Semantische Technologien umfassen eine Vielzahl verschiedener Methoden und Technologien

Semantische Technologien umfassen Methoden und Werkzeuge, welche den semantischen, d. h. inhaltsbezogenen Zugang zu Informationen ermöglichen: Nicht die Daten alleine stehen im Vordergrund sondern ihre Bedeutung und ihr Zusammenhang. Die

Bei der Definition des Solls differenzieren wir hierbei in zwei Kategorien die oft vernachlässigt werden: die Mitarbeitersichtweise und die Kunden-sichtweise auf eine Einarbeitung.

Je höher in der Unternehmenshierarchie die Einarbeitung stattfindet, desto höher werden auch die Ansprüche an die Einarbeitung.

Dafür wird der Wissensgraph um geeignete Tools erweitert. DasTechnologiespektrum reicht hier je nach Strukturiertheitsgrad der Daten von Methodender semantischen Textanalyse (vgl. [6]) über das Parsen von regulären Ausdrücken(s. Abschn. 6.4.2) bis hin zum (teil)automatischen Mappen mithilfe von Transforma-tionsvokabularen (z. B. D2RQ in [7], R2RML)

eine durchgehende Digitalisierung benötigt einesemantische Wissensgrundlage, um Beziehungswissen effizient erstellen, verwaltenund nutzen zu können

Wir sind überzeugt, dass Industrial Knowledge Graphs auch in Zukunft ein zentraler Baustein der Siemens Digitalisierungsstrategie sein werden.

Verbesserungspotenzial im Bereich der Graph-Visualisierung, des Authorings von Ontologien und Regeln und der einfachen Anbindung weiterer Datenquellen.

Für eine noch schnellere Verbreitung im Unternehmensumfeld müssen die zugrunde liegenden Technologien jedoch zugänglicher für Nicht-Techniker werden.

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.

Projektgraphen um die Fähigkeit erweitert, dem Projektleiter basierend auf seinen beschreibenden Texten relevante Themen und Technologien zur Übernahme vorzuschlagen.

Unterstützt durch Visualisierungen können so Überschneidungen (thematisch wie personell) schnell identifiziert und mögliche Synergien realisiert werden.

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

Verfahren des Relational Machine Learning, welche unter Ausnutzung der Graphstruktur in vielen Fällen Modelle besserer Qualität liefern.

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.

große Flexibilität des zugrunde liegenden Graph-Datenmodells unerlässlich zur Zusammenführung heterogener Informationen.

ermöglichen Ontologien einen Datenzugriff ohne die Kenntnis komplexer Datenbank-Schemata

Industrial Knowledge Graph quer durch Siemens

Schwierigkeiten oft zu ineffizienten Abläufen, und damit verbunden einer unnötig langen „time-to-data“.

Nutzer oft mit komplexem Datenzugriff zu kämpfen

eine geringe Datenqualität

Benötigte Daten sind häufig verteilt auf mehrere isolierte Silos.

zunehmende Bedeutung der „explainable AI", die unter anderem mit Hilfe semantischer Wissensmodelle implementiert werden kann

Einsatz von Machine Learning und Graphen-Technologien

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,

Paulheim, H.: Knowledge Graph Refinement: A Survey of Approaches and Evaluation Methods. Semantic Web Journal, S. 1-23, 2016

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

Darüber hinaus soll der Fokus künftiger Arbeit auf komplexeren Abfragen liegen, die mehrere Annotationen kombinieren und mit einer leistungsfähigen Volltext-suche verbinden

ein schnelles Modell zur Anbindung von geschlossenen Unternehmens-Ontologien bereitgestellt werden.

Linked Data bezieht sich dabei auf die technische Aufbereitung der Daten, so dass eine Verknüpfung (Linking) der Daten möglich ist. Das dabei zum Einsatz kommende Datenmodell ist RDF, das ursprünglich für das Semantic Web entwickelt wurde.

Eigenschaften einer Innovation beschreiben deren Nutzenkategorien (Teilqualitäten), d. h. deren Fähigkeit konkrete Anforderungen zu erfüllen.

Im Folgenden wird zur Gliederung auf Vershofens Nutzenschema (1940) zurück-gegriffen, da es aufgrund seiner Struktur gut geeignet erscheint, die potentiellen Nutzenaspekte von Innovationen am Beispiel von Smart Home zu erörtern.

Für die Analyse des Mehrwerts bzw. Nutzens von Innovationen erscheint es an dieser Stelle hilfreich, zwischen verschiedenen Nutzenkategorien zu unterschei-den.

Ontologiegestützte Kompetenz-managementsysteme weisen gegenüber herkömmlichen – lediglich datenbankgestützten – Soft-waresystemen den Vorteil auf, selbstständig inhaltliche Schlussfolgerungen („Inferenzen“) durch-führen zu können.

Wissen über die (Kern-) Kompe-tenzen im Unternehmen computergestützt zugänglich machen.

Verlust an Handlungsfähigkeit vorzubeugen, werden seit einigen Jahren Kompetenzmanagementsysteme eingesetzt

Das betriebliche Kompetenzmanagement (Skillmanagement) gilt gerade für KMU als unverzicht-bar, um langfristig wettbewerbsfähig zu bleiben.

„Ontology Mapping“

Da der Prozess für das Design, Implementierung und Wartung einer On-tologie jedoch nicht standardisiert ist, führt dies zwangsläufig zu einer Vielzahl von heterogenen Ordnungssystemen, die nebeneinander existieren

Prozessoptimierung

Integration von Personen, Anwendungen und Daten

Verbesserte Suche und Navigation

Kategorien

Personenorientierte Anwendungen

Reasoner wer-den für Prozesse des automatischen Schließens

Merger und Mapper

Generell werden semantische Technologien zur Informationsqualifizierung (z.B. der inhaltlichen Erschließung von Texten) und zur intelligenten Informationsver-arbeitung (z.B. dem automatischen Schließen) genutzt

Semantische Technologien als Grundlage zur Kompetenzkodifikation

Anwendungsfälle (bspw. die Besetzung von Projekten

ndividuell pas-sende Zuordnung von Trainings und Dokumenten beim Onboarding eines neuen Mit-arbeiters

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.

werden in einem semantischen Netz Zusammenhänge zwischen Begriffen, Aufgaben, Personen usw. modelliert und deren Beziehung untereinander abbildbar.

E-Portfolios sind netzbasierte Sammelmappen, die ver-schiedene digitale Medien und Services integrieren und auch im e-Learning eingesetzt werden, um Kompetenz auszuweisen und Lernprozesse zu reflektieren.

eine Art „persön-liches Logbuch“, in dem Kompetenzen dokumentiert, beschrieben und bewertet werden.

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.

intelligente Vermittlung zwischen Projektanforderungen und verfügbaren Skills

Ontologie ermöglicht ein intelligentes Mapping

To achieve nimbleness, we can simplify the data landscape by using a semantic fabric, popularly called data fabric, based on a strong Metadata Management operating model.

Cataloging of data using a strong Metadata Management operating model that includes the business data stewards will be a priority in 2022.

Graphdatenbank ist Neo4J

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

Die Intention der SemanticKnowledge Representation besteht darin, geeignete Repräsentationsformen zur Abbildungvon Wissen aus der realen Welt zur Verfügung zu stellen.

Ihr Ziel besteht nicht nur darin, Informationen aufBasis ihrer Bedeutung besser auffindbar zu machen, sondern auch eine Interoperabilität zwi-schen verschiedenen Systemen herzustellen [Dengel 2012, S. 15]

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

„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“

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

Zu den Informationen über Technologien gehören geistiges Eigentum, Kompetenzen und Interessen.

drei wichtigsten Zieltypen dieser Funktionen sind Unternehmen, Produkte und Personen

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

Der Hauptanwendungspartner für die hier beschriebenen Lösungen war und ist der Sie-mens-Konzern. Die Lösungen wurden durch das KI-Start-up Giance, eine deutsch-chinesi-sche Ausgründung des DFKI, für den chinesischen Markt angepasst und weiterentwickelt.

Unsere Global Enterprise Intelligence (GEI) Platform eignet sich nicht nur zur Beobachtung von Zulieferern, sondern wird auch in ande-ren Bereichen eingesetzt, in denen Firmen beobachtet werden müssen wie z. B. Wettbewer-beranalyse, Partnerbetreuung, Key-Account-Management oder Portfolio- Management.

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

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

Semantische Technologien und deren Bausteine werden auch bei der Entwicklung von autonomen und selbstlernenden Systemen eine Schlüsselrolle spielen.

Grundlage semantischer Technologien sind formale Sprachen und Schlussfolgerungs-mechanismen.

Aus diesem Grund definiert das World Wide Web Consortium (W3C) verschiedene Wissensrepräsentationssprachen, die inhaltlich aufeinander aufbauen,

Data Mining und Knowledge Discovery in Databases be-inhalten Methoden der Informations- und Wissensextraktion aus strukturierten Datensätzen [99].

Zudem erfordert die Wissensrepräsentation eine Interoperabilität mit ein-heitlichen und offenen Standards der Wissensbeschreibung, um modelliertes Wissen zwischen verschiedenen Plattformen und Anwendungen zu verbinden und auszutau-schen [93, 106].

ur weiterführenden Analyse von Datenaggregationen werden häufig Online Analytical Processing (OLAP) Systeme

Entscheidungs- und Führungsinformationssysteme beruhen zumeist auf bereichsbezogenen, integrierten und zeitlich veränderli-chen Datensammlungen, sog. Data Warehouses.

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

Denn ohne semantische Interoperabilität der Ma-schinen ist eine intelligente Produktion nicht realisierbar

Eine Anwendung kann als semantisch bezeichnet werden, wenn die Bedeutung von Inhalten eine wesentliche Rolle spielt. Das betrifft den Anwen-der und ist unabhängig von der eingesetzten Technologie.

verringert die Einschränkung auf den Unternehmenskontext Probleme wie Skalierbarkeit, breite Akzeptanz von Ontologien und mangelndes Vertrauen in Informationen.

Hürden für einen erfolgreichen Einsatz von semantischen Technologien im Unternehmenskontext

semantische Suche im Museumsportal Berli

Trendanalyse in Business-Nachrichten

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.

Jedoch verhindert die Kluft zwischen Forschung und den Bedürfnissen von Unternehmen eine schnelle Adaption von semantischen Technologien durch Unternehmen.

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

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

A related project that explores the use of statistical and semantic analysis is The Insight Engine. [11]

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.

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

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.

. Genügt dieWissensbasis nicht den Anforderungen der Aufgabe, ergibt sich ein Lernbedarf, der eineSuche in Suchmaschinen/ -diensten nach weiteren Wissensartefakten einleitet.

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.

neuer Typ von Datenplattform für die Speicherung, Integrationund Analyse aller Arten von (Roh-)daten etabliert

Summa summarum stellen Datenkataloge grundsätzlich die geeignete Werkzeugart zurpraktischen Umsetzung eines ganzheitlichen Metadatenmanagements im Data Lake dar

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.

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

Den Kern für das Metadatenmanagement im Data Lake bilden originäre Data-Lake-Metadaten sowie Ergebnis-Metadaten

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

Operative Metadaten umfassen technische Details zu Datentransformationenund Datenzugriffen, z.B. Informationen über ETL-Jobs, Quellsysteme undZugriffsmuster.

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

Technische Metadaten beziehen sich auf sämtliche technisch-strukturellenAspekte der Daten sowie der zugrundeliegenden Datenhaltungssysteme imData Lake, wie z.B. Tabellenstrukturen, Attributnamen, Wertelisten und Zu-griffsrechte.

Originäre Data-Lake-Metadaten sind Metadaten über die im Data Lake gespeichertenDaten, z.B. Daten in relationalen Datenbanken und Message-Queues des DataLake.

aktive und passive Metadaten sowietechnische und betriebswirtschaftliche Metadate

Metadaten zur Dateninterpre-tation dar und können sich auch auf Analyseergebnisse, wie z.B. Dashboards und Berichtebeziehen

Unterstützung derDatenentdeckung, der Beurteilung der Datenherkunft und Datenqualität sowie der Daten-und Ergebnisinterpretation durch Fachanwender.

Metadaten spielen eine zentrale Rollebei der Umsetzung von Self-Service-Szenarien [Te15].

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

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.

Mit semantischen Technologien lassen sich aber auch elektronische Dokumente, Texte und Berichte strukturieren und "taggen"

Sie helfen beispielsweise, die heterogenen Datensilos eines Unternehmens zu erschließen, sie intelligent zu verknüpfen, neu zu interpretieren und im Firmen-Intranet gezielt bereitzustellen.

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.

Metadaten bilden die Grundlage zur Beschreibung und Erschließung von Semantik.

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

. 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

Zur Sicherstellung der Effektivität und Effizienz in der Entwicklung, dem Betrieb und der Nutzung von BI-Systemumwelten ist ein adäquates Management der Metada-ten erforderlich [4].

alle Informationen, die für den Entwurf, die Konstruktion oder Benutzung eines BI-Systems benötigt werden [13].

integrierten IT-basierten Management- und Entscheidungsunterstützung (Business Intelligence)

Im Zuge stetig steigender Komplexität in Business-Intelligence-Systemen nimmt auch die Bedeutung des Metadatenmanagements (MDM) kon-tinuierlich zu.

A Knowledge Graph is a self-descriptive knowledge base where data and itsschema are stored in a graph format, and the relations/connections between data arefirst-class citizens.

Nevertheless, there still has a long way to go todeal with cumbersome deep architectures and the increasinglygrowing knowledge graphs.

Definition 2 (Wang et al. [5]). A knowledge graph is a multi-relational graph composed of entities and relations which areregarded as nodes and different types of edges, respectively.

Definition 1 (Ehrlinger and W ̈oß [12]). A knowledge graphacquires and integrates information into an ontology and appliesa reasoner to derive new knowledge.

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.

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.

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.

Damit dient das Metadatenmanagement in der Hauptsache der Analyse von Daten und Datenbeziehungen. Es kann zur Suche, aber auch zur Auswertung und Optimierung von Prozessen genutzt werden.

Metadatenmanagement bezeichnet die strukturierte und geordnete Datenhaltung von Metadaten. Mit einem etablierten Metadatenmanagement wird in kürzester Zeit die richtige Quelle für benötigte Daten ermittelt.

Metadaten-Management

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.

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.

Rund 51 Prozent aller Unternehmen im verarbeitenden Gewerbe in Deutschland nutzten im Jahr 2021 eine CRM-Software zur Erfassung und Speicherung von Kundendaten

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.

Wissensgraphen erhöhen die Datenqualität und bieten damit eine robuste Grundlage für die KI-Strategie und Umsetzung.

Hypothesis wurde 2011 als non-profit Organisation in San Francisco gegründet. Die Hypothes.is-Server stehen in Kalifornien. Hypothes.is ist Open Source Software und steht unter einer BSD-Lizenz. 

Hypothes.is

Table 8-2. Various manifestations/eras of the Web and their defining characteristics

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.

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

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.

„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.“

Sauermann L (2003) The Gnowsis-Using Semantic Web Technologies to build a Semantic Desktop. Diplomarbeit

der Suchende lediglich einen Überblick über die vorhandenen Informa-tionsressourcen zu einem bestimmten Themengebiet erlangen

Das gängige Paradigma des Information Retrievals setzt unter anderem voraus, dass der Informationssuchende tatsächlich genau weiss, was er sucht.

Daher liegt der Schluss nahe, dass vielmehr die inhaltliche Bedeutung (Semantik) eines Do-kuments und nicht nur die darin verwendeten Zeichenketten im Vordergrund einer in-haltsbasierten Suche stehen müssen

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.

Google als prominentester Vertreter der WWW-Suchmaschinen steht heute vielfach in der Kritik, da als Antwort auf eine Suchanfrage oft zuviele nicht relevante Ergebnisse präsentiert werden.

Tim Berners-Lee,

Die neue Berners-Lee-Vision von Web 3.0 entspringt Bedenken hinsichtlich des Schutzes personenbezogener Daten.

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.

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. .

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

bbil-dung 2.8 zeigt einen Überblick über die sogenannte „Linking Open Data Cloud“

Zusätzlich bietet die Abfragesprache SPARQL die Möglichkeit,RDF-kodierte semantische Daten strukturiert abzufragen, wobei bereits (beschränkter)Gebrauch der Möglichkeit logischer Schlussfolgerungen gemacht werden kann.

OWL basiert auf einer speziellen mathematischen Beschreibungslogik (SHROIQ(D)) undstellt ein ausdrucksmächtiges Instrument zur Modellierung von Wissensrepräsentationen(Ontologien) dar [34].

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.

Abbildung 2.3 zeigt den vorgeschlagenen SemanticWeb Technologie-Stapel, der das traditionelle World Wide Web ergänzt, und gibt den ak-tuellen Stand der Standardisierung an.

Ontologien sind explizite,formale Spezifikationen von gemeinsamen Konzeptualisierungen. Unter einer Konzep-tualisierung versteht man ein formales Modell, bestehend aus Klassen, Relationen undInstanzen.

Diese Form von Wissens-repräsentation wird in der Informatik als Ontologie bezeichnet.

Die Idee hinter dem Semantic Web liegt darin, die Bedeutung von sprachlichen Be-griffen und anderen bedeutungstragenden Entitäten explizit in einer maschinenlesbarenund vom Computer korrekt interpretierbaren Form anzugeben

Semantic Web Technologie-Stack des W3C

Die mit Linked Data beschrittene Lösung macht sich existierende Technologien zu Nut-ze, die vom W3C2 als Semantic Web Technologien standardisiert wurden.

Employing theLinked Data paradigm for enterprise data integration has anumber of advantages:

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]

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].

Large enterprises and organizations use a vast variety ofdifferent information systems, databases, portals, wikis andKnowledge Bases [KBs] combining hundreds and thousandsof data and information sources.

Enterprise Knowledge Graphs (EKGs) mightbe considered as an embodiment of LED

Linked Enterprise Data

Sören Auer

The unified approachhas the advantage, that the enterprise has more control overthe data and quality, and the data querying is significantlyfaster.

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.

However, federated querying andaccess control over fine-grained datasources drastically impedethe performance.

he transitionary approach is advisable when datasecurity plays a vital role.

In general, a federated approach will be advan-tageous if the enterprise aims to continuously ingest updatesand new additions from public LOD sources.

Nevertheless, acertain overhead for query expansion and entailment regimesis required.

Enterprise Knowledge Graphs

Enterprise Knowledge Graphs are the next stage in theevolution of knowledge management systems.

Knowledge Graph Embedding: A Survey of Approaches and Applications

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.

Special Issue on Machine Learning and Knowledge Graphs

Practical guidance on KR, knowledge graphs, semantic technologies, and KBpedia