185 Matching Annotations
  1. Mar 2022
  2. Feb 2022
    1. Darauf aufbauend haben wir eine Komponente entwickelt, die basierend auf Gemeinsamkeiten zwischen Projekten (hinsichtlich Personen, Themen und beteiligten Einheiten) Projektleitern wie auch R&D-Managern mögliche Kollaborationen vorschlägt. Erweitert um eine Feedbackfunktion zu den Vorschlägen wird der Projektgraph in Zukunft kontinuierlich lernen, wo sinnvollerweise Kollaborationen initiiert werden sollen.

      Komponente: Feedbackfunktion Projektgraph wird kontinuierlich lernen. wo sinnvollere Kollaborationen initiiert werden sollen

    2. Die entwickelte Plattform gibt Projektleitern und R&D-Verantwortlichen die Möglichkeit, den Projektbestand flexibel anhand beliebiger Kriterien zu durchsuchen.

      Benutzer: Projektleiter und R&D-Verantwortliche

    3. In vielen Anwendungen ist es allerdings notwendig, Daten nicht nur in hoher Qualität und semantisch angereichert zur Verfügung zu stellen, sondern neues Wissen aus vorhandenen Informationen zu generieren. Hierfür nutzen wir Machine Learning.

      Kombination mit ML-Anästze zur Generierung von neuem Wissen

    1. Einsatz hochskalierbarer Graphen-Datenbank-Technologien, die durch die Integration von semantischen Middleware-Komponenten, Visualisierungswerkzeugen und Editoren auch von Nicht-Technikern und Fachexperten bedient werden können,

      Trend

    1. Nach der oben zitierten Definition eines Knowledge Graphen definiert er mögliche Klas-sen und Beziehungen von Entitäten der betrachteten Wissensdomänen in einem Schema

      KG definiert Klassen und Beziehungen von Entitäten der betrachteten Wissensdomänen in einem Schema.

    1. Integration von Personen, Anwendungen und Daten
      1. Das Erkennen von Zusammenhängen in den oftmals verteilten Daten- bankanwendungen kann dabei helfen, sowohl die unternehmensweiten Anwendungen wie auch die Daten zu integrieren. Das automatische Verlinken bzw. das Überprüfen des Verlinkungspotentials zwischen ver- schiedenen Datensätzen mit ähnlichen semantischen Konzepten erleich- tert die Pflege der Inhalte und führt zu einem konsistenten Datenbe- stand.
      2. Die Wissensvernetzung zum Zwecke des intensiven Informations- und Erfahrungsaustausch der Mitarbeiter untereinander kann ein erhöhtes<br /> Innovationspotential bedeuten und die Parallelarbeit reduzieren.
      3. Das Aufbauen einer integrierten Terminologie fördert das gegenseitige Verständnis zwischen einzelnen Unternehmensbereichen, die im Unter- nehmen unterschiedliche Funktionen besitzen, jedoch auf den gegen- seitigen Informationsaustausch angewiesen sind
    2. Verbesserte Suche und Navigation
      1. Die kontextspezifische Suche bezieht das Wissen um die verwendeten Konzepte mit ein bei der Auswertung der Quellen. Die semantischen Technologien differenzieren bei der Suche den Gültigkeitsraum eines Konzeptes und schränken somit den Suchraum ein, was zu einer quali- tativen Verbesserung der Ergebnismengen führt.
      2. Visualisierte Wissenslandkarten (Concept Maps) schaffen Übersichtlich- keit über die Unternehmensstrukturen und vorhandene Wissensträger
    3. Generell werden semantische Technologien zur Informationsqualifizierung (z.B. der inhaltlichen Erschließung von Texten) und zur intelligenten Informationsver-arbeitung (z.B. dem automatischen Schließen) genutzt

      Nutzung von semantischen Technologien:

      Infomationsqualifizierung: Inhaltliches Erschließen von Texten Intelligente Informationsverarbeitung: Automatisches Schließen

    1. Einzelne Kompetenzen eines Mitarbeitenden können z. B. auf bestimmte Dokumente oder Projektberichte verweisen. Es können dadurch netzwerkartige Zusammenhänge zwischen unterschiedlichen Quellen und Objekten abgebildet werden.

      Potential eines semantisches Netzes im TM

    1. Anders als bei klassischen Datenbankansätzen lässt sich damit implizit vorhandenes Wissen ableiten und indirekte Zusammenhänge können hergestellt werden. Die Skillbeschreibungen werden präziser wodurch die einzelnen Profile der Freelancern besser miteinander verglichen werden können, um rasch und treffsicher den geeignetsten Freelancer zu identifizieren.

      Potentiale vom intelligenten Mapping-Ansatz

    Tags

    Annotators

    1. Fast allen Wissensrepräsentationen liegt eine Ontologie der zu repräsentieren-den Gegebenheiten (Entitäten) zugrunde.•Eine Klassifizierung der Begriffe nach epistemischen Gesichtspunkten, diebis zu einem gewissen Grad auch eine Einteilung der realen Welt nachontologischen Gesichtspunkten widerspiegelt, nennt man eine begrifflicheOntologie. Die durch die Ontologie vorgegebenen Begriffsklassen heißenSorten (s. Abschn. 15.2.1 und Abschn. 17.1, dort insbesondere Abb. 17.1).Diese Sorten spielen eine wichtige Rolle beim Aufbau des formalen Appa-rates der Bedeutungsrepräsentation, da sie eine unabdingbare Voraussetzungfür die Festlegung der Definitions- bzw. Wertebereiche der Funktionen undRelationen sind (Spezifikation der Signaturen). Es ist eben ein wesentliches

      Ontologie als Basistechnologie

    1. Dies ist schon deshalb unumgänglich, weil ohne semantische Technologien die Interoperabilität unter Maschinen und insbesondere Robotern für eine intelligente Pro-duktion 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 Vor-stellung von der künstlichen Intelligenz beruht auf Algorithmen, deren Arbeitsweise nicht transparent ist. Das bedeutet, dass die erzielten Ergebnisse oft nicht nachvollziehbar, wenn
    2. „Ein Wissensartefakt (knowledge artifact) ist alles, was es ermöglicht, Wissen unab-hängig vom Inhaber zu kommunizieren (z. B. Dokumente, Datenbanken, E-Mails, Work-flows). Wissensartefakte können entweder strukturierter, halbstrukturierter oder unstruk-turierter Natur sein. In ‚Wissensmanagement-Systemen‘ wird eine Ontologie verwendet, um implizites Wissen über die Wissensarbeiter zu erfassen und es mit Wissensartefakten für Klassifizierungs-, Such- und Browsing-Zwecke zu verbinden“

      Was ist ein Wissensartefakt?

    3. Das kuratierte KI-Wissen unterstützt effiziente Nutzung von Wissensarte-fakten und trägt damit maßgeblich zu einer Steigerung der funktionalen Güte, Dateneffi-zienz, Plausibilisierung und Absicherung von KI-gestützten Funktionen in betrieblichen Informationssystemen und Geschäftsprozessen bei

      CSI-Wissen = kuratiertes KI-Wissen für eine effiziente Nutzung von Wissensartefakte.

    4. Typische Anwendungsbereiche für EI sind unternehmensunterstützende Funktio-nen, wie z. B. das Supply- Chain- Management, Marktforschung, Partner, Kunden bzw. Investor Relation Management, Wettbewerberbeobachtung, Einkauf und Technologie-scouting

      BI-Anwendungsbereiche

    5. Knowledge Graph Check & UpdateMithilfe der Neo4J-Graphdatenbanktechnologie werden für die Anwendungen Wis-sensgraphen aufgebaut und ständig um neue Relationen und Eigenschaften der beob-achteten Firmen ergänzt. Die Wissensgraphen dienen nicht nur der Visualisierung der Ergebnisse, sie werden auch zum Entity Linking und zur Erkennung von bereits be-kannter Information verwendet

      Neo4J-Graphdatenbanktechnologie werden für die Anwendungen Wissensgraphen aufgebaut und ständig um neue Relationen und Eigenschaften der beobachteten Firmen ergänzt.

      Die Wissensgraphen dienen nicht nur der Visualisierung der Ergebnisse, sie werden auch zum Entity Linking und zur Erkennung von bereits bekannter Information verwendet.

    6. Der im Projekt „Smart Data Web“ erstellte öffentliche Teil des Wissensgraphen wurde zudem zum Aufbau eines Siemens-internen Corporate Knowledge Graphen genutzt. Dazu wurden relevante Teilmengen des öffentlichen Wissensgraphen extrahiert und in das ge-schützte Siemens- Netzwerk transferiert. Die internen Datenbanken von Siemens wurden nach RDF konvertiert und zusammen mit dem SDW KG in eine geschützte Datenbank geladen. Weiterhin wurden vom Anwendungsfall getriebene Abfragen erstellt, welche in-terne und offene Daten kombinieren. Der Corporate Knowledge Graph (CKG) ermöglicht eine einheitliche, konsistente und elegante Verknüpfung interner und externer Informatio-nen, ganz im Sinne einer „Enterprise-Intelligence“-Lösung. Über den CKG können Infor-mationen, im konkreten Fall zu Zulieferern, aggregiert und konsolidiert abgerufen und für die Einkaufsabteilungen von Siemens dargestellt werden. Dabei werden interne Kennzah-len, z. B. zum Projektvolumen und zu Bewertungen einzelner Lieferanten, mit aktuellen, automatisch gesammelten, firmen-, produkt- und standortbezogenen Ereignissen aus Nachrichten und anderen Textdatenquellen verknüpft, sodass die Anwender eine Gesamt-sicht auf entscheidungsrelevantes Wissen erhalten

      Projekt „Smart Data Web“ Corporate Knowledge Graph (CKG) - ermöglicht eine einheitliche, konsistente und elegante Verknüpfung interner und externer Informationen, ganz im Sinne einer „Enterprise-Intelligence“-Lösung

      Semantische Verknüpfung/Ontologie:

      Dabei werden interne Kennzah- len, z. B. zum Projektvolumen und zu Bewertungen einzelner Lieferanten, mit aktuellen, automatisch gesammelten, firmen-, produkt- und standortbezogenen Ereignissen aus<br /> Nachrichten und anderen Textdatenquellen verknüpft

      Potential: eine Gesamt- sicht auf entscheidungsrelevantes Wissen erhalten.

    1. Ergänzt werden die HCM-Suiten dabei, trotz umfang­rei­cher Aus­stat­tung, häufig durch Anwen­dungen und Apps von klei­neren Anbie­tern, die meist spe­zia­li­sierte Nischen abde­cken. Sie werden mittels Tech­no­lo­gien wie der "Inte­gra­tion Plat­form as a Service" (IPAAS) oder HRSM-Platt­form­funk­tionen ein­ge­bunden

      HCM-Suiten werden durch IPAAS pder HRSM-PLatfformfunktionen ergänzt.

    Tags

    Annotators

    1. Um dem entgegenzuwirken, werden im Forschungsbereich Corporate Semantic Web innovative Konzepte und Lösungen für die Gewinnung, Verwaltung und Nutzung von Wissen auf Basis von semantischen Technologien mit speziellem Fokus auf den Unternehmenskontext entwickelt.

      Forschungsbereich: Corporate Semantic Web Ziel: Innovative Konzepte und Lösung für die Gewinnung, Verwaltung und Nutzung von Wissen auf Basis von semantischen Technologien im Unternehmenskontext

    2. Eine semantische Repräsentation von Informationen ist für Unternehmen von Vorteil, da sich diese unter anderem mit anderen externen, semantischen Informationsquellen einfacher integrieren und in Anfragen kombinieren lassen. Somit wird das Ableiten von implizitem Wissen aus Unternehmensdaten begünstigt

      Potential: Ableiten von impliziten Wissen

    1. he Insight Engine is now expanding its potentials into the CyberArcheological arena.

      IE entfaltet ihr Potential in der CyberArchäologie.

      Ein solches Projekt bietet einen multiperspektivischen Ansatz zur Wissensnavigation und der anschließenden Wissensproduktion.

    2. Seaman’s Insight Engine project enables searches across disciplines to bring textual and media materials into proximity via the linguistic analysis of meta-tags, stored and scraped texts.

      Insight Engine; Wissensartefakte werden durch eine anhand von Meta-Tags, gespeicherten und gescrapten Texten einer linguistischen Analyse unterzogen.

    3. By bringing these different kinds of functionalities together in a holistic system, the new technology might enable exploratory relational approaches to differing forms of contemporary and historical data

      IE als explorativer, relationaler Ansatz für unterschiedliche Formen von aktuellen und historischen Daten

    Tags

    Annotators

    1. Rechercheergebnisse, die als relevant eingestuft wurden, können in die Wissensbasiseingeordnet, zur Generierung von neuen Wissensartefakten z. B. in Form von Annota-tionen verwendet oder direkt genutzt werden.

      Generierung neuer Wissensartefakte = Form von Annotationen.

      Das heißt, Annotationen, die ich gerade anfertige, entsprechen Wissensartefakte.

    1. Insight engines are an evolution of search technologies that provide on-demand and proactiveknowledge discovery and exploration augmented by semantic and machine learning (ML)technologies.

      Definition als ein Typ einer Suchtechnologie Zweck: Wissensentdeckung und -exploration.

    1. Data-Lake-Management-Plattformen stellen Werkzeugen-Suiten dar, die auf der Basiseines Datenkatalogs weitere Funktionalitäten für das Datenmanagement im Data Lakeintegrieren. Typischerweise geht es um ergänzende Funktionalitäten für ETL, Self-Service-Data-Preparation und Datenföderation (engl. data federation), die eng mit dem Datenkatalogintegriert sind.

      Data-Lake-Management-Plattformen

    2. Ergebnis-Metadaten werden häufig in separatenAnalysewerkzeugen, z.B. Data-Mining-Werkzeugen oder Business-Intelligence-Werkzeugen,erzeugt und verwaltet.

      Ergebnis-Metadaten - Data-Mining-Werkzeugen oder Business-Intelligence-Werkzeugen

    3. Ergebnis-Metadaten stellen Metadaten zu erzeugten Analyseergebnissen, wie z.B.Kennzahlenberichte, Dashboards und Data-Mining-Modelle, dar. Es geht sowohl umAngaben zum Erstellungsprozess der Analyseergebnisse, z.B. verwendete Parameter-werte von Data-Mining-Algorithmen, als auch um Interpretationen der Analyseergeb-nisse, z.B. die Kennzeichnung bestimmter Knoten in einem Entscheidungsbaum

      Ergebnis-Metadaten

    4. Fachliche Metadaten beschreiben inhaltliche Bedeutungen und Zusammen-hänge der Daten. Dazu gehören beispielsweise Begriffsabgrenzungen, Kenn-zahlendefinitionen, organisatorische Verantwortlichkeiten und konzeptionelleDatenmodelle.

      Fachliche Metadaten

    5. Eine zentrale Komponente des Data Lake, die sich über sämtliche Schichten und Kompo-nenten erstreckt, ist das Metadatenmanagement. Das Ziel ist, ein ganzheitliches Metada-tenmanagement für den Data Lake zu realisieren, das sämtliche Kernanforderungen (sieheKapitel 3), sämtliche relevanten Arten von Metadaten (siehe Kapitel 4) über sämtlicheDatenhaltungssysteme des Data Lake mit geeigneten IT-Werkzeugen (siehe Kapitel 5)unterstützt

      Metadadatenmanagement-Ansatz

    6. Mit dem zunehmenden Einsatz von Data Lakes ergeben sich in der industriellen Praxiserweiterte Anforderungen, insbesondere hinsichtlich der Sicherstellung von Transparenz,Qualität und Compliance der Daten im Data Lake sowie der Unterstützung von Self-Service-Szenarien für Fachanwender. Diese Anforderungen machen Metadatenmanagement3imData Lake zum kritischen Erfolgsfaktor [QHV16, HGQ16]. Es soll damit verhindert werden,dass aus dem Data Lake ein Datensumpf (engl. data swamp) [HGQ16] entsteht, also eineDatenplattform mit nicht mehr sinnvoll nutzbaren Daten.

      Metadatenmanagement für Data Lakes

    1. Darüber hinaus ist ein wichtiger Trend Linked Data im Unternehmensumfeld zu etablieren, um eine neue Generation semantischer, vernetzter Daten-Anwendungen auf Basis des Linked Data Paradigmas zu entwickeln, zu etablieren und erfolgreich zu vermarkten. Im BMBF Wachstumskernprojekt „Linked Enterprise Data Services“ entsteht hierfür beispielsweise eine Technologieplattform, die es Unternehmen ermöglichen soll, neue Dienstleistungen im Web 3.0 zu etablieren.

      BMBF Wachstumskernprojekt „Linked Enterprise Data Services

    1. Semantik alswissenschaftliches Teilgebiet wird heute den Sprachwissenschaften zugeordnet. Sieuntersuchen die Bedeutung von Begriffen, also die Beziehung zwischen Objekten undihren sprachlichen Bezeichnungen oder Zeichen. Semantik spielt in diesem Sinne f ̈urden Wissensbegriff und die Wissensrepr ̈asentation eine wesentliche Rolle

      Semantik - Begriff und Zuordnung

    2. . Semantische Technologien bauen auf Wissensrepr ̈asentationssprachen mitformaler Semantik auf, werten diese aus und versetzen den Computer in die Lage,Schlussfolgerungen zu treffen oder Handlungen auszul ̈ose

      Baustein: Wissensrepräsentationssprachen

    Tags

    Annotators

    Tags

    Annotators

    1. Modern approaches to metadata, ontologies and semantics have revolutionized the design and implementation of Digital Libraries, data repositories and Information Retrieval Systems, while they have made possible the management, analysis and querying of big volumes of heterogeneous data, both structured (linked data) and unstructured (e.g. social data, open data, or social networking interactions). Despite the benefits of these technologies for end users, like improved interaction with information, or better search, interpretation and sharing of data; yet there are many metadata and semantic challenges that need to be overcome in order to improve the user experience. These challenges are multi-dimensional in nature and could span from system architecture and data modeling to user interface design and evaluation, including: the implementation of linked data models in Digital Libraries, the design and evaluation of information retrieval algorithms across heterogeneous collections of structured and unstructured data; the integration, mapping and interoperability of heterogeneous linked data models and ontologies; analysis of social data for the discovery of trends and future predictions; or social network analysis.

      Potentiale und Herausforderungen

    1. eehnologisehe Entwieklungen im Hardware- und Softwarebereieh haben Datenbankmanagementsysteme ermoglieht und priigen das Berufsbild des Datenbank›administrators. 2. Dureh die stiindige Weiterentwieklung der Datenbank›teehnologie erweitert sieh der Aufgabenbereieh der Datenbankadministration stetig aUf versehiedenen Ge›bieten wie der Parallelverarbeitung, der Replikation, der verteilten Systeme, des Datenobjektmanagements und des Qualitiitsmanagements. 3. Neue Aufgaben iindern das Berufsbild des Datenbank›administrators vom reinen teehnisehen Spezialisten hin zum Datenmanager. 4. Eine leistungsfiihige, professionelle und mit den not›wendigen Kompetenzen versehene Datenbankadmi›nistration siehert die Verfiigbarkeit und Integritiit der Unternehmensressouree "Daten" iiber lange Zeitriiume und ermoglieht aueh deren Migration auf neue Platt›formen. 5. Nur mit dem Einsatz von professionellen, leistungsfii›higen und integrierten Verwaltungs- und Administrati›ons-Werkzeugen kann eine qualitativ hohe und effl›ziente Dienstleistung Datenbankadministration reali›siert und gesiehert werden. 6. Der Aujbau einer leistungsfiihigen Datenbankadmi›nistration ist der erste Sehritt in Riehtung eines integ›rierten Datenmanagements.

      Kernaussagen zur Datenbankadministration

    2. Der hier verwendete Metadatenbegriff beschrankt sich somit nicht nur auf den Bereich des Datenmanagements, sondern um-fasst aile betrieblichen und technischen Fakten im Zusammen-hang mit dem Betrieb von Informationssystemen und den unter-stutzten Geschaftsprozessen.

      Metadatenbegriff

    1. Metadaten-Management

      In einer Studie von Capgemini, die im Zeitraum von September bis Oktober 2020 durchgeführt wurde, gaben rund 36 Prozent der Befragten der 87 IT-Verantwortlichen an, IT-Service für das Metadaten-Management zu nutzen. Der Großteil der Befragten (53,1 Prozent) nutzen IT-Service für DevOps inkl. DataOps, DevSecOps, BizDevOps etc.

      87 IT-Verantwortliche in Unternehmen*

      Hinweise und Anmerkungen * Laut Quelle: "Personen, die auf Geschäftsführungsebene beziehungsweise oberer Managementebene zu den strategischen IT-Aktivitäten ihres Unternehmens Auskunft geben konnten".e IT-Trends 2021, Seite 36

      Veröffentlichungsdatum Februar 2021

      Quelle Capgemini

      Erhebung durch Capgemini

      Veröffentlicht durch Capgemini

      Herkunftsverweis StudiRegion Österreich, Deutschland, Schweiz

      Erhebungszeitraum September bis Oktober 2020

      Anzahl der Befragten

    1. Rund 80 Prozent der im Jahr 2021 Befragten in Deutschland gaben an, Digitalisierung als wichtiges Thema zu betrachten. Jedoch sahen nur rund ein Fünftel der Befragten in der Digitalisierung einen Investitionsschwerpunkt.

      Digitalisierung wird von 80 Prozent der Befragten als das Schwerpunktthema für das Personalwesen im Handel im Jahr 2022 angesehen.

    2. Rund 80 Prozent der im Jahr 2021 Befragten in Deutschland gaben an, Digitalisierung als wichtiges Thema zu betrachten. Jedoch sahen nur rund ein Fünftel der Befragten in der Digitalisierung einen Investitionsschwerpunkt.

      50 Prozent der Befragten gaben an, dass der Einsatz einer HR-Software im Jahr 2022 von entscheidender Bedeutung für das Personalwesen im Handel sei.

    1. Verpassen Sie nicht die Revolution der Mobilkommunikation: Modell Y ist für Sie auch bald bei uns erhältlich. Registrieren Sie sich vorab uns sichern Sie sich einen Preisvorteil.Im Falle einer frühzeitigen Vertragsauösung behalten wir uns vor 50 % der vereinbarten monatlichen Fix Rate weiterzuverrechnen.Im Falle einer frühzeitigen Vertragsauösung behalten wir uns vor 50 % der vereinbarten monatlichen Fix Rate weiterzuverrechnen.Im Falle einer frühzeitigen Vertragsauösung behalten wir uns vor 50 % der vereinbarten monatlichen Fix Rate weiterzuverrechnen.Mit FastLane+ brauchen Sie keine Festnetztelefo-nie, um ins Internet einzusteigen. Das FastLane+ Modem verbindet sie direkt mit dem Internet. Mit FastLane+ brauchen Sie keine Festnetztelefo-nie, um ins Internet einzusteigen. Das FastLane+ Modem verbindet sie direkt mit dem Internet. Mit FastLane+ brauchen Sie keine Festnetztelefo-nie, um ins Internet einzusteigen. Das FastLane+ Modem verbindet sie direkt mit dem Internet. Im Falle einer frühzeitigen Vertragsauösung behalten wir uns vor 50 % der vereinbarten monatlichen Fix Rate weiterzuverrechnen. Verpassen Sie nicht die Revolution der Mobilkommunikation: Modell Y ist für Sie auch bald bei uns erhältlich. Registrieren Sie sich vorab uns sichern Sie sich einen Preisvorteil. Semantische Künstliche Intelligenz KI ist in Unternehmen angekommen MIT LINKED DATA UNTERNEHMENSZIELE ERREICHEN Hohe Datenqualität ist grundlegend für hochfunktionale intelligente Systeme. Unternehmen müssen die Arbeit mit Daten nicht nur im Rahmen eines Projektes ernstnehmen, sondern den Datenlebenszyklus als Teil der Datenmanagementstrategie betrachten. Das Verlinken von Daten ist dabei essenziell. STANDARDBASIERTE TECHNOLOGIEN UND MENSCHEN ZUSAMMENBRINGEN Die erfolgreiche Einführung von Künstlicher Intelligenz hängt von der Verfügbarkeit hoch spezialisierter Experten ab. Damit KI-Strategien nachhaltig sind, sollten auch Fachexperten im laufenden Betrieb mitwirken können. Maschinen müssen dahingehend trainiert werden, dass verfügbare Daten in einen organisatorischen und geschäftlichen Mehrwert gewandelt werden. Mit Semantischer Künstlicher Intelligenz werden Datenmodelle für eine breite Anwendungsgruppe transparent und verständlich. Wissensgraphen erhöhen die Datenqualität und bieten damit eine robuste Grundlage für die KI-Strategie und Umsetzung. Das Potential von Künstlicher Intelligenz ist in allen Fachbereichen und Industrien erkennbar. Die Arbeitswelt bendet sich nicht zuletzt durch den Einsatz von intelligenten Software-Lösungen im Umbruch. Automatisierung ist entlang der gesamten Wertschöpfungskette möglich. Doch diese Vielzahl an Möglichkeiten erfordert vom Management eine Priorisierung und einen exzellenten Umsetzungsplan über das ganze Unternehmen hinweg.

      Stand der Technik

    1. Das Corporate Semantic Web baut auf den existierenden Daten-, Informations- und Wis-senssystemen im Unternehmen auf [1–4]. Es unterstützt und erweitert diese, sowohl für die Erzeugung von relevanten Unternehmensinhalten (Semantic Content) und seman-tischen Wissensbasen (Semantic Knowledge), als auch für die Anwendungen und Ver-braucher (Semantic Applications) die diese Informationen und das semantische Wissen nutzen wollen. Dabei kann es sich sowohl um Mitarbeiter als auch automatisierte Dienste z. B. in Geschäftsprozessen handeln.

      Leitidee hinter Corporate Semantic Web

    1. Semantische Technologien, wie z. B. automatische Texterschließung, der Einsatz von semantischen Netzen, Ontologien oder Informations-extraktion mit Hilfe von Wrapper-Technologien,

      Vertreter von semantischen Technologien:

      1. Automatische Texterschließung
      2. Semantische Netze
      3. Ontologien
      4. Informationsextraktion mit Wrapper-Technologie
    2. Während das Semantic Web im Kern auf Standards zur Beschreibung von Prozessen, Dokumenten und Inhalten sowie entsprechenden Metadaten – vorwiegend vom W3C27 vorge-schlagen – aufsetzt, und damit einen Entwurf für das Internet der nächsten Generation darstellt, adressieren semantische Technologien Herausforde-rungen zur Bewältigung komplexer Arbeitsprozesse, Informationsmengen bzw. RetrievalProzessen und Vernetzungs- oder Integrationsaktivitäten, die nicht nur im Internet, sondern auch innerhalb von Organisationsgrenzen in Angriff genommen werden.

      Unterschied zwischen Semantic Web und semantische Technologien

    3. „Die zentrale Anforderung an die nächste Generation von Wissensmanagement-Systemen ist die Möglichkeit, Informationen geeignet zu kombinieren, um damit implizites Wissen ableiten und somit neues Wissen generieren zu können. Se-mantik kann diese Anforderungen erfüllen und bildet somit die Grundlage für eine neue Landschaft an Anwendungen, welche die Informationstechnologie in eine Wissenstechnologie transformiert.“

      Potentiale von semantisches Wissensmanagement

    1. Verantwortlich dafür sind unter anderem sprachliche Mehrdeutigkeiten auf unterschiedlichen semantischen Abstraktionsebenen. Ein Wort selbst kann unterschied-liche Bedeutungen besitzen (Homonymie), so bezeichnet das Wort “Golf“ sowohl eine Sportart, eine Automarke als auch einen Meeresarm.

      Mehrdeutigkeiten

    1. Sie stellen sich „Web 3.0“ als einen transparenteren, freiheitsliebenden Raum vor, in dem die Daten und die Sprache einer Person manipulationssicher und unauslöschlich sind und von Tausenden von Blockchain-Ledgern garantiert werden. Unterdessen sieht eine dritte Vision für Web 3.0 vor, dass digitale Informationen von unseren Smartphones und Laptops befreit und in die Umgebung um uns herum eingebettet werden. In diesem sogenannten „Spatial Web“ werden Virtual und Augmented Reality in unser tägliches Leben integriert.

      „Spatial Web“

    2. Innerhalb eines Jahres wurde ein neuer Begriff geprägt: Web 3.0, der die Entwicklung des Webs über die 1.0-Ära der HTML-Webseiten und den frühen E-Commerce hinaus in die grelle 2.0-Periode markiert, in der soziale Medien und „benutzergenerierte Inhalte“ geboren wurden. .

      Web 3.0

    1. Eine wesentliche Idee von Linked Data ist es, dass Daten und Informationen un-terschiedlichster Herkunft und Struktur auf Basis von Standards interpretiert, (weiter-)verarbeitet, verknüpft und schließlich dem User in einer Form präsentiert werden können,sodass dieser seine Aufwände zur Informationsgewinnung und -aufbereitung verringernkann

      Leitidee von Linked Data

    2. Allgemeinwerden Fakten im Semantic Web mit Hilfe des Resource Description Frameworks (RDF)formuliert und ausgetauscht, das über die im Technologiestapel darunterliegenden Ko-dierungsformate (XML, Turtle, RDFa, etc.) serialisiert werden kann.

      RDF = Fakten formuliert und ausgetauscht

    1. Employing theLinked Data paradigm for enterprise data integration has anumber of advantages:
      1. Identifizierung mit URI/IRIs

      Unternehmen, Konzepte, Daten und Metadaten können über Abteilungen, Abteilungen, Niederlassungen, Tochtergesellschaften.

      1. Zugang - dereferenzierbar URI/IRIs bieten einen einheitlichen Datenzugriffsmechanismus.

      2. Integration

      3. Das triple-basierte RDF-Datenmodell erleichtert die Integration und das Mapping zwischen verschiedenen anderen Datenmodellen (z.B. XML, RDB, JSON). Kohärenz - Schema, Daten und Metadaten können über System- und Organisationsgrenzen hinweg nahtlos miteinander verknüpft werden Grenzen.

      4. Provenienz

      5. ist gewährleistet, da der Ursprung der Informationen Herkunft der Informationen in den Bezeichnern kodiert ist. Governance - Identifikatoren, Metadaten und Schema können inkrementell und dezentral verwaltet und dezentralisiert verwaltet werden.

      6. Agilität

      7. Vokabulare, Vokabularelemente Vokabulare, Vokabularelemente und Datenquellen können schrittweise und nach dem Prinzip "pay-as-you-go" hinzugefügt werden.
    2. The publishing and consumptionof vocabulary and URI-based Linked Data adhering to theRDF data model is meanwhile seen as a promising strategy toincrease coherence and facilitate information flows betweenvarious enterprise information systems [11]

      Ansatz: Vokabular + URI-based Linked Data + RDF Datenmodell = als vielversprechende Strategie um die Kohärenz zu erhöhen und den Informationsfluss zwischen verschiedenen Informationssystemen in Unternehmen zu verbessern

    3. Despite a long traditionof efforts addressing the data integration challenge compris-ing enterprise architecture, master data management, datawarehouses, mediators and service oriented architectures, theintegration of such enterprise information and datasources isstill a major challenge [4].

      Herausforderungen:

      1. Datenintegration
      2. Datenmanagement
      3. Data Warehouses
      4. Mediatoren und serviceorientierte Architekturen
    4. REFERENCES[1] C. Bizer, J. Lehmann, G. Kobilarov, S. Auer, C. Becker, R. Cyganiak,and S. Hellmann. Dbpedia-a crystallization point for the web of data.Web Semantics: science, services and agents on the world wide web,7(3):154–165, 2009.[2] D. Calvanese, M. Giese, D. Hovland, and M. Rezk. Ontology-basedintegration of cross-linked datasets. In Proceedings of the 14th Interna-tional Semantic Web Conference (ISWC). Springer, 2015.[3] X. Dong, E. Gabrilovich, G. Heitz, and W. Horn. Knowledge vault: Aweb-scale approach to probabilistic knowledge fusion. In Proceedingsof the 20th ACM SIGKDD international conference on Knowledgediscovery and data mining, pages 601–610, 2014.[4] P. Frischmuth, S. Auer, S. Tramp, J. Unbehauen, K. Holzweißig,and C. Marquardt. Towards linked data based enterprise informationintegration. In S. Coppens, K. Hammar, M. Knuth, and et al., editors,Proceedings of the Workshop on Semantic Web Enterprise Adoption andBest Practice (ISWC 2013), 2013. CEUR-WS.org, 2013.[5] R. Isele and C. Bizer. Active learning of expressive linkage rules usinggenetic programming. Web Semantics: Science, Services and Agents onthe World Wide Web, 23:2–15, 2013.[6] L. Masuch. Enterprise knowledge graph - one graph to connect themall. 2014.[7] P. N. Mendes, H. Mühleisen, and C. Bizer. Sieve: Linked data qualityassessment and fusion. In Proceedings of the 2012 Joint EDBT/ICDTWorkshops, pages 116–123, 2012.[8] J. Michelfeit, T. Knap, and M. Neˇcask `y. Linked data integration withconflicts. arXiv preprint arXiv:1410.7990, 2014.[9] A.-C. Ngonga Ngomo and S. Auer. Limes - a time-efficient approachfor large-scale link discovery on the web of data. In Proceedings ofIJCAI, 2011.[10] N. F. Noy. Semantic integration: a survey of ontology-based approaches.ACM Sigmod Record, 33(4):65–70, 2004.[11] T. Pellegrini, H. Sack, and S. Auer, editors. Linked Enterprise Data.X.media.press. Springer, 2014.[12] A. Schultz, A. Matteini, R. Isele, P. N. Mendes, C. Bizer, and C. Becker.Ldif-a framework for large-scale linked data integration. In 21stInternational World Wide Web Conference (WWW 2012), DevelopersTrack, Lyon, France, 2012.
    1. Knowledge graph (KG) embedding is to embed components of a KG including entities and relations into continuous vector spaces, so as to simplify the manipulation while preserving the inherent structure of the KG. It can benefit a variety of downstream tasks such as KG completion and relation extraction, and hence has quickly gained massive attention. In this article, we provide a systematic review of existing techniques, including not only the state-of-the-arts but also those with latest trends. Particularly, we make the review based on the type of information used in the embedding task. Techniques that conduct embedding using only facts observed in the KG are first introduced. We describe the overall framework, specific model design, typical training procedures, as well as pros and cons of such techniques. After that, we discuss techniques that further incorporate additional information besides facts. We focus specifically on the use of entity types, relation paths, textual descriptions, and logical rules. Finally, we briefly introduce how KG embedding can be applied to and benefit a wide variety of downstream tasks such as KG completion, relation extraction, question answering, and so forth.

      Bei der Einbettung von Wissensgraphen (KG) werden die Komponenten eines KG, einschließlich Entitäten und Beziehungen, in kontinuierliche Vektorräume eingebettet, um die Bearbeitung zu vereinfachen und gleichzeitig die inhärente Struktur des KG zu erhalten. Sie kann für eine Vielzahl von nachgelagerten Aufgaben wie KG-Vervollständigung und Relationsextraktion von Nutzen sein und hat daher schnell große Aufmerksamkeit erlangt. In diesem Artikel geben wir einen systematischen Überblick über die vorhandenen Techniken, wobei wir nicht nur den aktuellen Stand der Technik, sondern auch die neuesten Trends berücksichtigen. Dabei wird insbesondere auf die Art der bei der Einbettung verwendeten Informationen eingegangen. Zunächst werden Techniken vorgestellt, die die Einbettung nur anhand der in der KG beobachteten Fakten durchführen. Wir beschreiben den allgemeinen Rahmen, das spezifische Modelldesign, typische Trainingsverfahren sowie die Vor- und Nachteile solcher Techniken. Danach werden Techniken diskutiert, die neben Fakten auch zusätzliche Informationen einbeziehen. Wir konzentrieren uns insbesondere auf die Verwendung von Entitätstypen, Beziehungspfaden, textuellen Beschreibungen und logischen Regeln. Abschließend stellen wir kurz vor, wie die KG-Einbettung auf eine Vielzahl von nachgelagerten Aufgaben wie KG-Vervollständigung, Beziehungsextraktion, Beantwortung von Fragen usw. angewendet werden kann und davon profitiert.