Vorlesung Netzbasierte Informationssysteme Corporate Semantic Web and Public Semantic Web Prof. Dr. Adrian Paschke Arbeitsgruppe Corporate Semantic Web (AG-CSW) Institut für Informatik, Freie Universität Berlin paschke@inf.fu-berlin.de http://www.inf.fu-berlin.de/groups/ag-csw/ 1
Überblick Public Semantic Web Corporate Semantic Web Business Context Corporate Semantic Engineering Corporate Semantic Search Corporate Semantic Collaboration Corporate Business Information Systems 2
Corporate Semantic Web 1. Einsatz von Semantic Web Technologien in betrieblichen Informationssystemen, insbesondere in (kollaborative) Arbeitsabläufen und Prozessmanagement (z.b. Semantic Business Process Management) Kommunikation und Wissensmanagement (z.b. Semantic Knowledge Management) 2. Corporate = Unternehmerisches Handel Einsatz von Semantic Web Technologien unter wirtschaftlichen Gesichtspunkte / wirtschaftliche Bewertung von Semantic Web Technologien (z.b. Ontologie / Rules Engineering cost models) 3
Anwendungsbereiche des Corporate Semantic Web Corporate Semantic Engineering (siehe Vorlesungseinheit "Ontology Engineering ) Methoden und Tools mit denen Ontologien und Regelbasen für Firmeninformationen und -prozessen präzise, qualitativ hochwertig und ökonomische effizient erstellt und gewartet werden können Semantische Unterstützung im Engineering Semantic Corporate Search Lösungen für semantische Suche in kontrollierten Informationsbeständen mit definierten Qualitätsverbesserungen. Semantic Corporate Collaboration neue semantische Plattformen mit der unterschiedliche Unternehmensbereiche oder Bestandteile eines virtuellen Unternehmens gemeinsam Informationen, Prozesse und Wissen sammeln, nutzen und managen können 4
Aspekte der Suche Form der Suchanfrage Qualität der Suchergebnisse User Involvement Suchziel/ Suchobjekt Suchbestände: Daten, Texte, etc. Visualisierungsaspekte 5
Grundidee: Semantic Web Search Hardware Region Store Shopping Mall Ontology City Hardware Store Berlin <a onto= > Ontologiebased Search yellowpages:store:har dware Region:Berlin Many pages nothing useful Relevant pages which conform to the ontology 6
Beispiel: Die HCLS Literaturdatenbank PubMed.org >18.000.000 Literatur Abstracts Wächst pro Tag um 2000-5000 Publikationen / Jährlich ca. 500.000 Großartige Quelle, wenn man weiß wonach man suchen muss Automatisches gezieltes Durchsuchen von Abstracts sehr oft nötig 7
Ergebnisse von PubMed Title Lorenz P, Transcriptional repression mediated by the KRAB domain of the human C2H2 zinc finger protein Kox1/ZNF10 does not require histone deacetylation. Biol Chem. 2001 Apr;382(4):637-44. Fredericks WJ. An engineered PAX3-KRAB transcriptional repressor inhibits the malignant phenotype of alveolar rhabdomyosarcoma cells harboring the endogenous PAX3-FKHR oncogene. Mol Journal Year Cell Biol. 2000 Jul;20(14):5019-31.... Author Jedoch, für eine Maschiene sehen die Dinge anders aus! 8
Ergebnisse von PubMed Loqe z P, Tqa scqiptio a qepqessio mediated by the KRAB domai of the huma C2H2 zi c fi geq pqotei Kox1/ZNF10 does ot qeruiqe histo e deacety atio. Bio Chem. Lösung: 2001 Apq;382(4):637-44. Fqedeqicks WJ. A e gi eeqed PAX3-KRAB tqa scqiptio a qepqessoq i hibits the Tags (XML) ma ig a t phe otype of a veo aq qhabdomyosaqcoma ce s haqboqi g the e doge ous PAX3-FKHR o coge e. Mo Ce Bio. 2000 Ju ;20(14):5019-31.... 9
Ergebnisse von PubMed <author>loqe z P</author><title>Tqa scqiptio a qepqessio mediated by the KRAB domai of the huma C2H2 zi c fi geq pqotei Kox1/ZNF10 does ot qeruiqe histo e deacety atio. </title> <journal>bio Chem </journal><year>2001<year> <author>loqe z P</author><title>Tqa scqiptio a qepqessio mediated by the KRAB domai of the huma C2H2 zi c fi geq pqotei Kox1/ZNF10 does ot qeruiqe histo e deacety atio. </title> <journal>bio Chem </journal><year>2001<year>... Jedoch, für eine Maschiene sehen die Dinge anders aus! 10
Ergebnisse von PubMed <authoq>loqe z P</authoq><tit e>tqa scqiptio a qepqessio mediated by the KRAB domai of the huma C2H2 zi c fi geq pqotei Kox1/ZNF10 does ot qeruiqe histo e Lösung: deacety atio. </tit e> <jouq a >Bio Chem </jouq a ><yeaq>2001<yeaq> <authoq>loqe z Benutze P</authoq><tit e>tqa scqiptio a qepqessio mediated by the KRAB domai of the huma C2H2 zi c fi geq Ontologien pqotei Kox1/ZNF10 does ot qeruiqe histo e deacety atio. </tit e> <jouq a >Bio Chem </jouq a ><yeaq>2001<yeaq>... (Semantic Web) Beispiel Suchbegriff: Levamisole Inhibitor 11
Klassische Schlüsselwort Literatursuche 12
Ontologie-basierte Literatursuche Nutzung von Web Mining Techniken Term Extraktion 13
Ontologie-basierte Literatursuche 14
Ontologie-basierte Literatursuche Nutzer verfeinert Suchraum anhand der Ontologiebegriffe, z.b. mittels Faceted Search View Zuordnung in die Gene Ontology 15
Aspekte der Suche Form der Suchanfrage Qualität der Suchergebnisse User Involvement Suchziel/ Suchobjekt Suchbestände: Daten, Texte, etc. Visualisierungsaspekte 19
Suche im Web: Visualisierung Visualisierungsaspekte: Cluster: web.de, clusty.com Vorschau: exalead.com Graphbasierte Tag-Clouds: quintura.com 20
Suche im Web: Visualisierung web.de 21
Suche im Web: Visualisierung clusty.com 22
Suche im Web: Visualisierung quintura.com 23
Suche im Web: Visualisierung exalead.com 24
Aspekte der Suche Form der Suchanfrage Qualität der Suchergebnisse User Involvement Suchziel/ Suchobjekt Suchbestände: Daten, Texte, etc. Visualisierungsaspekte 25
Personalisierte Ontologie-basierte Suche Filterung und weitere Einschränkung des Suchraumes anhand des Benuterkontext, -präferenzen,-ziele, etc. Der personalisierte Filter kann lernen ( adaptive ) und/oder vom Nutzer selbst angepasst werden ( adaptable ). Adaptive und adaptable Ansätze können kombiniert werden 26
Beispiel: Pull Szenario Übersetzung in Suchanfrage Suchraumeinschränkung: z.b. Query Refinement, Query Rewriting Ergebnis der Suchanfrage Bewertung der Inhalte: z.b. Ranking of Results Auswahl der relevanten Information Ergebnisaufbreitung: Device Constraints, Costs, Quality,.. Übermittlung der Information Benutzerschnittstelle: Präsentation, Sichtbarkeit des Personalisierungsprozesses 27
Beispiel: Push Szenario Ein Filter kann pro-aktiv Informationen dem Nutzer vorschlagen Beispiel: Benutzereinstellungen, Beobachtungen von ähnlichen Nutzern, komplexe Ereignisse (CEP), etc. Valuable Information at the Right Time to the Right Recipient Information Dissemination 28
Personalisierte Ontologie-basierte Suche Grundidee: Berechnung der semantischen Ähnlichkeit zwischen Objekten repräsentiert als RDF Graphen Ein Anfrageobjekt (Informationsanfrage mit Kontext) wird auf eine Menge von Resourcenobjekten auf Basis von semantischer Ähnlichkeit verglichen Beispiel: Semantic Matching Framework (SemF) http://semmf.ag-nbi.de/ Berechnung der Ähnlichkeit zwischen zwei Konzepten c 1 und c 2 basierend auf deren Entfernung in der Konzepthierarchie (Taxonomie) Entfernung: d(c1,c2) Ähnlichkeit: sim(c1,c2) = 1 - d(c1,c2) Konzepte in Taxonomie haben einen Meilensteinwert. Die Entfernung zwischen Konzepten ist der Pfad über den nächsten Elternknoten (closest common parent - ccp): 29
Semantische Ähnlichkeit von Taxonomiekonzepten Linear Milestone Calculator l(n) Tiefe des Knoten n in der Hierarchie und l(n) die tiefste Hierarchieebene Exponential Milestone Calculator k > 1 ist Rate mit der die Meilensteinwerte sich in der Hierarchie verkleinern 30
Beispiel: Skill Ontologie d (Java, C) = d (Java, High level programming languages) + d (C, High level programming languages) = (0.5-0.0.0625) + (0.5-0.125) = 0.8125 sim(java, C) = 1 0.8125 = 0.1875 Beispiel: Suchanfrage Java + Personal Skill Profil (Java + C Kenntnisse) => auch Stellenanzeigen für C Programmierer 31
Beispielanwendung: Personalisierter Job Finder 32
Zusammenfassung Personalisierung der Suche Entwicklung von Methoden und Modellen zur Repräsentation von Informationen über Nutzer und deren Verwendung für die individuelle Anpassung der Suche Adaptierbar vs. adaptiv Frühere Forschung (seit Mitte der 90ger) Adaptive Hypermedia Systeme Problem: Flexibilität, Re-usability Rekommendations-Systeme basierend auf Web-mining Technologien (Content und Nutzung) Problem: Lernalgorithmen erfordern eine kritische Masse an Daten 33
Personalisierung der semantischen Suche Rolle der Semantic Web Technologien Semantische Repräsentation der Informationen Semantische Repräsentation der Nutzer Bessere Umsetzung der Personalisierung Aktuelle Forschung Adaptive Hypermedia elearning Peer-to-peer Informationsportale Web Service discovery & composition Unternehmenskontext wird selten berücksichtigt 34
Nutzer der personalisierten Suche im Unternehmenskontext Kunden Anbieter personalisierter Dienste werden bevorzugt Wettbewerbsvorteil durch besseren Service Kundenbindung B2B-Partner, Investorinnen, Personalisierter Zugriff auf relevante Unternehmensdaten Reduktion der Transaktionskosten, Steigerung der Produktivität Mitarbeiterinnen Verbringen 15-35% ihrer Arbeitszeit mit der Suche nach Informationen (IDC Report. Enterprise Search Technology. Portals Magazine 12/2003) Unterschiedlicher Informationsbedarf je nach Abteilung, Rolle, Erfahrung, Ziele, Kontext einer aktuellen Aufgabe 35
Wann macht Personalisierung Sinn? Große Datenmengen wenn einfache Filterregeln nicht ausreichen z.b. Sortierung der Dokumente nach der Projektzugehörigkeit Nutzerprofil-basiertes Ranking Neue Informationen vorhanden Vermeidung von erneuten Suchanfragen Unpräzise Suchanfragen Nutzerprofil wird zur Eingrenzung der Suchergebnisse herangezogen Zeit/Aufwand-Trade-off Initialisierung einer Such-Session Startseite mit relevanten Informationen (Bsp. Projektmanager) 36
Anforderungen an Personalisierung im Unternehmenskontext Berücksichtigung der Nutzer-Heterogenität Abteilung, Rolle, Erfahrung, Ziele, Kontext der Aufgabe Integration von Informationsquellen Unternehmensportale, Unternehmensontologien, öffentliche Websites, lokale Dateien, E-Mails, usw. Nachvollziehbarkeit und Kontrolle Personalisierte Suchergebnisse müssen nachvollziehbar sein Möglichkeit der Änderung des eigenen Suchprofils bzw. Abschaltung der Personalisierung Niedriges User-involvement (semi-)automatische Profilgenerierung und Update Performance und Skalierbarkeit 37
Zusammenfassung Suchmethoden Iterative Suche durch Benutzer Vorteil: niedrige Einstiegskosten Herausforderung: Anfragestrategie Textkörper Faktenbasiert Vorteil: Verarbeitung Unstrukturierte Daten Herausforderung: Valide Anfrage Hintergrundwissen während Suche verwendete Vorteil: erfasst alle verborgenen Antworten Herausforderung: Ontology Design 38
Semantische Suche - Klassifikation Klassifikationskriterien der semantischen Suchverfahren Architektur stand-alone vs. meta search Ankopplung enge vs. Lose Kopplung der Dokumente und Ontologien Transparenz transparent, interaktiv (recommendation), hybrid User context hard-coded vs. lernbasiert Query Modifikation manuell vs. query rewriting Ontologie-Struktur (semantic reusability) Ontologie-Technologie (technological reusability) (Klassifikationskriterien nach Mangold, Ch. A Survey and Classification of Semantic Search Approaches, Int. J. Metadata Semant. Ontologies, 2007) 39
Semantische Suche Forschungsrichtungen Forschungsrichtungen (nach Eetu Mäkelä Survey of Semantic Search Research 2005) Modifikation traditioneller stichwortbasierter Suche mit Semantic Web Technologien Query Erweiterung bzw. Einschränkung basierend auf Hintergrundwissen (Synonyme, Homonyme, Meronyme) Matching der Such-Stichwörter auf Ontologiekonzepte Basic concept location: Instanzzuordnung zu Konzepten (Ankopplung) Complex constraint queries: Benutzerunterstützung in Queryformulierung Problem solving: Wissensbasis und Problembeschreibung 40
Corporate Semantic Search Anwendung der semantischen Suche im Unternehmenskontext Aspekte von Corporate Semantic Search Daten User Natürliche Sprache, numerische Daten, Multimedia Heterogenität strukturiert (z.b. Ontologien, relationale Datenbanken) semi-strukturiert (z.b. Texte in XML-Format) unstrukturiert (z.b. E-Mails) Informationsbedarf orientiert sich an Unternehmenskontext Aufgaben / Ziele Suche nach Dokumenten, Menschen, Multimedia Suche nach komplexen Zusammenhängen (z.b. Trends) Methoden 41
Corporate Semantic Search Suche der Zukunft: Alternative Suchformen: lokale, mobile, soziale Suche Benutzer und Benutzersicht stehen im Vordergrund der Suche Hyper Mining, Trend Mining Trend Mining - Eine komplexe Aufgabe: Expertenwissen Erkennung komplexer Zusammenhänge Lernprozess Korrelation hybrider Information Erkennung von Trends 42
Evolution der Suche im Web Quelle: Nova Spivack, Semantic Web Talk at The Next Web Conference, 2008 43
Anwendungsbereiche Corporate Semantic Engineering (siehe Vorlesungseinheit "Ontology Engineering ) Methoden und Tools mit denen Ontologien und Regelbasen für Firmeninformationen und -prozessen präzise, qualitativ hochwertig und ökonomische effizient erstellt und gewartet werden können Semantische Unterstützung im Engineering Semantic Corporate Search Lösungen für semantische Suche in kontrollierten Informationsbeständen mit definierten Qualitätsverbesserungen. Semantic Corporate Collaboration neue semantische Plattformen mit der unterschiedliche Unternehmensbereiche oder Bestandteile eines virtuellen Unternehmens gemeinsam Informationen, Prozesse und Wissen sammeln, nutzen und managen können 44
Die 3 K s der Kollaboration Kommunikation In welchem Ausmaß kommunizieren die Teilnehmer oder Dienste / Systeme miteinander? (engl. Communication) Kooperation In welchem Ausmaß wird auf das Erreichen eines gemeinsamen Zieles hin gearbeitet? (engl. Collaboration) Koordination In welchem Ausmaß werden Termine / (Prozess)Abläufe gemeinsam geplant? (engl. Coordination) 45
Kollaborationswerkzeuge CSCW Software /Groupware Software (aber auch Hardware) zur Unterstützung der Zusammenarbeit in einer Gruppe über zeitliche und/oder räumliche Distanz hinweg, z.b. Enterprise Content Management Systeme (ECMS) Social Software Software, die dem Aufbau und der Pflege von Gemeinschaften, in der Regel über das Internet, dienen und die menschliche Kommunikation und Zusammenarbeit der Mitglieder unterstützt z.b. Social Tagging, Social Bookmarking Instant Messaging, Mashups, Wikis, Kollaborative Online- Textbearbeitung in Echtzeit, Blogs etc. Workflow, Prozess, IT Service Management Systeme Automatisierte Unterstützung von (strukturierten) Arbeitsabläufen, Geschäftsprozessen, IT-Dienst Ketten, etc. 46
Kollaboratives Wissensmanagement Groupwaresysteme Kommunikationssysteme Kollaborationssysteme Koordinationssysteme Social Software Wikis Weblogs Social Bookmarking Inhaltsorientierte Systeme Kollaborative (Web) Dokumentenmanagementsysteme / Contentmanagementsysteme Learningcontentmanagementsysteme Portalsysteme Lernmanagementsysteme Systeme der künstlichen Intelligenz Kollaborative Agentensysteme Regel-basierte Workflow / intelligente Event Processing Systeme 47
Computer Supported Collaborative Work (CSCW) CSCW beschäftigt sich mit dem Verstehen sozialer Interaktion sowie der Gestaltung, Implementierung und Evaluierung von technischen Systemen zur Unterstützung sozialer Interaktion. Unter Groupware versteht man Software, Hardware und Dienste zur Unterstützung von Gruppen. Das wichtigste Charakteristikum von Groupware ist die Eigenschaft, Benutzerinnen und Benutzer nicht von einander zu isolieren, sondern gegenseitig über einander zu informieren (Koexistenz, Awareness). 48
CSCW Matrix 49
Exkurs: Web 2.0 Social Web 50
Was ist Web 2.0? Definition von O Reilly. Web 1.0 Web 2.0 Neu DoubleClick Google AdSense personalisiert Ofoto Flickr tagging, community Akamai BitTorrent P2P mp3.com Napster P2P Britannica Online Wikipedia community, free content personal websites blogging dialog Evite upcoming.org and EVDB domain name speculation search engine optimization page views cost per click pay for participation screen scraping web services interoperability publishing participation CMS wikis flexibility, freedom directories (taxonomy) tagging ("folksonomy") community, freedom stickiness syndication open content 51
Was ist Web 2.0? Beispiele Dienst Geschäftsmodell Gmail Text-Ads Flüssige Bedienung dank Java-Script und XMLHttpRequest Backpack Bezahlte Premium-Dienste Projektmanagement als Webdienst Writely gekauft von Google Mehrbenutzer-Notepad im Web Wiki, Wikipedia Spenden, non-profit Größtes Lexikon der Welt, Top 30 Webseite, 100 Sprachen Del.icio.us gekauft von Yahoo! Tagging für Bookmarks Flickr gekauft von Yahoo! Tagging für Fotos, jeder kann alles taggen Blogs, RSS, Blogger.com Text-Ads, Reputation Mesh-Ups = aus zwei (webseiten) mach eins Craigs List: Google Maps und Immobilien-Inserate Programmableweb.com: 150 web-apis Neues Problem: Spam, bei Blogs, Wikis und tagging 52
Trend: Blogs Einfachere Benutzungsschnittstelle zum Aktualisieren von Inhalten Webformular & simple Syntax statt FTP-Client & HTML-Editor Einfache Organisation der Inhalte Automatisch zeitlich (neustes oben) statt manuell & hierarchisch Einfachere Nutzung der Inhalte Zunächst RSS-Reader statt Besuch der Webseite Öffentliche Kommentare (Traceback, Pingback, bidirektionale Links) Auf der Webseite oder per Referenz auf einen anderen Blog Neue Formen des Individual/Spezialjournalismus Neues Problem: Spam Zusammenfassung Technisch: Wenig neues Sozial: Kollaborativ (einzeln aber stark vernetzt) 53
Trend: Wikis Bekanntestes und größtes Wiki: Wikipedia Aber: Auch zahlreicher Einsatz in Intranets (z.b. in unserer Gruppe) Probleme werden sozial statt technisch gelöst Jeder kann ändern Änderungen zurücknehmen ist noch leichter Spam es gibt mehr Nutzer, die Spam entfernen Login optional für Personalisierung Flexible Struktur Navigation über Wiki-Seiten Zusammenfassung Technisch: Wenig neues Sozial: Kollaborativ (kein Besitztum an Inhalten) 54
Tagging 55
Tagging: Flickr.com 56
Trend: Tagging Idee: Auszeichnen von Inhalten mit frei vergebenen Stichwörtern Keywords sind ein alter Hut, aber Neu: Gute (simple) Benutzungsschnittstellen für Tagging und Tag-basierte Suche Erste Schritte zum Semantic Web? Tag-Bundles, Zusammenfassung Technisch: Benutzungsschnittstellen Sozial: Kollaborativ (eigene Inhalte, gemeinsame Tags) 57
Semantic Web + Web 2.0 = Web 3.0? Tagging Rekombination von Daten verschiedener Quellen Suche Web 2.0 Web 3.0 annotieren mit ambiguen Stichwörtern Singular/Plural-Problem Synonyme Keinerlei Intelligenz Mesh-Ups vorab von Hand programmiet Stichwortsuche oder Tag- Suche findet Dokumente annotieren mit eindeutigen Stichwörtern Inferenz (Tag Hund folgert Tag Tier ) Spontan durch End- Nutzer (siehe Piggybank) Semantische Suche 58
Semantic Corporate Collaboration Anwendungsbeispiele Semantic Wikis, Semantic Mindmaps und Semantic Conceptmaps als Basistechnologien für Wissensmanagement in Unternehmen z.b. Nutzung und Integration verschiedener Wiki und Blog Systeme zu einer gemeinsamen Wissensbasis Kollaborative Werkzeuge für den Informationsaustausch zwischen Abteilungen bzw. Unternehmen, die z.b. verschiedene Sichten auf gemeinsame Datenbestände haben (z.b. unterschiedliche Terminologien nutzen) Anwendung von Social Networks oder Social Bookmarking Techniken in Verbindung mit Semantic Web Technologien in der Kollaboration z.b. Kontakt zu Experten im Unternehmen herstellen. 59
Corporate Semantic Collaboration Wissensmanagement im Unternehmen Fragestellungen eines Pharmaunternehmens In welchen Krankheiten spielt ein Target eine Rolle und welche Rolle wird vermutet? Welche Nebenwirkungen von der Substanz X sind bekannt oder werden vermutet? Wer ist der Experte für dieses Thema? News Literatur Wettbewerber-Infos Dokumenten- Management-Systeme Ziel: integrierte Wissensdatenbank Effizientere Recherche über verschiedene Datenquellen 60
Corporate Semantic Collaboration Beispiele für Wissen in einem Unternehmen Wie muss ich ein Target modifizieren, um eine bessere Wirkung zu erzielen? Welche Wirkmechanismen sind für bestimmte Krankheiten relevant? Aber auch: Wie verschicke ich einen Brief? Wie stelle ich einen Dienstreiseantrag? Wissen bezeichnet das Netz aus Kenntnissen, Fähigkeiten, die jemand zum Lösen einer Aufgabe einsetzt. Herbst: Erfolgsfaktor Wissensmanagement, Cornelsen Verlag, Berlin 2000, S.9 61
Beispiel: Semantische Desktop Systeme Kombinieren Desktop-Systeme mit Semantic Web Technologien Extrahieren, verwalten, visualisieren und verwerten semantische und kontextuelle Assoziationen bzw. Metadaten für Personal Information (PIM) z.b. Gnowsis, Nepomuk, Beagle++, Social Semantic Desktop, Haystack 62
Beispiel: Semantic MediaWiki 63
Beispiel: What is located in California? 64
Beispiel: Analyse von Autorennetzwerken im Dokumentenmanagement 65
Beispiel: Wissen durch Nutzeraktivitäten Dokumente erzeugen Annotierte Dokumente Projektzugehörigkeit Autoren/Editoren Inhalte Dokumente senden u. empfangen Dokumente ablegen Dokumente suchen Dokumente bearbeiten 66
Beispiel: Semantic (Business) Process Management Nutzung von Semantic Web Technologien für die Modellierung und Ausführung von Arbeitsabläufen (Workflows) und Geschäftsprozessen (Business Processes) Ontologien als semantische Domänensprachen in Workflow/Prozess Modellen, z.b. Prozess-, Zeit-, Event/Action-Ontologien Erlaubt semantische Prüfung und semantisches Mapping zwischen Modellen und Domänenvokabularen (BPMN + Ontologien) Semantische Beschreibung von externen und internen Schnittstellen und semantische Integration von Heterogenen Informationsobjekte des Unternehmenswissens Menschen, z.b. über WIKI Interface (z.b. Process Makna) Schnittstellen zu Anwendungen (z.b. SAP) und Diensten (Semantic Web Services) Regel-basierte Workflows und dynamische agile Geschäftprozesse Nutzung von Business Rules, Policies, regel-basierte SLAs z.b. BPEL (Business Process Execution Language) + Rules Vorlesung: Semantic Business Process Management im SS09 67!
Herausforderungen an das Corporate Semantic Web Sharma2008 68
Beispiel Kollaborative Agentensysteme Rule-based Personal Information Agents in Unternehmen / Organisationen 69
Abgrenzung "Corporate vs. Public" Abgegrenzter Anwendungsbereich im Corporate Semantic Web Oft geschlossenen Informationssystemen / Intranetlösungen und bekannten Schnittstellen zwischen System-,Dienst- und Betriebsgrenzen Bekannte Nutzergruppe im Unternehmensnetzwerk(en) Nutzung der betrieblichen Infrastruktur, Informationen und Wissen kann direkt durch Verhaltensrichtlinien und Workflows/Prozesse beeinflusst werden Datensicht: geringere/abgeschlossene, oft strukturiertere Daten, formale Datenmodelle (z.b. relational, objektorientiert, XML, ) Logische Sicht, z.b. Closed World Assumption, Unique Name Assumption 70
Abgrenzung zum Social Semantic Web Social Semantic Web = Web of collective knowledge systems Fokus: Entwicklungen in denen zentral soziale Interaktionen im Web ein Rolle spielen, die zur Erzeugung explizieter und semantischer Wissensrepräsentationen führen Kombiniert Technologien, Strategien und Methoden des Semantic Web, Social Software und Web 2.0 Findet Anwendung sowohl im Corporate Semantic Web als auch Public Semantic Web 71
Abgrenzung zum Pragmatic Web The Pragmatic Web consists of the tools, practices and theories describing why and how people use information. In contrast to the Syntactic Web and Semantic Web the Pragmatic Web is not only about form or meaning of information, but about social interaction which brings about e.g. understanding or commitments. www.pragmaticweb.info Die Pragmatic Web Idee ist in der Sprach/Aktion Prespektive begründet Anwendung des Pragmatic Webs im Corporate Semantic Web ist verwandt zum Gebiet: Organizational Semiotics 72
Information Connections Vision: Ubiquitous Pragmatic Web 4.0 Syntactic Web Deskto p Windows PCs P2P Groupware Semantic Web FTP Monolithic Systems Era - 1990 Desktop Computing File Servers RDF Publish & Subscribe Search Engines Pragmatic Web Semantic Desktop Online Marketplaces / Auctions ASP Grid Web Sites World Wide Web 1.0 1990 2000 BBS SPARQL Knowledge Bases Javascript Connects Information Email SQL Semantic email IRC SGML RSS ATOM XML Mash-ups AI OWL SOAP MacOS Smart Business Markets Java HTML Personal Pragmatic Agent Ecosystems Next Generation Media Dynamic Enterprise Service Networks Personal Assistants Semantic Web 2.0 2000 2010 Connects Knowledge Gopher Databases Flash VR / VRML- Enterprise Portals Ubiquitous Pragmatic Web 4.0 2010 2020 Connects Intelligent Agents Web of Things & Social Web 3.0 2006 2010 Multi-user Gaming Connects People and Things AJAX RuleML Portals Ontologies CEP RFID WIKIs Semantic Blog Conferencing Ubiquitous autonomic Services and Things On Demand Services Ubiquitous Next Generation Agents and Social Connections 73
Zusammenfassung Public Semantic Web Corporate Semantic Web Business Context Corporate Semantic Engineering Corporate Semantic Search Corporate Semantic Collaboration Corporate Business Information Systems 74
Fragen? 75