Forschungsprojekt DYONIPOS Dynamische, intelligente Unterstützung der Wissensprozesse in der IT-Sektion des BMF

Transkript

1 DYnamic, ONtologybased Integrated Process OptimiSation Forschungsprojekt DYONIPOS Dynamische, intelligente Unterstützung der Wissensprozesse in der IT-Sektion des BMF , 14:50-16:40 Josef Makolm [BMF] Doris Reisinger [m2n] Klaus Tochtermann [Know-Center Graz]

2 Inhalt Forschungsrahmen Ausgangslage, Motivation Multiple Use Pause DYONIPOS Zielsetzungen und Funktionen Grundlagen / Technologien Anwendung in DYONIPOS Timeline und Know-how 2

4 Forschungsrahmen Gefördert im Rahmen des Impulsprogramms FIT-IT, Programmlinie Semantic Systems [ Initiative des BMVIT zur Förderung anspruchsvoller IT-Innovation und IT-Forschung in Österreich Dyonipos als bester Antrag prämiert! Gesamtlaufzeit: 03/ /2008 Forschungspartnerschaft mit BMF, IT-Sektion 4 - BMF, IT-Sektion als Pilotpartner - Wissenschaftlich fundierte, hochinnovative Ergebnisse, die erstmalig im Rahmen eines Prototypen umgesetzt werden

5 Konsortium und Partner Forschungspartner FiT-IT Konsortialpartner DYONIPOS Wissenschaftlicher Partner 5

7 Ausgangslage Umfeld verändert sich Dynamisches Umfeld, geprägt durch diskontinuierliche Veränderung Bedarf zur Anpassung an sich ändernde Anforderungen Aufgabenanreicherung bei gleichzeitiger Ressourcenknappheit Bedarf zur Effizienz- und Effektivitätssteigerung Von hierarchischen zu netzwerkorientierten Organisationsformen Bedarf der Flexibilisierung von Strukturen, Anteil kreativer Tätigkeiten steigt erheblich 7

8 Ausgangslage Wissensintensität steigt Aufgaben werden wissensintensiver der Einzelne benötigt immer mehr Information Menge an verfügbarer Information nimmt permanent zu, gleichzeitig wird Wissen immer schneller obsolet Informationsüberflutung Zahl, Komplexität und Heterogenität von Informationssystemen steigt das Finden relevanter Information wird immer ressourcenintensiver 8

9 Wissens-Paradoxon Der Einzelne weiß im Verhältnis zum verfügbaren Wissen immer weniger Bedeutung des Managements von Nicht-Wissen steigt Wissen Allgemeines Wissen 9 Individuelles Wissen Zeit

10 Ausgangslage aus Sicht des einzelnen Wissensarbeiters Wissen = relevante Information im Kontext! Information wird nur dann zu Wissen, wenn sie in der aktuellen Situation tatsächlich benötigt und angewendet wird! Der Wissensarbeiter weiß oft gar nicht, welches Wissen wo zur Verfügung steht und kann daher nicht oder nur schwer danach suchen. Herkömmliche Suchen liefern Dokumente, Objekte aber nicht das darin enthaltene Wissen! Herkömmliche Suchen haben kein Verständnis - die Suchsituation, 10 - die Bedeutung des Gesuchten.

11 Ausgangslage Prozessorientierung Wissensarbeiter agieren eingebettet in Prozesse Geschäftsprozesse werden von Wissensprozessen begleitet - unstrukturiert, oft implizit - ad-hoc definiert - schwer bis gar nicht standardisierbar - hoch individuell Wissensmanagement hat Prozesscharakter Prozessmanagement hat Wissensrelevanz! Wissens- Arbeiter Prozesse Wissensbasis Quellen Dem effizienten Management von wissensintensiven Prozessen kommt ein immer höherer Stellenwert zu Integration von Geschäftsprozessmanagement und Wissensmanagement 11= Prozessorientiertes Wissensmanagement

12 Klassische IT-Unterstützung Der Fokus in der klassischen IT liegt auf der Datenverwaltung und der Prozessautomatisierung, nicht auf der Wissensgenerierung und -anwendung Die reine Digitalisierung von Papier erzielt nicht die gewünschten Effekte Nur die Integration der Wissenssicht und der Prozesssicht bringt nachhaltige Vorteile Erwartung IT-Unterstützung des WM 12 Überschätzung der Potenziale der reinen Digitalisierung Enttäuschung Dokumanagement / Prozessmanagement Wissensmanagement Ernüchterung Intelligente Systeme Zeit

13 Standardprozesse vs. Wissensarbeit Standardprozesse - Effizienzsteigerung durch Vereinheitlichung, hoher Grad an Formalismus - Nachvollziehbarkeit, Transparenz, Synchronisation stehen im Vordergrund - Handlungsoptionen müssen vorher bekannt sein - Deduktiv - Bestehender Ansatz: Workflow Management Systeme Wissensarbeit ad-hoc definierte Prozesse - Hoher Anteil an kreativen Tätigkeiten, geringer Grad an Formalismus - Geleitet durch Ziele statt Aufgaben, Aktivitäten werden selbst gestaltet - Wissen ist wesentliche Ressource - Induktiv - Bestehender Ansatz: Computer Supported Cooperative Work Systeme Eine neuer Ansatz wird benötigt, um das Dilemma zwischen Flexibilität des Einzelnen 13 und Bedürfnis der Organisation nach Standardisierung zu lösen

15 Multiple Use Wiederverwendung von Prozessen, Applikationen und Daten Begriff Motivation Voraussetzung Erste Schritte Rahmenbedingungen 15

16 Begriff Multiple Use Wiederverwendung + Prozesse + Applikationen + Daten Wiederverwendung von Wissen darüber 16

17 Motivation Multiple Use + Kostensenkung + Effektivität + Qualität One Stop Shop Standort-Sicherung 17

18 Citizens and businesses are to be fully in the centre egovernment is the way forward and a catalyst for innovation, and should now deliver on its promise Achieve flexible interoperation, respecting diversity summarizes the recommendations of leaders or representatives of the national egov.-initiatives to the eeurope Advisory Group Commitment to concrete agenda for pan-european services, interoperability, identification & authentication Reduce burden for citizens/companies by cooperation and by once-only data provision Multiple Use (respecting privacy, citizen rights, and democratic control) 18

19 Voraussetzung Multiple Use Interoperabilität + organisatorisch + semantisch + technisch Zusammenarbeit + Ziele + Prozesse Daten-Inhalte + Bedeutung + Kontext 19 Kommunikation + Schnittstellen + Protokolle

20 European Interoperability Framework 20

21 Erste Schritte Multiple Use Backoffice-Reorg. + Prozess-Orchestrierung + el. Agenten E-Governmnet-Gesetz E-GovG + bereichsspezifische Personenkennung (bpk) 21

22 Prozess-Orchestrierung One Stop Shop Front Office Back Office Agent vervollständigt Antragsdaten Jeffrey Gortmaker, Marijn Janssen and René Wagenaar 22 Towards a Reference Model for Process Orchestration in e-government TCGOV 2005, Bozen/Bolzano, March 7, 2005

23 Daten laufen nicht die Menschen Prozess-Orchestrierung government.gv.at/prozess Multi- Kanal- Verbund Grenzen autonomer Agenten 49 DSG: Automatisierte Einzelentscheidungen hl und Judikatur: Willensbildung von Organen der zuständ. Behörde autonomer Agent vervollständigt Bürger-Daten Wissensmanagement gestützter Workflow Gewerbe- Anmeldung Quelle: modellierungen html 23

24 Rahmenbedingungen Multiple Use Ganzheitliche Sicht 24 + Kulturelle, gesellschaftliche und politische Sicht + Rechtliche Sicht + Prozess-Sicht + Organisatorische Sicht + Benutzer-Sicht + Wissens-Sicht + Datenschutz- und Privacy-Sicht + Technische Sicht Vergleiche: Maria A. Wimmer Holistic Reference Framework for e-government Dimension Sichten

27 Research Objectives Entwicklung eines intelligenten, kontextsensitiven, hochflexiblen Systems zur dynamischen Unterstützung von Informations- und Wissensprozessen in Wissens-Organisationen auf Basis semantischer Technologien in Kombination mit Methoden des Knowledge Discovery Nahtlose Zusammenführung von... - strukturierten, explizit abgebildeten Prozessen - dynamischen, undokumentierten Wissensflüssen Integrierte Unterstützung des... - Wissensarbeiters - Wissensprozess-Ingenieurs Verbesserung beim Umgang mit Wissen in der Gesamtorganisation 27

28 Funktionalitäten 28 Unterstützung des Wissensarbeiters bei der flexiblen Durchführung wissensintensiver Aktivitäten - im Arbeitsprozess / Arbeitskontext - gemäß der individuellen Arbeitsweise und der individuellen Bedürfnisse Ein persönlicher, agiler, selbst lernender Assistent - stellt proaktiv das benötigte Wissen zur Verfügung - schlägt nächste Schritte vor - unterstützt bei der Informationsaufbereitung, Rückfluss der aggregierten Erkenntnisse in die Prozessgestaltung Unterstützung des Wissensprozess-Ingenieurs beim Management der Prozess- und Wissensbasis

29 DYONIPOS und Multiple Use Beispiele Wiederverwendung und Übertragung von Inhalten auf neue Kontexte und Anwendungsszenarien Zusammenführung von heterogenen Informationsbeständen Finden von Mustern in Prozessen, Unterstützung bei der Prozessoptimierung (Bottom Up und Top Down) Interoperabilität durch offene Standards und gemeinsame Sprache (z.b. Ontologien) 29

31 Problemstellung am Beispiel Retrieval im Web Millionen verschiedener Dokumente zu beinahe jedem Thema am Web verfügbar Das Auffinden relevanter Information dadurch nicht einfacher - Welche Dokumente enthalten relevante Informationen? - Wie extrahiere ich relevante Informationen aus Dokumenten? - Wie kombiniere ich Informationen aus verschiedenen Informationsquellen? Das Interface zu Anfragen ans Web hat sich kaum verändert - Eingabe von Stichworten - Rückgabe aller Dokumente, die diese Stichworte enthalten 31

32 Recall und Precision Recall: Prozentsatz der gefundenen Dokumente unter allen relevanten Dokumenten Hoher Recall, aber niedrige Precision - Anfrage liefert viel zu viele unnötige Dokument - Die gesuchte Information, ist auf wenigen Seiten zu finden Zu niedriger Recall - Sensitivität zum Query-Vokabular - Wenn man die Anfragen nicht mit den Worten stellt, die im gesuchten Dokument vorkommen, kann es nicht gefunden werden Resultat sind ganze Web-Seiten und nicht das darin enthaltene Wissen Die gesuchte Information findet sich irgendwo auf der Seite Fazit: zeitaufwendige manuelle Recherchen Precision: Prozentsatz der relevanten Dokumente in den Gefundenen 32

33 Finden der richtigen Dokumente Welcher Apache ist gemeint? Enorm hoher Recall, geringe Precision! 33

34 Extraktion relevanter Informationen Was ist ein Buch zum Thema Apache? Was kostet es? 34

35 Kombination der Informationen Welches Buch ist am billigsten? Inkl. Versandkosten? 35

36 Anforderungen aus DYONIPOS Um richtig reagieren zu können, also Wissen zur richtigen Zeit in der richtigen Form an der richtigen Stelle bereitzustellen muss das System den Kontext erfassen sich den aktuellen Anforderungen anpassen die Bedeutung der Daten verstehen die Sprachen anderer Systeme sprechen Vergleichen und Schlüsse ziehen die Ergebnisse verständlich aufbereitet präsentieren 36

37 Gemeinsame Sprache People can't share knowledge if they don't speak a common language. [Davenport] -> Only People? Voraussetzung: Menschen und Maschinen brauchen eine gemeinsame Sprache! Natürliche Sprache????

38 Mensch-Maschine Viele Informationen liegen unstrukturiert vor (Web, Files, Mails ) - Natürliche Sprache - Grafik, Multimedia, Layout Menschen können daraus prinzipiell (und mit ihrem Hintergrundwissen) - Fakten aus unvollständiger Information ableiten - Die Semantik der Daten durch die Präsentation interpretieren (Tabellen, Hervorhebungen, ) - Verbindungen knüpfen, Ähnlichkeiten erkennen, Aber Computer können all das nicht - Unvollständige Information ist nutzlos - Verbindungen knüpfen nur möglich, wenn Regeln explizit und als Programm verfügbar Probleme mit dem Kombinieren und dem Interpretieren von Informationen 38 Ist Das DSG ist auf diesen Fall anzuwenden dasselbe wie Man könnte meinen, das DSG ist auf diesen Fall anzuwenden?

39 Maschine-Maschine IT-Anwendungen sind häufig maßgeschneidert für eine bestimmten Aufgabenstellung schwer von einer Anwendung auf eine neue übertragbar Datenaustausch zwischen verschiedenen Anwendungen... ist nicht trivial siehe Interoperabilität / MU Zusammenführen verschiedener Applikationen / Datenbanken... bereits innerhalb eines Unternehmens... kann eine Herausforderung darstellen ( Data Warehousing, Application Integration ) 39

40 Kodierung Unstrukturiert formale Repräsentation - Informationen liegen in unstrukturierten Freitexten vor. Aussagekräftig für den Menschen aber nur begrenzt interpretierbar für die Maschine. Lösungsansatz: Interpretation der heterogenen Sprache a posteriori Maschinenlesbar für Menschen verständlich - Informationen sind derart kodiert, dass sie nur für die Maschine aber nicht für den Menschen verständlich sind. Lösungsansatz: Verwendung einer standardisierten Sprache a priori (stark formalisiert) -> Für Menschen verständliche Meta-Informationen und Meta-Meta-Informationen explizit machen Kodierung: Transformation von einer Art der Repräsentation (sprachliche Elemente) zu anderer Ausdrucksform (maschinell auswertbare Codes) 40 Freitext semantische Repräsentation Code

41 Formale Wissensorganisation

42 Gemeinsames Verständnis Wohldefiniertes Vokabular / Einheitliches Verständnis, welche Begriffe und Beziehungen referenziert werden Semiotik = Lehre von Zeichen, ihren Bedeutungen und Wirkungen Ebene des Denkens Konzept Apache Server ruft hervor bezieht sich auf 42 Symbol Apache Ebene der Sprache steht für Objekt Ebene der Realität

43 Meta-Daten Meta-Daten = Daten über Daten Strukturierte, beschreibende Informationen zu einer Informationseinheit Aufgabe solcher Meta-Daten ist es, - die Bedeutung (Semantik) einer Datenquelle maschinenlesbar zu beschreiben - und dadurch den Austausch zwischen Akteuren zu erleichtern 43

44 Formen von Begriffsystemen Index Schlagworte Liste Katalog Lexikon Taxonomie Hierarchie Gehört zu Klassifikation Thesaurus Hierarchie Äquivalenz Assoziation Ontologie Konzepte Eigenschaften Beziehungen Regeln Semantische Reichhaltigkeit 44

45 Konzeptueller Graph (= Semantisches Netz) Graphische Begriffsnetze mit definierter Semantik Sowohl Begriffe als auch Beziehungen sind typisiert und es existiert eine Grammatik für deren Verwendung Zur Überführung von Information in anwendbares Wissen sind verwandt-mit -Relationen nicht mehr ausreichend Sprung vom Thesaurus zum semantischen Netz Eingeführt von Linguisten, um die Bedeutung von Wörtern entsprechend ihrer Verwendung darzustellen (Kontext!) 45 Geordnete Zusammenstellung von Begriffen und Bezeichnungen, deren Zusammenhang über beliebige Beziehungen miteinander definiert wird.

46 Anwendung Semantic Web Web heute Web-neu (Semantic Web) Info über Alice Info über Bob Alice Freund von Bob arbeitet mit Info über Lucy Lucy Semantic Web = ein Web mit Bedeutung. The Semantic Web is not a separate Web but an extension of the current one, in which information is given welldefined meaning, better enabling computers and people to work in cooperation. (Tim Berners-Lee in Scientific American, Inc. 2001) If HTML and the Web made all the online documents look like one huge book, RDF, schema and inference languages will make all the data in the world look like one huge database. (Tim Berners-Lee in Weaving the Web, 1999) 46

47 Ontologien und Semantik Grundlagen Ontologie: (griech. ontos = seiend und logos = Lehre) Lehre vom Seienden, Aristoteles: ca. 300 v. Chr. Gemeinsames, allgemeingültiges Verständnis eines Wissensgebietes, mittels dem innerhalb von Domänen oder zwischen Domänen kommuniziert werden kann Vereinbarung über ein gemeinsam zu nutzendes Vokabular Eine Ontologie ist Sammlung von Konzepten, Beziehungen und Regeln, die auf dem Konsens einer Gruppe von Personen beruhen. Immer subjektiv und dynamisch, Wesensbestimmung aus einem bestimmten Blickwinkel! 47

48 Ontologien und Semantik In der Informatik I Ein formal definiertes System von Konzepten und Relationen zwischen diesen, wobei der Relation eine spezifizierte, formal definierte Bedeutung zukommt. Zusätzlich enthält die Ontologie Axiome Ontologien stellen eine... - maschinenlesbare - semantische Sicht auf Informationen bereit, welche zwischen - verschiedenen Agenten (Software und Human) - kommuniziert werden kann. Ontologiebasiertes Wissensmanagement zielt darauf ab, Wissen einer Domäne zu Explizieren und damit zu Formalisieren Ontologien als DIE Wissenssprache 48

49 Einfache Ontologie Prüfungsmanagement EZ Namen AZ internes Projekt Eigenschaften: Datatype Properties Klassenhierarchien Projekt Prüfungsprojekt Eigenschaften: Object Properties hat Mitarbeiter hat Auftraggeber kritische Erfolgsfaktoren Person Vornamen Nachnamen Sonderprüfung Initiativprüfung Gutachten Instanzen Gesundheitsreform des Landes hat Mitarbeiter Max Gruber hat Auftraggeber 49 Susi Direktor

50 Ontologie-Anwendung Prüfungsmanagement 50

51 Ontologien Einsatzbereiche Knowledge Engineering und Representation Objektorientierte Analyse Datenbankdesign Künstliche Intelligenz, Entscheidungsunterstützung Integration von Anwendungssystemen (EAI), Offene Systeme Kontextuelle Einbindung von Dokumenten / Dokumentmanagement Basis für Information Retrieval, Extraction und Visualisation u.v.m 51

52 Wissenserschließung

53 Techniken State of the art Information Extraction Extraktion von Zusatzinformation wie z.b. Personen- oder Ortsbezügen Clustering Automatisches extrahieren von Strukturen (z.b. Klassen) Klassifikation Automatisches einordnen/annotieren von Wissensobjekten Retrieval Finden von Wissensobjekten nach verschiedenen Kriterien 53 - Kontextbezogene Suche nach ähnlichen Wissensobjekten - Suche nach Inhalt, Metadaten und semantischen Beschreibungen Information Visualisation Darstellung der Ergebnisse aus Clustering / Klassifikation / Retrieval zur Komplexitätsreduktion

54 Informationsextraktion Überführung von unstrukturierten Text in strukturierte Vorlagen Füllen von vorgegebenen Strukturen Anwendungen - Metadatenextraktion - Befüllen von Ontologien Vorname Nachname Zugehörigk. Michael Granitzer Know-Center mgrani@know-center.at Wolfgang Kienreich Know-Center wkien@know-center.at Vedran Sabol Know-Center vsabol@know-center.at Firmenname Firmenort Rechtsform Know-Center Graz? 54

55 Informationsextraktion Beispiel Extraktion von Konzepten 55

56 Clustering Automatisches Gruppieren von Objekten Finden von Gruppen von ähnlichen Objekten - Finde jene Gruppen von Informationsobjekten bei denen die Ähnlichkeit innerhalb der Gruppe maximiert und die Ähnlichkeit zwischen den Gruppen minimiert wird Beschreibung der Objektgruppen durch Schlüsselwörter Anwendung - Automatische Extraktion von Themen einer Suche - Finden von Plagiaten/Mutationen von Texten - Extraktion von Konzepten & Konzepthierarchien in einem Informationsraum - Zusammenfassung von Texten 56

57 Clustering Beispiel Clustern zur Laufzeit 57

58 Klassifikation Automatisches Einordnen von Objekten Automatisches einordnen von Wissensobjekten in eine vorgegebene Systematik - Gegeben ist eine Ablagesystematik/Ontologie - Vorgegebene Zuordnungen zw. Dokument <-> Ablagesystematik - Automatisches ermitteln von Regeln zur Zuordnung von neuen Dokumenten Beispiele: - Ablegen von s in speziellen Ordner, abhängig vom Inhalt (z.b. Spam) - Automatisches Verschlagworten von Objekten z.b. mittels eines Thesaurus / einer Ontologie als Ablagestruktur 58

59 Klassifikation Beispiel Infosky 59

60 Retrieval Finden von Objekten Ziel: Auf Basis einer unscharfen Formulierung des Informationsbedürfnisses sollen Dokumente gefunden werden, welche das Informationsbedürfnis befriedigen Inhaltsbezogen Semantisch Relevance Feedback Automatisches Einteilen in Themengruppen Analyse der Treffer nach Metadaten Visualisierungen 60

62 Ontologien und Wissenserschließung Kombination bestehender Systeme Verbindung der formalisierten Know Miner Knowledge Discovery Framework Ontologiebasiertes Applikationsframework 62 mit der unstrukturierten Datenwelt

63 Schematischer Ablauf Wissens- (Prozess) Ingenieur Organisationale Wissensbasis Organisationale Sphäre Kontextinformation, Bedeutung Persönliche Sphäre Prozesse Aktivitäten Wissensarbeit Individuelle Wissensbasis Verbesserte Wissensbereitstellung 63 Wissens- Arbeiter

64 Ontologien & Wissenserschließung Applikationsgrundlage: Graphen in allen Komponenten Integration heterogener Datenquellen Content in semantischer Representation 64 - Abbildung von Meta-Daten - Formale Beschreibung von Inhalten (Ontology Learning, Ontology Population) Kontext (Prozess): Semi-automatische Definition von ad-hoc Prozessen & Integration in Standardprozesse - Formale Beschreibung von Standardprozessen - Identifikation / Analyse von ad-hoc-prozessen - Integration ad-hoc- und Standardprozesse Visualisierung (und Manipulation) komplexer Graphenstrukturen

66 Projektsetting Timeline DYONIPOS Rahmen-Projekt Vorprojekt Rahmenbedingungen Tech., Recht., Org. IST-Dokumentation Anforderungsdetail. UseCases Infrastrukt. Test Data Schnittstellen / Data Network Implementierung Pilot- und Testbetrieb 66

67 Projektsetting Know-How und Kompetenzen Domänen-Wissen Knowledge Discovery Strategie, Organisation, Kultur Kultur Know-How Use Use Case Case Prozess-Wissen Wissensprozesse, BPM BPM Know-How Forschungsrahmen Wissensorganisation, Semantic Systems, Ontologien Technische Einbettung, Infrastruktur Rechtliche Aspekte, Datenschutz DataNetwork Repositories, Vorsysteme Visualisierung Forschungspartner DYONIPOS Konsortium 67

68 Ansprechpartner Forschungspartner: Josef Makolm, BMF, IT-Sektion Forschungskonsortium: Doris Reisinger, m2n consulting and development gmbh 68

69 Danke für Ihre Aufmerksamkeit! Forschungsprojekt DYONIPOS Dynamische, intelligente Unterstützung der Wissensprozesse in der IT-Sektion des BMF Josef Makolm Doris Reisinger