Wissensarchitektur

„Nichts Wissenswertes kann gelehrt werden“

Oscar Wilde

Ziel

Wie das Symbolic Systems Program (SSP) an der Stanford University zeigt, bringen Fortschritte in der Computer- und Kommunikationstechnologie Informations- und Wissenssysteme unter ein einziges funktionales Dach, nämlich die Verarbeitung symbolischer Darstellungen.

Innerhalb dieses Verständnisses wird man erwarten, dass Wissensmanagement Systemarchitekturen und -anliegen schattiert: Geschäftskontexte und -ziele, Unternehmensorganisation und -betrieb, Systemfunktionalitäten und -technologien. Da Wissen von Natur aus eine gemeinsame Ressource wiederverwendbarer Ressourcen ist, sollte seine Organisation die Bedürfnisse seiner verschiedenen Benutzer unabhängig von der Herkunft und Art der Informationen unterstützen. Wissensmanagement sollte daher Wissen über Architekturen mit Architektur des Wissens verbinden.

Wissensrepräsentation

In ihrem zentralen Artikel haben Davis, Shrobe und Szolovits fünf Prinzipien für die Wissensrepräsentation festgelegt:

1. Surrogate: KR bietet ein symbolisches Gegenstück zu tatsächlichen Objekten, Ereignissen und Beziehungen.
2. Ontologische Verpflichtungen: Ein KR ist eine Reihe von Aussagen über die Kategorien von Dingen, die in der betrachteten Domäne existieren können.
3. Fragmentarische Theorie des intelligenten Denkens: Ein KR ist ein Modell dessen, was die Dinge tun können oder können.
4. Medium für effizientes Rechnen: wissen für Computer verständlich zu machen, ist ein notwendiger Schritt für jede Lernkurve.
5. Medium for human expression: one Die KR-Voraussetzung besteht darin, die Kommunikation zwischen spezifischen Domänenexperten einerseits und generischen Wissensmanagern andererseits zu verbessern.

Das stellt Informationssysteme als Sonderfall von Wissenssystemen dar, da sie die fünf Prinzipien erfüllen, jedoch mit einer funktionalen Qualifikation:

• Wie Wissenssysteme verwalten Informationssysteme symbolische Darstellungen externer Objekte, Ereignisse oder Aktivitäten, die angeblich relevant sind.
• Systemmodelle sind Behauptungen über legitime Geschäftsobjekte und Operationen.
• Ebenso sollen Informationssysteme effiziente Berechnungen und benutzerfreundliche Interaktionen unterstützen.

Der einzige Unterschied besteht in der Kopplung: Im Gegensatz zu Wissenssystemen spielen Informations- und Kontrollsysteme in ihrem Kontext eine Rolle, und Operationen an Surrogaten sind nicht neutral.

Wissenskonstrukte

Wissenskonstrukte sind leere Kästchen, die ordnungsgemäß mit Fakten gefüllt werden müssen. Aber, wie notorisch von den alternativen gezeigt, sind Tatsachen nicht gegeben, sondern müssen beobachtet werden, was notwendigerweise einen Beobachter mit sich bringt, der zur Aufgabe gestellt wird, wenn nicht mit Eigeninteressen, und einen Apparat, natürlich oder absichtlich gemacht. Und wenn sie aufgezeichnet werden sollen, müssen selbst „reine“ Tatsachen, die mit bloßen Augen unschuldiger Kinder beobachtet werden, in eine symbolische Darstellung übersetzt werden.

Am Beispiel des Windes unterstützen Windsocken die unmittelbare Beobachtung von Tatsachen, frei von jeglicher symbolischer Bedeutung. Um ihr Verhalten zu verstehen, sind Schwingungen und Anemometer für Azimut und Geschwindigkeit erforderlich. aber das erfordert auch symbolische Rahmenbedingungen für Richtungen und Metriken. Schließlich kann das Wissen über die Risiken starker Winde hinzugefügt werden, wenn solche Risiken berücksichtigt werden müssen.

Für Unternehmen sollen Wissensboxen gefüllt werden mit Fakten über ihren Geschäftskontext und ihre Prozesse, Organisation und Anwendungen sowie technische Plattformen. Einige von ihnen werden intern produziert, andere aus externen Quellen bezogen, aber alle sollten unabhängig von bestimmten Zwecken verwaltet werden.

Unabhängig von ihrer Art (Geschäft, Organisation oder Systeme) sind Informationen, die von den Unternehmen selbst produziert werden, von Anfang an gebrauchsfertig, d.e organisiert um identifizierte Objekte oder Prozesse mit definierten Strukturen und Semantik.

Dies ist nicht unbedingt der Fall bei Daten, die externe Kontexte (Märkte, Vorschriften, Technologie usw.) widerspiegeln, die den Anliegen und Zielen des Unternehmens zugeordnet werden müssen, bevor sie von Nutzen sind.

Dass die Übersetzung von Daten in Informationen sofort erfolgen kann, indem die Datensemantik identifizierten Objekten und Prozessen zugeordnet wird; Es kann auch verzögert werden, wobei grobe Daten als solche verwaltet werden, bis sie zu einem späteren Zeitpunkt zum Erstellen von Informationen verwendet werden.

Von Daten zu Informationen

Informationen sind sinnvoll, Daten nicht. Selbst „Fakten“ sind kein Manna vom Himmel, sondern müssen von Phänomenen zu Daten und dann zu Informationen geformt werden, wie sie durch binäre, fragmentierte oder „große“ Daten verkörpert werden.

• Binärdaten sind direkte Aufzeichnungen physikalischer Phänomene, z. B. Töne oder Bilder; Selbst wenn sie mit Schlüsselwörtern indiziert sind, bleiben sie unbrauchbar, bis sie als nicht symbolische Merkmale identifizierten Objekten oder Aktivitäten zugeordnet werden.
• Im Gegensatz zu binären Daten gibt es fragmentierte Daten in symbolischer Gestalt, aber als schwebende Nuggets mit untergeordneter Granularität; und wie ihr binärer Cousin sind diese feinkörnigen Beschreibungen bedeutungslos, bis sie an identifizierte Objekte oder Aktivitäten angehängt werden.
• „Big“ Data wird üblicherweise unter Skalierbarkeit verstanden, da es sich um Daten handelt, die zu groß sind, um einzeln verarbeitet zu werden. Es kann auch als Verallgemeinerung fragmentierter Daten definiert werden, wobei identifizierte Ziele in aussagekräftigere Aggregate umgruppiert werden, wodurch die angestrebte Granularität auf eine „überwältigende“ Ebene gebracht wird.

Da Wissen nur aus symbolischen Beschreibungen aufgebaut werden kann, müssen Daten zunächst in Informationen aus identifizierten und strukturierten Einheiten mit zugehöriger Semantik übersetzt werden.

Angesichts „grober“ (auch bekannt als unverarbeitete) Daten können Wissensmanager zwischen zwei Richtlinien wählen: Informationen können mit statistischen Mitteln aus Daten „gewonnen“ werden, oder die Informationsstufe wird einfach umgangen und Daten werden direkt von „sachkundigen“ Agenten entsprechend ihrem Kontext und ihren Bedenken verwendet (auch interpretiert).

In der Tat verlassen sich beide Richtlinien auf sachkundige Agenten, wobei die Frage ist, wer die „Bergleute“ sind und was sie wissen sollten. Theoretisch könnten Miner vollautomatische Werkzeuge sein, die in der Lage sind, Muster relevanter Informationen aus groben Daten ohne vorherige Information zu extrahieren; Praktisch müssen solche Werkzeuge mit einer gewissen vorherigen „Intelligenz“ darüber gefüttert werden, wonach gesucht werden sollte, z. B. Proben für neuronale Netzwerke oder Variablen für statistische Regression. Daher die Notwendigkeit von Formaten, Blaupausen oder Vorlagen, mit denen grobe Daten in Informationen umgewandelt werden können.

Informationseigenschaften

Wissen muss aus genauen und aktuellen Informationen über den externen und internen Stand der Dinge aufgebaut werden, und zu diesem Zweck müssen Informationen gemäß ihrer Quelle, Art, ihrem Lebenszyklus und ihrer Relevanz verwaltet werden:

• Quelle: Regierung und Verwaltungen, NGO, Corporate Media, Social Media, Unternehmen, Systeme, etc.
• Natur: Ereignisse, Entscheidungen, Daten, Meinungen, Einschätzungen usw.
• Art des Ankers: Individuum, Institution, Zeit, Raum usw.
• Lebenszyklus: sofort, zeitbezogen, endgültig.
• Relevanz: Rückverfolgbarkeit in Bezug auf Geschäftsziele, Geschäftsbetrieb, Organisation und Systemmanagement.

Auf dieser Grundlage muss das Wissensmanagement das Wissen in Bezug auf Zuverlässigkeit (Quelle, Genauigkeit, Konsistenz, Veralterung usw.) und Risiken auf seinen Informationsfußabdruck abbilden.

Von Information zu Wissen

Information ist sinnvoll, Wissen ist auch nützlich. Als Informationsmodelle müssen Wissensrepräsentationen zunächst in Persistenz- und Ausführungseinheiten verankert werden, um die Konsistenz und Kontinuität von Ersatzidentitäten zu unterstützen (Prinzip 1).

Diese Anker sollen Domänen zugewiesen werden, die von einzelnen Organisationseinheiten verwaltet werden, die für ontologische Verpflichtungen verantwortlich sind, und mit Strukturen, Merkmalen und Assoziationen angereichert werden (Prinzip 2). Semantik ist je nach Umfang, Struktur oder Feature durch persistente bzw. Anwendungsdomänen zu verwalten.

Ebenso können Ontologien auf Objekte oder Aspekte abzielen, wobei erstere mit strukturellen Untertypen, letztere mit funktionalen verbunden sind.

Unterschiede zwischen Informationsmodellen und Wissensrepräsentation erscheinen mit Regeln und Einschränkungen. Während das Ziel von Informations- und Steuerungssystemen darin besteht, Geschäftsobjekte und -aktivitäten zu verwalten, besteht der Zweck von Wissenssystemen darin, symbolische Inhalte unabhängig von ihren tatsächlichen Gegenstücken zu verwalten (Prinzip 3).

In der Systemmodellierung verwendete Standardregeln beschreiben zulässige Operationen an Objekten, Aktivitäten und zugehörigen Informationen; sie können vorwärts oder rückwärts ausgedrückt werden:

• Vorwärtsregeln (auch bekannt als Push-Regeln) sind Bedingungen dafür, wann und wie Vorgänge ausgeführt werden sollen.
• Rückwärtsregeln (auch bekannt als Pull-Regeln) sind Einschränkungen für die Konsistenz symbolischer Darstellungen oder für die Ausführung von Operationen.

Unter der Annahme einer Kontinuität zwischen Informations- und Wissensrepräsentationen würde der Wendepunkt durch die Einführung von Modalitäten markiert, die zur Qualifizierung von Wahrheitswerten verwendet werden, z. B. nach zeitlicher und Fuzzy-Logik:

• Zeitliche Erweiterungen setzen Zeitstempel auf Wahrheitswerte von Informationen.
• Fuzzy-Logik setzt Konfidenzniveaus auf Wahrheitswerte von Informationen.

Hier weichen Wissenssysteme von Informations- und Kontrollsystemen ab und führen eine neue Theorie des intelligenten Denkens ein, die auf der Fluidität und Flüchtigkeit des Wissens basiert.

Bedeutungen liegen in den Händen des Betrachters

Im Unternehmenskontext kann Wissen als Information verstanden werden, die von Kontexten umrahmt und von Zwecken bestimmt wird: wie man ein Unternehmen führt, wie man Anwendungen entwickelt, wie man Systeme verwaltet. Daher die doppelte Perspektive: Einerseits werden Informationen von Unternehmensinteressen, Systemfunktionalitäten und Plattformen bestimmt.; auf der anderen Seite wird Wissen von Geschäftsprozessen, Systemtechnik und Servicemanagement angetrieben.

Dies bietet eine klare und umfassende Taxonomie von Artefakten, mit der Wissen aus niedrigeren Informations- und Datenschichten aufgebaut werden kann:

• Business-Analysten müssen über Geschäftsbereiche und -aktivitäten, Organisation und Anwendungen sowie Servicequalität Bescheid wissen.
• Systemingenieure müssen über Projekte, Systemfunktionalitäten und Plattformimplementierungen Bescheid wissen.
• Systemmanager müssen über Standorte und Vorgänge, Dienste und Plattformbereitstellungen Bescheid wissen.

Die Doppelperspektive weist auch auf die Dynamik des Wissens hin, wobei Informationen von ihren Quellen vorangetrieben und Wissen von ihren Benutzern abgerufen werden.

A Time for Every Purpose

Im Sinne der Kybernetik sind Unternehmen tragfähige Systeme, deren Erfolg von ihrer Fähigkeit abhängt, der Entropie entgegenzuwirken.e die fortschreitende Herabstufung der Informationen, die zur Steuerung der Interaktionen sowohl innerhalb der Organisation selbst als auch mit ihrer Umgebung verwendet werden.

Im Vergleich zum Architekturwissen, das nach Informationsinhalten organisiert ist, ist die Wissensarchitektur nach funktionalen Belangen und Informationsinhalten organisiert, und ihr Ziel ist es, interne und externe Informationen synchron zu halten:

• Planung von Geschäftszielen und -anforderungen (intern) in Bezug auf die Marktentwicklung und -chancen (extern).
• Bewertung von Organisationseinheiten und Verfahren (intern) im Einklang mit regulatorischen und vertraglichen Rahmenbedingungen (extern).
• Überwachung von Operationen und Projekten (intern) zusammen mit Vertrieb und Lieferketten (extern).

Das legte Bedeutungen (das wäre Wissen) in die Hände von Entscheidungsträgern bzw. für Unternehmensstrategie, Organisation und Betrieb. Darüber hinaus sollen Unternehmen als Lebewesen, Lebensdauer und funktionale Nachhaltigkeit zu konsistenten und homogenen Schichten verschmelzen:

• Unternehmenszeitskalen (aka Business, aka strategic) werden durch Umgebungen, Ziele und Investitionsentscheidungen definiert.
• Organisatorische (auch funktionale) Zeitskalen werden durch Verfügbarkeit, Vielseitigkeit und Anpassungsfähigkeit von Ressourcen festgelegt
• Betriebszeitskalen werden durch Prozessmerkmale und Einschränkungen bestimmt.

Eine solche Kongruenz von Zeitskalen, Architekturen und Zwecken in Scherschichten ist wohl ein wesentlicher Erfolgsfaktor des Wissensmanagements.

Suchen und strecken

Wie bereits erwähnt, wird Wissen von Zwecken bestimmt, und Zwecke, die nicht auf Domänen oder Bereiche beschränkt sind, müssen Wissen über Geschäftskontexte und Organisationsgrenzen hinweg ausdehnen. Dies kann durch Suche, Logik und Klassifizierung erreicht werden.

• Suchanfragen sammeln die Informationen, die für die Anliegen der Nutzer relevant sind (1). Das kann alle Wissensbedürfnisse befriedigen oder ein Rückgrat für die weitere Erweiterung bieten.
• Suchen können mit Ontologien (aka Klassifikationen) kombiniert werden, die die gleichen Informationen unter neue Lichter stellen (1b).
• Wahrheitserhaltende Operationen unter Verwendung mathematischer oder formaler Sprachen können angewendet werden, um abgeleitete Informationen zu erzeugen (2).
• Schließlich können durch statistische Verarbeitung neue Informationen mit verringertem Konfidenzniveau erzeugt werden (3,4).

Beispielsweise wird der beobachtete Verkehr auf mautpflichtigen Straßen (1) zu Abrechnungszwecken (2), zur Prognose der Verkehrsentwicklung (3), zur Analyse saisonaler Trends (1b) und zur Simulation saisonaler und variabler Mautgebühren (4) verwendet.

Diese Operationen haben klare Konsequenzen für das Wissensmanagement:

Soweit Rechenabstände das Konfidenzniveau nicht beeinflussen, sind wahrheitserhaltende Operationen in Bezug auf KM neutral.

Klassifikationen sind symbolische Werkzeuge, die absichtlich entworfen wurden; Folglich sollte alles Wissen, das mit einer Klassifikation verbunden ist, in der Verantwortung ihres Designers bleiben.

Herausforderungen ergeben sich, wenn das Konfidenzniveau entweder direkt oder durch Veralterung beeinflusst wird. Und da es bei der Entscheidungsfindung im Wesentlichen um Risikomanagement geht, kann der Umgang mit unvollständigen oder unzuverlässigen Informationen nicht vermieden werden. Daher ist es wichtig, Wissen entlang von Scherschichten zu verwalten, von denen jede ihren eigenen Informationslebenszyklus, Vertrauensanforderungen und Entscheidungsregeln hat.

Von der Wissensarchitektur zur Architekturfähigkeit

Wissensarchitektur ist das zentrale Nervensystem des Unternehmens und spielt als solches eine primäre Rolle bei der Unterstützung von Betriebs- und Managementprozessen. Dieser Punkt wird teilweise durch Frameworks wie Zachman adressiert, deren Matrix die Informationssystemarchitektur (ISA) entlang von Fähigkeiten und Designebenen organisiert. Wie die Entwurfsebenen zeigen, liegt der Fokus jedoch weiterhin auf der Informationstechnologie, ohne explizit auf die Unterscheidung zwischen Unternehmen, Systemen und Plattformen einzugehen.

Diese Unterscheidung ist entscheidend, weil sie die Unterscheidung zwischen entsprechenden Prozessen regelt, nämlich Geschäftsprozesse, Systemtechnik, und Dienstleistungsmanagement. Und sobald die Unterscheidung richtig etabliert ist, kann die Wissensarchitektur mit der Prozessbewertung in Einklang gebracht werden.

Doch das wird jetzt nicht ausreichen, da digitale Umgebungen in Unternehmenssysteme eindringen und die Unterscheidung zwischen verwalteten Informationsressourcen und den kontinuierlichen Flüssen großer Datenmengen verwischen.

Das legt den Fokus auf zwei strukturelle Mängel von Unternehmensarchitekturen:

• Die Verwirrung zwischen Daten, Informationen und Wissen.
• Die intrinsische Diskrepanz zwischen Systemen und Wissensarchitekturen.

Beides kann überwunden werden, indem System- und Wissensarchitekturen unter Anwendung des Pagoden-Blueprints zusammengeführt werden:

Die Ausrichtung von Plattformen, Systemfunktionalitäten und Unternehmensorganisation auf Daten (Umgebungen), Informationen (symbolische Darstellungen) und Wissen (Business Intelligence) würde die Nachvollziehbarkeit von Transformationen, die durch das Eintauchen von Unternehmen in digitale Umgebungen hervorgerufen werden, erheblich verbessern.

Wissensrepräsentation & Profilierte Ontologien

Angesichts digitaler Geschäftsumgebungen müssen Unternehmen relevante und genaue Informationen aus kontinuierlichen und massiven Datenzuflüssen sortieren. Da Modellierungsmethoden mit der offenen Bandbreite an Kontexten, Anliegen, Semantik und Formaten nicht zurechtkommen, sind lockerere Schemata erforderlich, genau dafür sind Ontologien gedacht:

• Thesaurus: Ontologien, die Begriffe und Konzepte abdecken.
• Dokumente: Ontologien, die Dokumente in Bezug auf Themen abdecken.
• Unternehmen: ontologien relevanter Unternehmensorganisation und Geschäftsobjekte und -aktivitäten.
• Engineering: symbolische Darstellung von Organisations- und Geschäftsobjekten und -aktivitäten.

Profilierte Ontologien können dann entworfen werden, indem diese Taxonomie von Bedenken mit Kontexten kombiniert wird, z:

• Institutionell: Regulierungsbehörde, stetig, Änderungen unterliegen festgelegten Verfahren.
• Professional: Zwischen den Parteien vereinbart, stetig, Änderungen vorbehaltlich Vereinbarungen.
• Corporate: Definiert durch Unternehmen, Änderungen unterliegen internen Entscheidungen.
• Social: Definiert durch Nutzung, volatile, kontinuierliche und informelle Veränderungen.
• Persönlich: Üblich, definiert durch benannte Personen (z. B. Forschungsarbeit).

Last but not least könnten externe (Regulatory, Businesses, …) und interne (d.h. Enterprise Architecture) Ontologien integriert werden, zum Beispiel mit dem Zachman Framework:

Die Verwendung profilierter Ontologien zur Verwaltung der Unternehmensarchitektur und des Unternehmenswissens wird dazu beitragen, das Wissensmanagement mit der Unternehmensführung in Einklang zu bringen, indem extern definierte Ontologien (z. B. Vorschriften) von denen getrennt werden, die durch Entscheidungsfindung, strategische (z. B. Plattenform) oder taktische (z. B. Partnerschaften) festgelegt werden.

Ein ontologischer Kernel wurde als Proof of Concept mit Protégé / OWL 2 entwickelt; eine Beta-Version ist für Kommentare auf dem Stanford / Protégé-Portal mit dem Link verfügbar: Caminao Ontological Kernel (CaKe).

Von der Datenanalyse bis zum Deep Learning

Zwischen All-Inclusive-Datenansturm auf der einen Seite und allgegenwärtigen intelligenten Bots auf der anderen Seite könnten Informationssysteme ihre Identität und ihren Zweck verlieren. Und dafür gibt es einen guten Grund, nämlich die Verwechslung von Daten, Informationen und Wissen.

Wie vor Äonen wurden Ontologien explizit eingerichtet, um dieses Problem zu lösen.

Weiterführende Literatur

• Systeme, Information, Wissen
• Ontologien & Modelle
• Caminao Ontological Kernel (Protégé/OWL 2)
• Ontologien & Unternehmensarchitektur
• Ontologien als produktive Assets
• Unternehmensführung & Wissen
• Agile Zusammenarbeit & Soziale Kreativität
• Das Rad neu erfinden
• Alternative Fakten & Augmented Reality
• AlphaGo: Vom intuitiven Lernen zum ganzheitlichen Wissen
• AlphaGo & Nicht-Nullsummenwettbewerbe
• Neujahr: 2016 ist das Jahr, in dem man lernt
• Governance, Vorschriften & Risiken
• Ereignisse & Entscheidungsfindung
• Operative Intelligenz & Entscheidungsfindung
• Data Mining & Anforderungsanalyse
• EA: Entropie-Gegenmittel
• Business Agility vs Systems Entropy