie die Zukunft in den semantischen Technologien, wenn es darum geht, nicht nur für Menschen, sondern auch für Maschinen ein
verständliches und sicheres Web, also das „Semantic Web“, aufzubauen?
US: Sehr geehrter Herr Ege, semantische Technologien können dazu beitragen, dass das Web leistungsfähiger wird. Damit meine ich,
dass für uns Menschen der Umgang mit dem Web einfacher wird und wir schneller gewünschte Ergebnisse erzielen können, also etwa bei einer
Suche die Antwort erhalten, die wir benötigen. Das ist zunächst einmal unabhängig von „Verstehen“ und von Sicherheit.
BE: Sie glauben also nicht, dass die Maschinen uns irgendwann tadellos verstehen werden? Ich meine einen Supercomputer wie der HAL 9000
im Stanley Kubricks legendären Film 2001: A Space Odyssey.
Weiterlesen...
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).
Marktstudie:
Welche Standards und Tools werden in Unternehmen eingesetzt?
Book Chapters
B. Ege, Februar 21, 2016
Auszug aus dem Buch Corporate Semantic Web*
Im Fokus dieses Beitrags Marktstudie: Welche Standards und Tools werden in Unternehmen eingesetzt? (B. Ege) stehen Semantic Web Projekte,
die für den Einsatz in verschiedenen Bereichen entwickelt wurden. Der Beitrag wurde im Buch Corporate Semantic Web (Hrsg. B. Ege et al.,
Springer-Verlag, 2015) veröffentlicht. Die meisten der im Beitrag dargestellen Semantic Web Projekte sind bereits in der Produktion,
d.h. reale Anwendungen mit echten Nutzern. Auf die Kundenanforderungen für jedes Projekt folgen dann auch die dazugehörigen technischen
Lösungen bzw. die Architektur der Anwendungen und anschließend die bisherigen Erfahrungswerte der Firmen im Umgang mit verwendeten
Semantic Web Standards und Tools. Gegen Ende des Beitrags erwartet den Leser die Ergebnisse einer Umfrage mit weiteren Tipps und Hinweisen,
dann ein Ausblick und zum Schluss eine Liste von aktuellen Semantic Web Standards und Tools. Die Darstellung von insgesamt vier Semantic Web
Projekten und die Ergebnisse einer Umfrage im Rahmen dieses Beitrags geben einen kleinen Einblick in die Welt der Hersteller von
Semantic Web-Anwendungen. Die einzelne Beschreibungen der Kundenanforderungen in Projekten, die dazugehörigen technischen Umsetzungen
wie die entwickelten Architekturen, verwendete Standards, und Tools, sowie konkrete Umsetzungshinweise erweitern den Horizont der Leser
zusätzlich.
Einige Ergebnisse der Marktstudie
- SKOS ist meistens die erste Wahl bei der Erstellung von Thesauri.
- Semantic Web Anwendungen beginnen, in der Industrie in verschiedenen Bereichen Fuß zu fassen.
- W3C Standards genießen sowohl bei den Software-Herstellern als auch bei Kunden eine hohe Akzeptanz.
- Hybride Semantic Web-Anwendungen sind die de facto Standard-Lösungen, da ein sehr großer Anteil der Daten immer noch in relationalen Datenbanken gespeichert ist.
- Die Bedeutung von semantischen Technologien werden in Zukunft sowohl im Bereich Big Data als auch in der Industrie 4.0 zunehmen, da sie die Integration und somit die Interoperabilität vereinfacht.
*Corporate Semantic Web - Wie semantische Anwendungen in Unternehmen Nutzen stiften, Hrsg. B. Ege et al.,
Kapitel 3: Marktstudie: Welche Standards und Tools werden in Unternehmen eingesetzt? (B.Ege), Springer-Verlag, erschienen im Juni 2015.
Buchvorstellung - Corporate Semantic Web
Semantic Events
B. Ege, Februar 21, 2016
Freie Universität Berlin, Computer Science Department
Corporate Semantic Web Group
Königin-Luise-Str. 24/26, 14195 Berlin
30. März 2016, 18:15 Uhr
Was bedeutet das Corporate Semantic Web? Was bedeutet eine semantische Anwendung? Wie und womit wird es erstellt?
Welche Standards und Tools werden eingesetzt? Und vor allem: Warum gibt es eigentlich kaum Literatur zu Corporate Semantic Web Anwendungen?
Semantic Web ist keine Zukunftsmusik mehr, und dass es bereits solche Anwendungen gibt, wissen wir aus eigener Projekterfahrung.
Zum einen gibt es bereits zahlreiche solcher Anwendungen; zum anderen suchen viele nach Hinweisen, Tipps und Tricks zur Entwicklung derselben.
Aber trotz der hohen Aufmerksamkeit für Themen rund um das 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. So war die Idee zum Buch Corporate Semantic Web geboren. Mit unserem Buch möchten wir den Blick weiten
und auch semantische Anwendungen einbeziehen, die in Organisationen aller Art eingesetzt werden. Es geht also um reale Anwendungen
für relevante Anwendungsfälle mit echten Anwendern. Vorgestellt werden Anwendungen aus verschiedenen Branchen wie Telekommunikation,
Logistik, Energie, Medizin, Verlagswesen sowie eine Marktstudie. Die Teilnehmer erhalten somit einen umfassenden Überblick über die
Einsatzbereiche des Semantic Web sowie konkrete Umsetzungshinweise für eigene Vorhaben.
Im Rahmen des Meetups stellt Börteçin Ege sein Buchprojekt vor.
CORPORATE SEMANTIC WEB
Semantic Bücher
B. Ege, Juli 7, 2015
Herausgeber: B. Ege et al.
Umfang: 403 Seiten
Verlag: Springer Vieweg
Erscheinungstermin (Hardcover/eBook): Juni 2015
„Warum gibt es eigentlich kaum Literatur zu semantischen Anwendungen, die in Unternehmen Nutzen stiften?“ Dass es bereits solche
Anwendungen gibt, wissen wir aus eigener Projekterfahrung. Aber gerne hätten wir unsere Erfahrungen mit anderen ausgetauscht,
die auch bereits erfolgreich semantische Anwendungen für und mit Unternehmen und deren Mitarbeitern und Kunden entwickelt haben.
Als Moderatoren der XING-Arbeitsgruppen „Semantic Web“ (3500 Mitglieder) und „Ontologien in den Informationswissenschaften“
(1250 Mitglieder) streckten wir unsere Fühler aus: Das Feedback war enorm. Zum einen gibt es bereits zahlreiche solcher Anwendungen;
zum anderen suchen viele nach Hinweisen, Tipps und Tricks zur Entwicklung derselben. Aber trotz der hohen Aufmerksamkeit für Themen
rund um das 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.
So war die Idee zu unserem Buch „Corporate Semantic Web – Wie semantische Anwendungen in Unternehmen Nutzen stiften“ geboren.
Corporate Semantic Web – im engeren Sinne bedeutet dies Semantic Web Anwendungen, welche innerhalb eines Unternehmens verwendet werden.
Mit unserem Buch möchten wir den Blick weiten und auch semantische Anwendungen einbeziehen, die in Organisationen aller Art – kommerziell
und nicht kommerziell – eingesetzt werden, nicht nur von Mitarbeitern, sondern auch von Kunden oder Partnern. Es geht also um reale
Anwendungen für relevante Anwendungsfälle mit echten Anwendern. Die Autoren, namhafte Experten aus Industrie und Wissenschaft,
berichten über ihre Erfahrungen bei der Entwicklung solcher Anwendungen. Sie gehen auf Software-Architektur, Methodik, Linked Open Data Sets,
Lizenzfragen und Technologieauswahl ein und präsentieren auch eine Marktstudie. Vorgestellt werden Anwendungen für die Branchen
Telekommunikation, Logistik, verarbeitende Industrie, Energie, Medizin, Tourismus, Bibliotheks- und Verlagswesen sowie Kultur.
Der Leser erhält so einen umfassenden Überblick über die Einsatzbereiche des Semantic Web sowie konkrete Umsetzungshinweise für eigene Vorhaben.
Battle Management Language (BML)
Semantic News
U. Schade und B. Ege, Juni 20, 2015
Führung von heterogenen Mehrrobotersystemen mittels Battle Management Language (BML)
 |
| Foto: Fraunhofer FKIE |
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.
Die derzeit wichtigste Anwendung der BML ist die Befehligung von simulierten Einheiten und unbemannten Systemen aus einem
Command & Control System (C2-System) heraus. Dadurch lassen sich Simulationssysteme etwa in der Ausbildung von Offizieren nutzen,
wobei die auszubildenden Offiziere ihre (simulierten) Truppen über ihr C2-System führen, ganz so wie sie auch reale Einheiten führen.
Ein weitere Anwendung stellt die Befehligung von Mehrrobotersystemen mittels BML dar. Aus BML kann auch eine zivile Variante entwickelt
werden, die sich für die Kommunikation in Einsätzen der zivilen Sicherheit eignet, um die Interoperabilität zwischen den beteiligten
Organisationen (Polizei, Feuerwehr, THW, Militär, weitere NGOs) zu erhöhen und die Einbindung von den unterschiedlichen
Führungs- und Logistiksystemen dieser Organisationen zu optimieren. Auf der Homepage von Fraunhofer FKIE können Sie über BML mehr erfahren und sich auch ein Video anschauen, wie BML-Befehle von Robotern
umgesetzt werden. Das Video wurde 2013 auf dem Gelände der Bundeswehr in Hammelburg gedreht. Es zeigt, wie mit der Hilfe einer
GUI Befehle in BML eingegeben werden können und wie diese von einem Team Unbemannter Systeme umgesetzt werden.
WORKSHOP 2015
CORPORATE SEMANTIC WEB
Semantic Events
B. Ege, Februar 02, 2015
Nachfolge-Workshop zum Buchprojekt „Corporate Semantic Web“
Juni 15-17, 2015, Schloss Dagstuhl (Leibniz-Zentrum für Informatik), Wadern, Saarland, Deutschland
 |
| Foto: Schloss Dagstuhl - Leibniz-Zentrum für Informatik |
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.
Dabei wird für vielfältige Themenstellungen Raum sein, z.B.:
- Wie können Projekte zur Entwicklung semantischer Anwendungen akquiriert und durchgeführt werden?
- Welche Technologien haben sich in der Praxis bewährt, welche nicht?
- Welche methodischen und rechtlichen Fragen sind relevant?
- Wie vermarkten wir unsere Lösungen und Anwendungen erfolgreich?
- Wie zeigen und sichern wir die Qualität unserer Lösungen und Anwendungen?
Die offizielle Dagstuhl-Webseite zum Workshop (2015)
Industrie 4.0
Semantic News
B. Ege, Juni 29, 2014
Die 4. industrielle Revolution steht bevor
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.
Das 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
WORKSHOP 2014
CORPORATE SEMANTIC WEB
Semantic Events
B. Ege, Februar 07, 2014
Workshop zum Buchprojekt „Corporate Semantic Web“
Juni 25-27, 2014, Schloss Dagstuhl (Leibniz-Zentrum für Informatik), Wadern, Saarland, Deutschland
 |
| Foto: Schloss Dagstuhl - Leibniz-Zentrum für Informatik |
"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.
Weitere Themen zum Workshop
- Redaktionelle Fragen
- Erstellung eines Zeitplans
- Planung der Reihenfolge und Zuordnung der Beiträge
- Feststellung der Abhängigkeiten unter den Beiträgen
- Wer hat was zu tun?
- Wie geht's weiter?
Die offizielle Dagstuhl-Webseite zum Workshop (2014)
