5. Wissensrepräsentation

Strukturierte Darstellungen von Wissen sind ein großer Fortschritt im Vergleich zur Darstellung in ausschließlich natürlicher Sprache. Allerdings mangelt es häufig an einer nachvollziehbaren Interpretation von Zusammenhängen und Begriffsdefinitionen.

Entsprechend ist eine Verbesserung von strukturierten Darstellungen in Taxonomien zu sehen. Dies sind Klassifikationssysteme, die zur systematischen Einteilung und Organisation von Objekten, Konzepten oder Informationen in hierarchischen Strukturen (formal gesehen handelt es sich um die Datenstrukturen Baum oder Wald) verwendet werden. Sie dienen dazu, komplexe Informationen in einfachere, strukturierte und logische Gruppen aufzuteilen, oft nach dem Prinzip vom Allgemeinen zum Spezifischen. Die hierbei genutzten Begriffe sind im Allgemeinen auch definiert und somit abgrenzbar.

Taxonomien drücken also Beziehungen zwischen Wissensfragmenten auf der konzeptionellen Ebene aus. Dies ermöglicht eine bessere Einordnung und damit eine Auflösung von Mehrdeutigkeiten. Deshalb werden Taxonomien auch häufig als Typsysteme bezeichnet.

Ontologien erweitern Taxonomien dahingehend, dass es keine Einschränkung auf die hierarchische Einordnung von Wissensfragmenten gibt. Stattdessen gibt es vielfältige zusätzliche Informationen zwischen Wissensfragmenten und über diese (sog. Metainformationen), die ausgedrückt werden können (vgl. Abb. 5.2).

Full size image

Entsprechend sind Ontologien definiert als formale, explizite Spezifikationen eines gemeinsamen Begriffsmodells, das eine bestimmte Domäne beschreibt, indem es die Entitäten (Objekte, Konzepte) und deren Beziehungen sowie die Regeln und Einschränkungen zwischen diesen definiert. Ontologien gehen über einfache Taxonomien hinaus, da sie nicht nur eine hierarchische Struktur von Kategorien bieten, sondern auch semantische Beziehungen und logische Regeln zwischen diesen Entitäten festlegen, um eine präzisere Modellierung von Wissen zu ermöglichen.

Taxonomien und Ontologien bieten also den Vorteil einer stärkeren Vereinheitlichung und Verständlichmachung der Wissensrepräsentation im Vergleich zur Modellierung mit ausschließlich strukturierten Elementen. Gleichzeitig werten sie Wissensfragmente mit zusätzlicher Bedeutung auf, was es beispielsweise KI-Systemen erleichtert, die von den wissensmodellierenden Menschen vorgesehene Interpretation zu erkennen bzw. zu lernen. Ein weiterer positiver Nebeneffekt ist darin zu sehen, dass es möglich ist, Ausgaben von generativer KI (z. B. ChatGPT, vgl. Kap. 6) mit dem Wissen aus der Ontologie abzugleichen und so idealerweise Widersprüche in erzeugten Antworten aufzudecken.

Mit den vorgestellten Wissensmodellierungen durch Taxonomien bzw. Ontologien ist es also möglich, zusätzliche Informationen zu Wissensfragmenten darzustellen. Allerdings existieren weitere Herausforderungen bei vielen realen Anwendungsfällen:

Zur Lösung dieser Herausforderungen wurde das Semantic Web bzw. Linked Data entwickelt. Die entsprechende Initiative des World Wide Web Consortium³ (kurz W3C) veröffentlichte allgemeingültige Empfehlungen (Quasi-Standards), welche grundlegende Strukturen von vernetzten, semantisch angereicherten Datenstrukturen beschreiben. Die grundlegenden Eigenschaften dieser Quasi-Standards sind:

Das Semantic Web ist diesbezüglich das übergeordnete Konzept und repräsentiert eine Vision des (World Wide) Web, in dem Maschinen Inhalte verarbeiten bzw. verstehen können, weil diese strukturiert und semantisch angereichert sind. Eine Konkretisierung dieser Vision wird als Linked Data (Heath & Bizer, 2011) bezeichnet. Dabei sollen Daten nach den Prinzipien des Semantic Web verknüpft und zugänglich gemacht werden. Linked Data folgt dabei bestimmten praktischen Empfehlungen:

In diesem Unterabschnitt werden die symbolische Künstliche Intelligenz (KI) und ihre Anwendung in regelbasierten Systemen untersucht. Symbolische KI repräsentiert Wissen explizit durch Symbole und Regeln, die logische Beziehungen und Schlussfolgerungen ermöglichen. Der Abschnitt erläutert, wie diese Systeme Wissen formal darstellen, welche Rolle Logik und Regeln in diesem Kontext spielen und welche Anwendungsgebiete für symbolische KI besonders geeignet sind.

Die symbolische KI hat ihre Wurzeln im 19. und 20. Jahrhundert und basiert auf der Annahme, dass Wissen durch die Interpretation von Aussagen und Regeln ausgedrückt wird, wenn diese eindeutig interpretierbar (also formal) formuliert sind. Symbolische KI wird daher als Manipulation von Symbolen gemäß logischen Regeln definiert (Browning & Lecun, 2022; Barwise, 1977) und ist bereits seit der Frühzeit der Informatik vielfältig im Einsatz (vgl. Turing, 1950). Dabei kann die Ausdrucksmächtigkeit der Regeln sich je nach genutztem Formalismus unterscheiden (vgl. Abschn. 5.2.3). Für eine gegebene Datenmenge (genannt Faktenbasis) kann durch die Interpretation der zur Verfügung stehenden Regeln neues Wissen abgeleitet werden.

Dieser Unterabschnitt untersucht die Rolle von neuronalen Netzen in der Wissensrepräsentation. Neuronale Netze stellen Wissen auf eine implizite Weise dar, indem sie Muster und Zusammenhänge in großen Datenmengen erkennen. Der Abschnitt erklärt, wie neuronale Netze Wissen verarbeiten und repräsentieren, und beleuchtet ihre Stärken bei der Analyse komplexer und unstrukturierter Daten.

Neuronale Künstliche Intelligenz basiert auf den Prinzipien des maschinellen Lernens und künstlicher neuronaler Netzwerke, die sich von den regelbasierten Ansätzen der symbolischen KI grundlegend unterscheiden. Während symbolische KI auf expliziten, formalisierten Regeln beruht, nutzt neuronale KI eine datengetriebene Herangehensweise, bei der Modelle anhand großer Datenmengen trainiert werden, um Muster zu erkennen und daraus Wissen zu extrahieren. Neuronale Netzwerke, inspiriert vom biologischen Gehirn, bestehen aus Schichten von künstlichen Neuronen, die in ihrer Funktionsweise lose den biologischen Neuronen nachempfunden sind (Wu & Feng, 2018). Wie in Abb. 5.3 dargestellt, empfängt jedes Neuron Eingabewerte, transformiert diese mittels mathematischer Operationen und gibt eine gewichtete Ausgabe weiter. Durch das Trainieren des Netzwerks, indem die Gewichte der Neuronen basierend auf den Fehlern bei der Vorhersage iterativ angepasst werden, kann das Modell lernen, komplexe Zusammenhänge in den Daten zu erkennen.

Full size image

Betrachten wir folgendes Beispiel für die Funktionsweise eines neuronalen Netzes. Nehmen wir an, ein neuronales Netz soll die Verwandtschaftsbeziehungen aus einem Datensatz wie folgt ableiten:

Das neuronale Netz würde anhand vieler ähnlicher Datenbeispiele trainiert, um die Muster zu erkennen, die diese Verwandtschaftsbeziehungen bestimmen (es werden in der Realität aber deutlich mehr Trainingsbeispiele benötigt, um entsprechende Muster verlässlich zu erkennen). Dabei würde im Modell gelernt werden, dass es eine Beziehung gibt, wenn A verwandt ist mit B und B verwandt mit C, dann auch A verwandt mit C ist, wie durch die Fakten I, II, III auch ausgedrückt wird. Unter der Annahme einer ausreichenden Trainingsmenge könnte ein mögliches Ergebnis dann die Generierung neuer Fakten sein, wobei diese keine absoluten Aussagen repräsentieren, sondern wahrscheinliche Erkenntnisse, z. B. Anton ist verwandt mit Doro mit einer Wahrscheinlichkeit von 0,8 (im Wertebereich von 0,0 bis 1,0).

Im Gegensatz zur symbolischen KI erfolgt dies jedoch nicht durch explizite Regeln, sondern durch das Lernen von Mustern (d. h. statistischen Zusammenhängen), die die Beziehungen zwischen den Datenpunkten verdeutlichen. Es werden also keine logischen Schlussfolgerungen gezogen, sondern es wird aus beobachteten Wahrscheinlichkeiten eine Aussage hergeleitet. Entsprechend lassen sich keine allgemeinen logischen Aussagen hinzufügen, wie beispielsweise zur Symmetrie der Relation „ist verwandt mit“ (vgl. oben). Solche zusätzlichen Eigenschaften müssten ebenso aus den gegebenen Trainingsdaten gelernt werden. Dafür sind also weitere konkrete Beispiele (in großer Zahl) nötig, die dem Trainingsdatensatz hinzufügt werden müssten. Durch die Anwendung solcher neuronalen Modelle können aber nun nicht nur explizite, sondern auch implizite Beziehungen in großen, unstrukturierten Datensätzen gefunden werden. Gleichzeitig muss das im neuronalen Netz zu repräsentierende Wissen mit einer ausreichenden Anzahl von Beispielen im Trainingsdatensatz untersetzt werden, da sonst die Muster als Rauschen interpretiert werden und durch das statistische KI-Model nicht gelernt werden können. Die Wissensrepräsentation im KI-Modell repräsentiert die Eigenschaften des ursprünglich modellierten Wissens dann nur bedingt, d. h. es kann nicht garantiert werden, dass Informationen aus den Trainingsdaten auch wieder abgefragt werden können. Verschärfend kommt hinzu, dass eine wiederkehrende Verfeinerung des Modells auch negative Effekte haben kann, z. B. das Vergessen von bereits integrierten Informationen (Kemker et al., 2018; Zhai et al., 2023). Wir sprechen deshalb hier von einer latenten Repräsentation des abstrakten Wissens (z. B. über die Struktureigenschaften von Text), die nur auf Basis von aus großen Datenmengen gelernten statistischen Zusammenhängen über die Fähigkeit der korrekten Erzeugung von (allgemeingültigen) Fakten verfügt. Diese Fähigkeit lässt sich häufig aber nicht auf domänenspezifische Anwendungen übertragen (Ge et al., 2023).

Diese datengetriebene Herangehensweise hat zu signifikanten Fortschritten in der Bild- und Spracherkennung sowie bei komplexen Aufgaben wie maschineller Übersetzung geführt (Stahlberg, 2020).

Die Vorteile neuronaler KI bestehen in der

Trotz dieser Vorteile hat die neuronale KI auch einige Nachteile. Zum einen fehlt es neuronalen Modellen häufig an Nachvollziehbarkeit und Erklärbarkeit des Verhaltens bzw. der berechneten Ergebnisse. Während symbolische Systeme klare und nachvollziehbare Herleitungsketten liefern können, ist es oft schwierig zu verstehen, wie ein neuronales Netz zu einer bestimmten Vorhersage gelangt ist (Xu et al., 2019). Diese Black-Box-Eigenschaft stellt insbesondere in sicherheitskritischen und juristisch regulierten Anwendungsbereichen ein zentrales Problem dar. Ein weiteres Problem neuronaler Systeme besteht in ihrer Abhängigkeit von großen, qualitativ hochwertigen Datenmengen. Ohne ausreichendes Training auf vielfältigen Daten kann das Modell anfällig für Verzerrungen (Bias) oder Fehlinterpretationen werden. Zudem erfordert das Trainieren komplexer neuronaler Netzwerke hohe Rechenressourcen, was den Einsatz in bestimmten Szenarien einschränken kann.

Neuronale KI bietet durch ihre datengetriebene Natur und die Fähigkeit, komplexe Muster in unstrukturierten Daten zu erkennen, entscheidende Vorteile gegenüber regelbasierten Systemen der symbolischen KI. Die höhere Leistungsfähigkeit von Computern wirkt sich bei neuronalen KI-Methoden auch deutlich positiver auf die Anwendbarkeit aus als bei symbolischer KI. Insbesondere in Bereichen, in denen die Verarbeitung großer Datenmengen nötig ist und die Mustererkennung im Vordergrund steht, sind neuronale Netzwerke mit aktueller Computerhardware aus praktischer Sicht unschlagbar.

Moderne künstliche neuronale Netze, z. B. RNN, CNN, LSTM, GAN oder Autoencoder (Goodfellow et al., 2016), sind überwiegend mehrschichtig aufgebaut und besitzen eine große Anzahl von Neuronen, die jeweils zugeordnete mathematische Funktionen auf den zugelieferten Daten ausführen und das Ergebnis weitergeben. Obwohl in speziellen Fällen den einzelnen Neuronen oder wenigstens den einzelnen Schichten eine interpretierbare Funktion zugeordnet werden kann, so ist die konkrete Funktionsweise eines solchen neuronalen Netzes für Menschen bisher praktisch nicht nachvollziehbar erklärbar. Dies stellt ein ernsthaftes Hindernis beim Einsatz dieser Technologien durch einen menschlichen Nutzer dar, da neben anderen Herausforderungen (vgl. Wiewiórowski et al., 2023) der Kontext der so durch das neuronale Netz aus der Wissensrepräsentation gewonnenen Aussagen dem Menschen nicht zugänglich und ihr Wahrheitsgehalt nur mit sehr hohem Aufwand (im Allgemeinen manuell) überprüfbar ist. Neuronale Netze gleichen daher Black Boxes (Benı́tez et al., 1997). In dieser Hinsicht unterscheiden sich moderne neuronale Netze stark von sogenannten interpretierbaren Machine-Learning-Modellen, wie beispielsweise Decision Trees (Safavian & Landgrebe, 1991), welche aber für viele Anwendungsfälle deutlich unterlegen sind.

KI-Methoden, die auf künstlichen neuronalen Netzen aufbauen, erfordern also eine sorgfältige Handhabung aufgrund ihrer mangelnden Erklärbarkeit und der Abhängigkeit von Datenqualität und Rechenressourcen. Insbesondere in juristisch regulierten Anwendungsbereichen oder bei automatisierten Entscheidungen unter Einbezug von persönlichen Daten (vgl. DSGVO, Europäische Union, 2016) können neuronale KI-Methoden ohne Transparenz über das Verhalten häufig nicht eingesetzt werden bzw. ihre Stärken in der Automatisierung von Prozessen nicht voll ausspielen. Um diesem Problem zu begegnen, können Methoden zur Erklärbarkeit von KI (Explainable AI, XAI) helfen (Panigutti et al., 2023). Diese sind aber aktuell überwiegend noch nicht über Forschungsprototypen hinaus einsatzfähig. Derartige Erklärungen basieren entweder auf der Konstruktion expliziter Gegenbeispiele zur Entscheidung des KI-Systems (kontrafaktische Erklärung) oder der Analyse von Einflussfaktoren auf diese. Letztere kann beispielsweise durch spieltheoretische Argumente oder Approximation des Modells durch besser interpretierbare Ersatzmodelle erfolgen.

In diesem Unterabschnitt wird die Kombination verschiedener Ansätze zur Wissensrepräsentation in sogenannten Hybridmodellen behandelt. Hybridmodelle integrieren symbolische KI und neuronale Netze, um die Stärken beider Ansätze zu vereinen. Es wird erklärt, wie diese Modelle funktionieren, welche Vorteile sie bieten und in welchen Anwendungsbereichen sie besonders nützlich sind.

Neuronale Künstliche Intelligenz (KI) basiert auf den Prinzipien des maschinellen Lernens und künstlicher neuronaler Netzwerke, die sich von den regelbasierten Ansätzen der symbolischen KI grundlegend unterscheiden. Während symbolische KI auf expliziten, formalisierten Regeln beruht, nutzt neuronale KI eine datengetriebene Herangehensweise, bei der Modelle anhand großer Datenmengen trainiert werden, um Muster zu erkennen und daraus Wissen zu extrahieren.

Wie in den vorherigen Abschnitten beschrieben, haben beide KI-Ansätze komplementäre Nachteile und Vorteile. Ein bedeutender Vorteil neuronaler KI ist ihre Fähigkeit, Informationen automatisch aus unstrukturierten Daten zu extrahieren, ohne dass explizit vorgegebene Regeln erforderlich sind. Beispielsweise kann ein neuronales Netz aus Bildern oder Texten lernen, ohne dass die Daten vorab manuell annotiert oder kategorisiert werden müssen. Dies steht im Kontrast zu symbolischen Systemen, die auf sorgfältig modellierte Fakten- und Regelbasen angewiesen sind; dann können jedoch Garantien für ihr Verhalten gegeben und das Verhalten überprüft bzw. erklärt werden.

Entsprechend gibt es bereits seit einiger Zeit Ansätze zur Vereinigung der beiden bisher gegensätzlich zueinander stehenden KI-Ansätze. Die Zusammenführung kann auf verschiedenen Ebenen stattfinden und wird unter verschiedenen Begriffen zusammengefasst, wie beispielsweise hybride KI (Nolle et al., 2023) oder neurosymbolische KI (Sarker et al., 2021). Die Annahme ist hierbei, die unbestrittenen Vorteile des jeweils anderen Ansatzes zu nutzen, um die jeweiligen Nachteile auszugleichen.

Im Beispiel aus dem vorherigen Absatz könnte ein Large Language Modell (vgl. Kap. 6) aus beliebigen Texten erkennen, dass Verwandtschaftsbeziehungen zwischen Personen existieren, z. B. „ist verheiratet mit“, „ist Tochter von“, „ist Großvater von“. Allerdings wird durch den statistischen Charakter eines solchen Sprachmodells jede dieser Beziehungen mit einer Wahrscheinlichkeit versehen; entsprechend ist es abhängig von der Häufigkeit und Eindeutigkeit, ob erkannt wird, dass die genannten Beziehungen auch eine Spezialisierung der Beziehung „ist verwandt mit“ darstellen. Dies gilt noch deutlicher für Beziehungen, die nur durch Anwendung von logischen Eigenschaften möglich ist. So ist eine Eigenschaft wie Urgroßnichte⁶ die Ableitung von neuem Wissen aus logischen Beziehungen. In einem neurosymbolischen KI-System soll es nun möglich sein, diese Regel zusätzlich zu integrieren.

Neurosymbolische KI-Systeme, die symbolische und neuronale Ansätze integrieren, gelten als vielversprechender Fortschritt in der Künstlichen Intelligenz, da sie die Stärken beider Paradigmen kombinieren und damit eine verbesserte Wissensrepräsentation darstellen könnten. Während symbolische KI-Systeme durch ihre Erklärbarkeit und Regelbasierung in Bereichen mit hohen Sicherheitsanforderungen vorteilhaft sind, bieten neuronale Netze eine herausragende Leistung in der Verarbeitung großer, unstrukturierter Datenmengen und der Erkennung komplexer Muster. Durch die Kombination dieser Ansätze können neurosymbolische Systeme sowohl komplexe kognitive Aufgaben effizient bewältigen als auch nachvollziehbare Entscheidungsprozesse ermöglichen.

Neurosymbolische Verfahren befinden sich derzeit noch in einer frühen Phase der Entwicklung, und ihre Verfügbarkeit ist im Vergleich zu rein symbolischen oder rein neuronalen Ansätzen eingeschränkt. Während einige experimentelle Implementierungen existieren (vgl. IBM, 2022), sind umfassende marktreife Anwendungen noch selten. Der Forschungsschwerpunkt liegt aktuell auf der Weiterentwicklung von Frameworks und Modellen, die sowohl die Leistungsfähigkeit neuronaler Netze als auch die Interpretierbarkeit symbolischer Systeme nutzen. Trotz vielversprechender Ergebnisse in einigen spezifischen Domänen, wie der Verarbeitung natürlicher Sprache und dem maschinellen Lernen, bleibt die praktische und skalierbare Anwendung neurosymbolischer KI-Techniken eine Herausforderung, die in den kommenden Jahren wahrscheinlich verstärkte Aufmerksamkeit erfahren wird, insbesondere um einen Ausgleich zwischen hoher Leistungsfähigkeit und Vertrauenswürdigkeit zu etablieren.

Langfristig könnten diese Systeme zu einer verbesserten Generalisierungsfähigkeit führen und somit die Anwendung von KI in sicherheitskritischen oder regulierten Bereichen, wie dem Gesundheitswesen oder der Finanzbranche, erleichtern. Zudem bieten sie das Potential, die Interpretierbarkeit neuronaler Netze zu erhöhen, indem sie symbolische Repräsentationen und logische Regeln in die Entscheidungsfindung einbeziehen. Zukünftige Entwicklungen in diesem Bereich könnten dazu beitragen, einige der aktuellen Einschränkungen beider Ansätze zu überwinden, insbesondere im Hinblick auf Skalierbarkeit, Effizienz und Erklärbarkeit, und so den Weg für robustere und vielseitigere KI-Lösungen ebnen.

Reale Systeme, insbesondere industrielle Anlagen, produzieren eine Vielfalt von Daten über ihren gesamten Lebenszyklus und verschiedene Prozesse hinweg (Ammann et al., 2024). Diese Daten sind von einer Vielzahl verschiedener Dimensionen geprägt: Es kann sich um technische oder physikalische Beschreibungen, aktuelle Sensormesswerte, aber auch Prozess- oder Geschäftsdaten handeln. Sie sind häufig nur von den jeweiligen Domänenexperten zu verstehen. Dies führt zu einer Verständnisbarriere zwischen verschiedenen handelnden Personen (Hubauer et al., 2018b).

Digitale Zwillinge (Batty, 2018; Zami et al., 2024; van der Valk et al., 2020; Hubauer et al., 2018b; Lietaert et al., 2021) schaffen ein gemeinsames Vokabular und verknüpfen sowohl verwandte Konzepte als auch miteinander in Beziehung stehende Daten. Das Konzept der digitalen Zwillinge wurde Anfang der 2000er-Jahre geprägt (Grieves, 2014; zitiert nach Batty, 2018). Ein solcher besteht aus drei Hauptkomponenten, nämlich dem physikalischen Objekt, einer virtuellen Repräsentation und einer Verknüpfung zwischen diesen beiden Objekten. Der Zustand des digitalen Zwillings basiert daher auf in einer Wissensrepräsentation hinterlegten oder in Realzeit aus Sensoren ausgelesenen Daten sowie dem über das physische Objekt vorhandene Wissen.

Numerische Daten können beispielsweise in Zeitreihendatenbanken außerhalb des digitalen Zwillings vorliegen und erst bei Bedarf abgefragt werden, ohne dass der Nutzer diese Indirektion bemerkt. Andere Daten können nach einer Sprachvorverarbeitung von Textdokumenten zum Beispiel in Form eines Knowledge Graphen (vgl. Abschn. 5.2.3) vorliegen. Diese Datenquellen können also sehr heterogen auf mehrere isolierte Silos verteilt oder auch von minderer Qualität sein. Digitale Zwillinge basieren oft auf den oben beschrieben Taxonomien bzw. Ontologien und ermöglichen es, diese Daten ohne Verwendung komplexer Anfragen zu verknüpfen. Dieser Prozess wird oft auch als semantische Datenintegration beschrieben (van der Valk et al., 2020; Lietaert et al., 2021; Hubauer et al., 2018a, b; Kalaycı et al., 2020).

Digitale Zwillinge erlauben aber nicht nur den effizienten und niederschwelligen Zugriff auf Daten, sondern können auch befähigt werden, die ihnen zugrunde liegende Wissensrepräsentation eigenständig durch Beobachtung von Ereignissen im physischen Objekt, um neue Fakten über dieses zu erweitern (Ringsquandl et al., 2017) bzw. die ihnen zugänglichen Datenreihen zu korrelieren und gegebenenfalls als neue Relationen zu verknüpfen (Ammann et al., 2024). Sie liefern also auch einen Beitrag zur Sicherung der Datenkonsistenz (vgl. hierzu auch Zami et al., 2024).

Digitale Zwillinge dienen darüber hinaus auch zur Bildung einer vorteilhaften Basis für weitere Downstream-Tasks der sekundären Wissensrepräsentation, z. B. Machine Learning (Hubauer et al., 2018a). Während klassische Ansätze häufig nur einen einzelnen Prozessschritt betrachten, erlauben digitale Zwillinge dem Modell den Zugriff auf die gesamte Wertschöpfungskette und sind daher von unschätzbarem Wert für die Entwicklung datengetriebener Produkte (Lietaert et al., 2021; Ploennigs et al., 2022; Berry & Bandara, 2024).

Moderne Smart Buildings sind komplexe Systeme mit vielen miteinander interagierenden Komponenten und damit gute Kandidaten für den erfolgreichen Einsatz digitaler Zwillinge (Cohen Boulakia et al., 2020; Berry & Bandara, 2024). Dies betrifft tatsächlich ihren gesamten Lebenszyklus, also sowohl Konstruktion (Katsigarakis et al., 2022) als auch laufenden Betrieb.

Bereits während der Konstruktion werden Daten aus verschiedenen Bereichen benötigt: Die Konstruktionsdomäne beinhaltet infrastrukturelle Aspekte, wie Bauplan,⁷ Raumaufteilung, Beschreibung des Strom- und Wassernetzes des Gebäudes, aber auch Informationen über die verbaute IoT-Technik. Die Ressourcendomäne beschreibt die Verfügbarkeit von Arbeitern und Maschinen und die Prozessdomäne unter anderem den Zeitplan zur Fertigstellung des Gebäudes (Katsigarakis et al., 2022; Cohen Boulakia et al., 2020).

Die Daten aus der Konstruktionsdomäne werden im laufenden Betrieb durch die Daten der verbauten Sensoren dynamisch ergänzt. Diese dienen, meist in der Form von Zeitreihen, zur Erfassung von Temperatur und Feuchtigkeit, der Licht und Stromnutzung, der Zusammensetzung der Raumluft und der Raumnutzung über Bewegungsmelder (Hubauer et al., 2018b; Cohen Boulakia et al., 2020). Auch externe Datenquellen wie z. B. Wetterdaten können der Wissensrepräsentation hinzugefügt werden. Ein idealer Digital Twin erlaubt bei Ein- oder Ausbau von Sensoren die komfortable Aktualisierung der erzeugten Datenströme (Cohen Boulakia et al., 2020).

Eine Reihe von Nutzungen dieser Daten ist denkbar (Hubauer et al., 2018b; Cohen Boulakia et al., 2020): So können KI-Modelle geschaffen werden, die eigenständig aufgrund der vorhandenen Temperaturmessungen, Informationen über geöffnete Fenster, den Betriebszustand von Lampen und weiterer meteorologischer Daten die Verblendungen der Fenster und die Heizungsanlage steuern und so die Nutzung optimieren. Siemens (Zistl, 2018) stellt fest, dass digitale Zwillinge neue Geschäftsmöglichkeiten, wie nutzungsabhängige Mietmodelle oder die automatisierte Beauftragung von Putzdiensten, ermöglichen. Auch die Erfüllung regulatorischer Bedingungen bei Umbaumaßnahmen kann über die Wissensrepräsentation des digitalen Zwillings geprüft werden. Gleichfalls kann der rechtzeitige Austausch von prognostiziert demnächst defekten Bauteilen (predictive maintenance) sichergestellt werden.

Die erfolgreiche Implementierung von Wissensrepräsentationen erfordert eine Vielzahl von Faktoren, die über rein technische Aspekte hinausgehen. In diesem Kapitel werden zentrale Erfolgsfaktoren und Erkenntnisse beleuchtet, die in der Praxis von besonderer Bedeutung sind.

Ein entscheidender Erfolgsfaktor ist die Einhaltung der FAIR-Prinzipien – Findable, Accessible, Interoperable, Reusable (Jacobsen et al., 2020; van Vlijmen et al., 2020; Wilkinson et al., 2016). Diese Prinzipien gewährleisten, dass Daten auffindbar, zugänglich, interoperabel und wiederverwendbar sind. Gerade im Kontext von Wissensrepräsentationen ist es wichtig, dass Daten in einer Form vorliegen, die nicht nur maschinell verarbeitet werden kann, sondern auch eindeutig interpretierbar (interoperable), langfristig verfügbar und für unterschiedliche Anwendungen nutzbar bleibt. FAIR fördert die Nachhaltigkeit und den Austausch von Wissen zwischen verschiedenen Systemen bzw. Akteuren und ist damit ein Katalysator für (wirtschaftlich erfolgreiche) Datenökosysteme.

Ein weiteres Schlüsselelement kann man unter dem Begriff der nicht-dogmatischen Wissensmodellierung zusammenfassen. Eine flexible und hybride Nutzung von verschiedenen Wissensrepräsentationen ist entscheidend für den Erfolg. Statt sich strikt an eine bestimmte Methode zu halten, sollten verschiedene Ansätze kombiniert werden. Dies kann beispielsweise durch die Vermischung strukturierter und semantischer Wissensrepräsentationen bzw. symbolischer und neuronaler KI-Modelle geschehen. Ziel dabei ist immer, die Vorteile der verschiedenen Paradigmen zu nutzen. So können Datenstrategien effizient umgesetzt werden, während die Wissensrepräsentation anpassungsfähig gegenüber neuen Anforderungen oder folgenden innovativen Ansätzen bleibt.

Ein besonders wertvoller Aspekt ist die Erschließung der Datenhistorie, da historische Daten oft wesentliche Einblicke in die Entwicklung von Systemen oder Prozessen bieten. Professionelle, zukunftsgerichtete Organisationen erstellen deshalb eine Datenstrategie (inklusive einer Wissensrepräsentationsstrategie), um strukturiert und nachhaltig die Grundlage für eine erfolgreiche Integration von KI-Innovationen zu ermöglichen. Ein Semantic Layer, der verschiedene Datentöpfe miteinander verknüpft, ist hierbei von zentraler Bedeutung. Ein solcher Layer ermöglicht es, Datenbestände zu integrieren und übergreifende Zusammenhänge zwischen den Daten (für Menschen und Maschinen) sichtbar zu machen. Dies verbessert die Auffindbarkeit relevanter Informationen und unterstützt die Analyse durch eine tiefere Verknüpfung von historischen und aktuellen Daten. Insbesondere ergänzt dieser Ansatz häufig bereits bestehende Wissensrepräsentationen (z. B. eine Landschaft von relationalen Datenbanken, vgl. Abschn. 5.1.2.1) und wertet diese auf, ohne umfangreiche Restrukturierungen der bestehenden Wissensrepräsentationen und deren Integration in (erfolgreiche) Anwendungen vornehmen zu müssen. Aus diesem Grund wird dieses Vorgehen berechtigterweise häufig in größeren oder lange existierenden Organisationen genutzt, um bestehende Wissensrepräsentationen für die nötigen KI-Integrationen vorzubereiten.

Darüber hinaus sollte berücksichtigt werden, dass jeder Datentyp seine optimale Repräsentation hat. Es gibt keine universelle Lösung für die Darstellung von Wissen. Unterschiedliche Datentypen, wie Text, Zahlen, Bilddaten oder Sensordaten, erfordern jeweils spezifische Repräsentationsformen, die optimal an ihre Struktur und den Anwendungsfall angepasst sind. Die Wahl der richtigen Repräsentation ist entscheidend für die Qualität der Ergebnisse und die Effizienz der Verarbeitung.

Trotz der beeindruckenden Fähigkeiten von Large Language Models (vgl. Kap. 6) sollte die Auswahl der Wissensrepräsentationen immer auf den jeweiligen Anwendungsfall ausgerichtet sein. LLMs bieten hervorragende Ergebnisse in vielen Bereichen der Textverarbeitung, sind jedoch nicht immer die beste Lösung für strukturierte Daten, spezialisierte Wissensdomänen oder Anwendungsfälle, die eine hohe Qualität erfordern. Darüber hinaus ist es sehr aufwendig, die Aktualität von erzeugten Informationen und die Vertrauenswürdigkeit herzustellen. Hier müssen die zugrunde liegenden primären Wissensrepräsentationen genutzt werden, um das Verhalten sekundärer Wissensrepräsentationen (z. B. KI) zu optimieren: Ein Weg hierbei ist, Wissensrepräsentationen semantisch so zu fundieren, dass sowohl beim Training entsprechender KI-Modelle eine hohe Präzision und Aussagekraft erreicht werden kann und zusätzlich a posteriori Ergebnisse kontrolliert werden können. Die Kombination von LLMs mit semantischen Modellen kann in solchen Fällen zu einer deutlich verbesserten Leistungsfähigkeit bei gleichzeitig höherer Vertrauenswürdigkeit von KI-getriebenen Anwendungen führen.

Insgesamt zeigt sich, dass der Erfolg von primären und sekundären Wissensrepräsentationssystemen nicht nur von der eingesetzten Technologie, sondern maßgeblich von der flexiblen, kontextsensitiven Anwendung und der Fähigkeit zur Interoperabilität abhängt. Der strategische Einsatz von Datensemantik, die Berücksichtigung der Datenhistorie und die Orientierung an den FAIR-Prinzipien bilden das Fundament für eine zukunftsorientierte und robuste Wissensmodellierung sowie den erfolgreichen Einsatz von Methoden der Künstlichen Intelligenz.