Die Lösung Turbo ixtractor

Transkript

1 Die Lösung Turbo ixtractor Intelligente und lernende Altdatenintegration für die Serviceinformationen älterer Pkw- und Nfz-Baureihen Jens Freiberg, CSC Ploenzke AG

2 Agenda 1. Ursprung von der Lösung 2. Zielsetzung 3. Idee hinter der Lösung 4. Lösungskomponenten Lösungsarchitektur Ontologie Manager Research Engine Knowledge Base Das zugrundeliegende Basiskonzept Iterative Vorgehensweise Aufbau der Knowledge Base und Strukturierung der Anfrage Konfiguration der Anfrage und Übergabe an die Research Engine Auswertung der Trefferliste und Schärfung des Suchvorgangs 5. Überblick Prototyp Beschreibung GUI (Hardcopy) Board Area

3 Der Ursprung der Lösung DMS NEWS EPC -net WIS/ASRA -net DAS DAISY FDOK EPC WIS ASRA Neue Baureihen Kritische Erfolgsfaktoren: Akzeptanz bei der Serviceorganisation Unterschiedliche Prozesse für neue und alte Baureihen Alte Baureihen Herausforderungen: Die alten Baureihen werden mittelfristig dominieren Medienbruch zwischen Bearbeitung der alten und der neuen Baureihen Unterschiedliche Arbeitsweisen zwischen Neuer Lösung und EPC net bzw. WIS/ASRA net Board Area

4 Board Area Die Zielsetzung der Lösung DAS Lösung DMS Intelligente Altdatenintegration/Turbo ixtractor FDOK DAISY ASRA WIS EPC Neue Lösung Alte & neue Baureihen Zielsetzung : einheitliche Geschäftsprozesse einheitliche Produktgliederung einheitliche Oberfläche einheitliche Suche für neue und alte Baureihen

5 Board Area Die Idee hinter der Lösung Im Knowledge Management weiß man aus verschiedenen Aufgabenstellungen und Problemen, dass Verknüpfungsregeln, Begrifflichkeiten und Suchalgorithmen auf gänzlich inhaltsund strukturverschiedene Probleme übertragbar sind Alt- und Neusysteme halten Daten vor, die unterschiedlich strukturiert und/oder unstrukturiert sind, die auf verschiedenen Begriffswelten aufbauen und die, obwohl logisch zusammengehörig, keine echte Verbindung zueinander haben Die Lösung wendet Werkzeuge und Methoden des Knowledge Managements an, um mittels ontologie-basierter und semantischer Werkzeuge die Produktgliederung und den Thesaurus auf die Altdaten zu übertragen und sie damit für die Gesamtlösung aufzubereiten

6 Board Area Das Lösungsmodell Anfrage Ergebnis Turbo-iXtractor Intelligente Knowledge Base Abfragelogik Modellierbare Informationslogik Calibration Process Ergebnislogik Abgeleitetes Informationsnetz Informationsquellen Strukturiert Update unstrukturiert Update

7 Die Lösung besteht aus 3 zentralen Bausteinen Der Ontologie-Manager organisiert das Regel- und Zuordnungsnetzwerk, damit festliegt, dass ein Steuergerät zum Motor gehört und bei jeder Diagnose der Fehlerspeicher ausgelesen wird. Er organisiert die begriffliche Ordnung, damit festliegt, dass die Einspritzanlage 'Steuergerät' heißt, und zwar immer. Knowledge Base indiziert und verknüpft alle relevanten Informationsobjekte aus verschiedenen Datenquellen innerhalb eines assoziativen Informationsnetzes Research Engine erstellt und klassifiziert die Knowledge Base und sorgt dafür, dass dass die Suchergebnisse stets auf das Regel- und Zuordnungsnetzwerk abgestimmt alle relevanten Informationen zu einer Einspitzanlage gefunden werden Board Area

8 Board Area Der Ontologie Manager Applications M V hatteile-id 340 kw hatleistung I V12 (Motor) OntoBroker Front End Connectors steuertundregelt I SE-32-E (Elektronik) hatteile-id SE besteht aus I besteht aus I besteht aus KA-ross 6-FH (Karosserie) OntoCar (Automobil) besteht aus OntoEdit I 330 kw ausgelegtfürleistung FW 4x4 (Fahrwerk) FW 4x4-587 Application Server Logic Compiler F-Logic, Prolog, RDF, OXML Inference Kernel Back End Connectors Internal Database Knowledge Base

9 Board Area Die Komponenten der Research Engine Applications Die Research Engine segmentiert, interpretiert, Research Engine Front End Connectors Knowledge Browser klassifiziert, visualisiert und vergleicht Search Engine Knowledge Agent Knowledge Classify Knowledge Cluster strukturierte und unstrukturierte Informationen. Knowledge Base

10 Board Area Research Engine Front End Connectors Die Knowledge Base Knowledge Browser Search Engine Knowledge Agent Knowledge Classify Knowledge Cluster Erzeugt generische Assoziationsnetze zur Inhaltserkennung, Knowledge Retrieval und Klassifizierung

11 Agenda 1. Ursprung von der Lösung 2. Zielsetzung 3. Idee hinter der Lösung 4. Lösungskomponenten Lösungsarchitektur Ontologie Manager Research Engine Knowledge Base Das zugrundeliegende Basiskonzept Iterative Vorgehensweise Aufbau der Knowledge Base und Strukturierung der Anfrage Konfiguration der Anfrage und Übergabe an die Research Engine Auswertung der Trefferliste und Schärfung des Suchvorgangs 5. Überblick Prototyp Beschreibung GUI (Hardcopy) Board Area

12 Board Area Aufbau der Ontologie: Stufe 1 Produktstruktur Komplettfahrzeug Antrieb Kraftübertragung Fahrwerk / Fahrgestell Aufbau Kommunikation / Information Thesaurus Stromversorgung Vernetzung / Verkabelung Beleuchtung Signalanlage Bordwerkzeuge / Zubehör Sicherungssysteme Reinigungssysteme Ontologiebasiertes Modell Knowledge Base

13 Aufbau der Ontologie: Stufe 2 Produktstruktur + Thesaurus Erweiterung der Struktur durch Teilstrukturen aus den Altsystemen Ontologiebasiertes Gesamtmodell Knowledge Base Board Area

14 Board Area Aufbau der Ontologie: Stufe 3 EPC WIS ASRA Erweiterung der Struktur durch vollständige Strukturen aus den Altsystemen Lösung Ontologiebasiertes Gesamtmodell Knowledge Base

15 Board Area Konfiguration der Anfrage und Übergabe an die Research Engine Produktgliederung/Thesaurus Fahrzeug-/Abfragedefinition Research Engine Knowledge Base Base Arbeitsganginformationen Teile- Daten Serviceliteratur

16 Board Area Auswertung der Rechercheergebnisse Semantische Wolke Semantische Relevanz Topschlagwörter Inhaltsabriss

17 Board Area Schärfung des Rechercheergebnisses Durch eine stärker fokussierte Betrachtungsweise und eine iterative Kalibrierung Suchprozesses wird eine signifikante Schärfung des Suchvorganges und damit eine Verbesserung des Rechercheergebnisses erreicht.. Anfragelogik 1. Ergebnislogik Gap-Analyse Kalibrierung 2. Anfragelogik 3. Ergebnislogik Gap-Analyse 2. Ergebnislogik Search Cycle 1 Fokussierung Relevantes DELTA 4. Ergebnislogik Search Cycle 2 Fokussierung 2. Anfragelogik + DELTA Relevantes DELTA 1. Anfragelogik + DELTA

18 Board Area Überblick Lösung Freie Suche ontexteinschränkung Produktgliederung Auswahlliste Start der Anfrage

19 Prozess: Anfrage Board Area

20 Prozess: Anfrage - Nockenwelle Board Area

21 Prozess: Anfrage Finden in der Produktstruktur Board Area

22 Ergebnis: Teilekatalog Board Area Prozess: Anfrage Start

23 Ergebnis: Teilekatalog Erweiterung um Baujahr Board Area Prozess: Anfrage Beziehen auf ein Baujahr

24 Ergebnis: Teilekatalog neues Ergebnis Board Area Prozess: Anfrage Übergabe an assoziative Suche

25 Ergebnis: Serviceliteratur Board Area Prozess: Anfrage

26 Ergebnis: Arbeitsschlüssel Board Area Prozess: Anfrage

27 Experience. Results.

28 Board Area Das KM-basiertes Objektmodel für ein Wort Aus Worten wird Inhalt Zeichenkette Kontext innerhalb eines Dokumentes Assoziationen zu anderen Zeichenketten Sinnzusammenhang Innerhalb eines Wissensgebietes Bedeutungen

29 Board Area Das Basiskonzept ist ein assoziatives Netzwerk Es ist Herbst. Die Bäume im Park verlieren ihre Blätter. Centralpark Bank Baum Petra sitz auf einer Bank im Centralpark und sonnt sich. sitzt Park Sitzgelegenheit Petra ank ist eine itzgelegenheit nd steht im mfeld von äumen

30 Board Area Ontologie Objekt Person konstruiert Bauteil eingebaut_in erbaut Fahrzeug Wirtschaftler Ingenieur Antriebsstrang Motor Düsenantrieb Teil_von ähnlich Regeln B F B F eingebaut_in besteht_aus P konstruiertb eingebaut_inf P erbautf