Stammdaten

V-KNOW: Collaborative debugging and refinement of constraint-based knowledge bases
Beschreibung: Intelligente, wissensbasierte Systeme sind mittlerweile bereits vielfach im praktischen Einsatz: Modell-basierte Systeme diagnostizieren Fehler in unseren Autos, Konfiguratoren helfen uns bei der Zusammensetzung von komplexen Produkten aus einfacheren Einzelteilen, Empfehlungssysteme generieren automatisch Kaufvorschläge auf Basis unserer Wünsche und Bedürfnisse, um nur einige Beispiele zu nennen. Das Wissensakquisitionsproblem war im Kontext solcher Anwendungen stets von zentraler Bedeutung und war daher auch schon in der Vergangenheit ein zentrales Element der Forschung in diesem Bereich, wobei der Schwerpunkt vorwiegend auf Fragen der Wissens¬repräsentation und –konzeptualisierung, sowie auf geeigneten Vorgehensmodellen zur Formalisierung des Expertenwissens lag. In bisherigen Ansätzen ist man weitgehend davon ausgegangen, dass das Wissen an einer zentralen Stelle, mit einer bestimmten Konzeptualisierung und letztlich auch mit einem einzigen (benutzer¬freundlichen) Software-Werkzeug formalisiert werden kann. In vielen realen Anwendungen ist es jedoch so, dass das notwendige Domänenwissen in den Köpfen mehrerer Beteiligter verteilt ist. Typische Beispiele hierfür sind abteilungsübergreifende oder interorganisationale Geschäftsprozesse, aber auch neuere, web-basierte Anwendungen, in denen verteilte Benutzergemeinschaften (communities) ihr Wissen in einem innovativen, web-basierten Umfeld mit anderen teilen. Erst in letzter Zeit rücken die Möglichkeiten und Herausforderungen eines kollaborativen Wissenserwerbsprozesses verstärkt in den Mittelpunkt: Nicht zuletzt mit dem Aufkommen und der Verbreitung der Idee des "Semantic Web", scheint zumindest eine einheitliche Form der Wissensrepräsentation in greifbare Nähe gerückt zu sein. In der derzeitigen Forschung in diesem Bereich ist jedoch zu beobachten, dass der Schwerpunkt auf den Wissenserwerbs auf 'strukturelle' Aspekte, d.h. der Konzepte, Begriffe und Zusammenhänge untereinander, beschränkt ist. Das vorgeschlagene V-KNOW Projekt baut auf den derzeitigen Entwicklungen auf, geht aber einen Schritt weiter und zielt darauf ab, Methoden für den kollaborativen Wissenserwerb von domänen¬spezifischen Randbedingungen (constraints) und Geschäftsregeln (business rules) bereitzustellen, welche in vielen Anwendungen den größten Teil der Erstellungs- und Wartungskosten verursachen. Das Projekt soll unter anderem auf die folgenden Fragen Antwort geben: Wie können Konflikte automatisch erkannt und aufgelöst werden, wenn der Wissenserwerb dezentral durch unterschiedliche Personen erfolgt? Wie können wir den Fachexperten in der Formulierung seines Wissens durch "geeignete" systemseitige Rückfragen unterstützen, wobei darauf abzuzielen ist, die Menge an notwendigen Interaktionszyklen zu minimieren? Wie kann ein intelligentes Systeme "gute" Reparaturvorschläge auf Basis unterschiedlicher, möglicherweise nur partiell definierter Wissensfragmente erzeugen, die für die verschiedenen Beteiligten plausibel sind? Die Ergebnisse des vorgeschlagenen Projekts sind daher einerseits Methoden und Algorithmen, mit Hilfe derer diese Fragestellungen beantwortet werden können, sowie eine Evaluation, die auf Basis einer prototypischen Realisierung eines solchen Systems erfolgen wird.
Schlagworte: Artificial Intelligence, Recommender Systems, Knowledge Based Systems
V-KNOW: Collaborative debugging and refinement of constraint-based knowledge bases
Beschreibung: Knowledge-based, intelligent systems have made their way into practice: Model-based systems are generating diagnostics for automobiles, configurator applications help us assembling complex products from simpler components, recommender systems generate product proposals that match our needs and requirements, just to name a few. Being the cornerstone for success for many of these applications, the knowledge acquisition problem has been addressed in the past in different dimensions, the main focus lying on knowledge representation and conceptualization issues as well as on process models for capturing and formalizing a domain expert's knowledge. Historically, one main assumption of these approaches was that there shall exist one single point of knowledge formalization and in consequence one (user-oriented) conceptualization and a central knowledge acquisition tool. In most cases in real world, however, the domain knowledge is in the heads of different stakeholders, typical examples being cross-department or cross-organization business rules or new types of applications, in which large user communities are sharing knowledge in an open-innovation, web-based environment. Only recently, with the emergence and spread of Web 2.0 and Semantic Web technologies, the opportunities and also the problems of collaborative knowledge acquisition have again become a topic of interest. With regard to the types of knowledge to be acquired, the main focus of these recent developments, however, is on acquiring 'structural' knowledge, i.e., on terms, concepts, and relationships among them. The proposed V-KNOW project shall build upon these new developments, but it however aims at going a step further and target at the collaborative acquisition and refinement of domain-constraints and business rules as they represent the most crucial, frequently updated, and thus costly part in many knowledge-based applications. The main questions answered in the project among others comprise the following: How can we automatically detect and resolve conflicts if knowledge acquisition is distributed between different knowledge contributors? How can we assist the knowledge contributors to acquire knowledge by asking them the “right” questions, i.e. minimizing the interaction needed? How can we generate “good” proposals for changing the knowledge base from different, possibly only partially-defined knowledge chunks, i.e. find plausible (in the eyes of the contributors) changes of the knowledge base? The results of the proposed research project are methods and algorithms for answering these questions and an evaluation by implementing and testing a prototypical implementation.
Schlagworte: Knowledge Based Systems, Recommender Systems, Artificial Intelligence
Kurztitel: n.a.
Zeitraum: 01.08.2007 - 31.07.2012
Kontakt-Email: gerhard.friedrich@uni-klu.ac.at
Homepage: -

MitarbeiterInnen

MitarbeiterInnen Funktion Zeitraum
Philipp Fleiß (intern)
  • wiss. Mitarbeiter/in
  • 01.08.2007 - 31.07.2012
Gerhard Friedrich (intern)
  • wiss. Mitarbeiter/in
  • Projektleiter/in
  • 01.08.2007 - 31.07.2012
  • 01.08.2007 - 31.07.2012
Kostyantyn Shchekotykhin (intern)
  • Projektleiter/in
  • wiss. Mitarbeiter/in
  • 01.08.2007 - 31.07.2012
  • 01.08.2007 - 31.07.2012
Patrick Rodler (intern)
  • wiss. Mitarbeiter/in
  • 01.08.2007 - 31.07.2012
Markus Zanker (intern)
  • wiss. Mitarbeiter/in
  • 01.08.2007 - 31.07.2012

Kategorisierung

Projekttyp Forschungsförderung (auf Antrag oder Ausschreibung)
Förderungstyp §26
Forschungstyp
  • Grundlagenforschung
Sachgebiete
  • 1122 - Artificial Intelligence *
Forschungscluster Kein Forschungscluster ausgewählt
Genderrelevanz 0%
Projektfokus
  • Science to Science (Qualitätsindikator: n.a.)
Klassifikationsraster der zugeordneten Organisationseinheiten:
Arbeitsgruppen Keine Arbeitsgruppe ausgewählt

Kooperationen

Keine Kooperationspartner ausgewählt