vollständige Magisterarbeit zum Thema - Michael Stollberg
vollständige Magisterarbeit zum Thema - Michael Stollberg
vollständige Magisterarbeit zum Thema - Michael Stollberg
Sie wollen auch ein ePaper? Erhöhen Sie die Reichweite Ihrer Titel.
YUMPU macht aus Druck-PDFs automatisch weboptimierte ePaper, die Google liebt.
Kapitel A: Grundlagen ontologiebasierter Wissensmodellierung 11<br />
Auf die Erfassung einer Wissensstruktur mittels eines Repräsentationsschemas folgt<br />
die Operationalisierung, also die Überführung in einen Repräsentationsformalismus.<br />
Damit wird die Maschinenlesbarkeit des repräsentierten Wissens und somit die Verwendbarkeit<br />
in computergestützten Systemen erreicht. Die dazu verwandten Wissensrepräsentationssprachen<br />
müssen in der Lage sein, die Komplexität der erfassten Wissensstruktur<br />
ausdrücken zu können und eine effiziente informationstechnische Verarbeitung<br />
zu gewährleisten (s. Owsnicki-Klewe+00, S. 171). Um diesen Anforderungen zu genügen,<br />
sollte eine solche Sprache folgende Fähigkeiten aufweisen. Erstens sollte qualitatives<br />
Wissen beschreibbar sein – also die Erfassung von Beziehungszusammenhängen anstatt<br />
reiner Datenverarbeitung. Zweitens soll neues Wissen aus dem vorhandenen über inferenzielle<br />
Verknüpfungen ableitbar sein. Drittens soll die Darstellung von allgemeinabstrakten<br />
als auch von speziell-detaillierten Zusammenhängen möglich sein. Viertens<br />
sollen komplexe semantische Konstrukte beschreibbar sein und fünftens die Möglichkeit<br />
zur Darstellung von Meta-Wissen gegeben sein (vgl. Luger01, S. 60-65).<br />
Wesentlich für die Qualität derartiger Sprachen ist, dass sie eine formal definierte Semantik<br />
aufweisen. Das heißt, dass jedem Primitivum und jedem Operator eine eindeutige<br />
Bedeutung zugewiesen und somit die Homomorphie von Ausdrücken gewährleistet ist.<br />
Dazu haben logische Methoden sich als geeignetes Werkzeug etabliert. Somit folgt die<br />
Situation, dass logikbasierte Formalismen zwar nicht direkt als Repräsentationsformalismus<br />
verwandt, aber als Analysewerkzeug eingesetzt werden (s. Owsnicki-<br />
Klewe+00, S. 175f). Für die besprochenen Repräsentationsschemata wurden jeweils<br />
entsprechende Wissensrepräsentationssprachen entwickelt. Auch für Ontologien werden<br />
entsprechende Repräsentationsformalismen benötigt, welche ebenfalls später ausführlich<br />
behandelt werden.<br />
A.1.1.3 Modellbasierter Ansatz<br />
Als abschließender Aspekt aus dem Bereich der Wissensrepräsentation soll der modellbasierte<br />
Ansatz erläutert werden, der aus einem Paradigmenwechsel innerhalb des<br />
Knowledge Engineering (s. A.1.2) hervorging. Dabei wurde zunächst im sogenannten<br />
Transfer-Ansatz das Wissen menschlicher Experten in eine formale Repräsentation überführt<br />
und das entsprechende Problemlösewissen durch Schlussregeln darauf aufgesetzt.<br />
Diese Vorgehensweise zeigte jedoch erhebliche Schwächen, da <strong>zum</strong> einen implizit schwer<br />
formalisierbares Alltagswissen in den Problemlöseprozess menschlicher Experten einfließt<br />
und <strong>zum</strong> anderen, weil die nötige erschöpfende Erfassung der Wissensdomäne allein<br />
durch Extraktion von Expertenwissen nicht möglich erschien (s. Studer+98, S. 2f). Daher<br />
wurde die Erstellung eines konzeptuellen Modells der Wissensdomäne als zusätzlicher,<br />
vorgelagerter Schritt eingeführt. Darin sollte die statische Wissensstruktur auf Basis<br />
mehrerer Quellen derart erfasst werden, dass eine umfassende, konzeptionell korrekte<br />
Abbildung der Domäne entsteht. Auf dieser kann eine entsprechende Inferenzmaschine<br />
das benötigte Problemlösewissen realisieren (vgl. Struss00, S. 431-433).<br />
Bei derartigen Verfahren stellt die Wissensbasis als wissensrepräsentierende Komponente<br />
eines intelligenten Systems die modellhafte Abbildung der Wissensdomäne dar,<br />
welche auf einer objektiven Analyse der Wissensstrukturen beruht. Daher werden diese