Skip to main content
main-content

Über dieses Buch

Semantische Technologien haben mit der Entwicklung von datenbasierten Systemen wie Neuronale Netze, Deep Learning und Machine Learning ihre Bedeutung nicht verloren, sondern werden als effiziente wissensbasierte Systeme immer wichtiger. Denn intelligente Systeme der Zukunft müssen nicht nur in der Lage sein zu sagen, was sie entschieden haben, sondern auch wie sie zu dieser Entscheidung gekommen sind. Solche Systeme sind jedoch nur mit Hilfe von wissensbasierten Systemen auf der Grundlage von semantischen Technologien erreichbar. Heute reichen die Anwendungen von semantischen Systemen von der semantischen Suche, Knowledge Graphs, Chatbots, NLP, in der Medizin bis zur Telekommunikation, Verwaltung und Robotik. Semantische Technologien werden spätestens mit dem Voranschreiten des Internet of Things (IoT) und Industrie 4.0 Anwendungen allgegenwärtig sein. Dies ist unumgänglich, denn ohne sie ist auch die Interoperabilität unter Maschinen und insbesondere unter Roboter für eine intelligente Zusammenarbeit und Produktion nicht so einfach umsetzbar. Dafür gibt es bereits heute zahlreiche Beispiele aus der Industrie.

Inhaltsverzeichnis

Frontmatter

1. Einblick in die Welt der künstlichen Intelligenz

Zusammenfassung
Dieser Beitrag gibt dem Leser ein Überblick über die Künstliche-Intelligenz-Technologien und zwar von der Entstehung und Entwicklung bis zu den aktuell verwendeten Ansätzen und Methoden: Welche Höhen und Tiefen hat künstliche Intelligenz bis heute erlebt? Was verstehen wir unter neuronalen Netzen, Deep Learning sowie Machine Learning? Welche Lerntechniken gibt es für Machine Learning? Benötigen wir sowohl symbolische als auch nicht-symbolische Ansätze? Brauchen wir regelbasierte Systeme in KI-Projekten doch nicht mehr? Welche Rolle werden künftig Semantic-Web-Standards in der Entwicklung der künstlichen Intelligenz spielen? Welche Nachteile haben Machine-Learning-Ansätze? Was versteht man unter einem Blackbox-Effekt? Welche Vorteile haben Semantic-Web-Ansätze? Wo liegt der Schlüssel zum Erfolg? Was erwartet uns in Zukunft?
Börteçin Ege

2. Corporate Smart Insights

Auf dem Weg zu einer Insight-Driven Organization
Zusammenfassung
Der Erfolg wissensbasierter KI-Systeme hängt von der Verfügbarkeit und insbesondere auch von der Wiederverwendung digital kuratierten Wissens ab. Es gilt existierende Wissensschätze durch digitale Kuratierungstechnologien zu heben und in KI-unterstützten Geschäftsanwendungen mit fortlaufend erlernten Kenntnissen und Einsichten Corporate Smart Insights (CSI) in Enterprise Knowledge Graphs zu nutzen. Das kuratierte KI-Wissen steigert die funktionale Güte, die Dateneffizienz, die Plausibilisierung und die Absicherung von KI-gestützten Funktionen in betrieblichen Corporate-Semantic-Web (CSW)-Anwendungen. Die technologische Innovation ist eine Insight-Driven Organization (IDO), die CSI lernt und vielfach nutzbar macht. Eine IDO bettet semantisches Unternehmenswissen in maschinelles Lernen und aus Datenanalysen gewonnene Smart Insights direkt in die Smart Decisions und Smart Actions ein. Die digitale Kuratierung von CSI ist hierfür eine technische Basistechnologie als Grundlage für die Verwendung von Wissen in der KI.
Jamal Al Qundus, Naouel Karam, Adrian Paschke

3. Semantische Interoperabilität in cyber-physischen Produktionssystemen

Zusammenfassung
Semantische Interoperabilität gilt als einer der Schlüssel zur Umsetzung der Ideen hinter dem Paradigma des „Industrial Internet of Things“ (IIoT). Um heterogene Systeme über Anwendungsdomänen hinweg interoperabel kommunizieren lassen zu können, wird zunächst eine präzise Definition des Begriffs „Semantik“ benötigt. Denn nur auf einer formalen Basis lassen sich Informationen zwischen verteilten IIoT-Geräten korrekt austauschen. Existierende Ansätze, die beabsichtigen, den Begriff der Semantik zu präzisieren, sind oft eher intuitiv motiviert. Dazu zählen z. B. die Wissenspyramide oder das „Levels of Conceptual Interoperability Model“ (LCIM). Dieses Kapitel liefert solch eine formale Definition des Begriffs „Semantik“ und ordnet diese bestehenden Ansätze kritisch in den Kontext der vorgeschlagenen Definition ein.
Tizian Schröder, Alexander Willner, Christian Diedrich

4. Unterstützung von Brandbekämpfung durch Teams von unbemannten Systemen

Zusammenfassung
Unter einem Team von Unbemannten Systemen verstehen wir eine kleinere Anzahl von Systemen, die über unterschiedliche Fähigkeiten verfügen und bei der Erfüllung eines Auftrags kooperieren. Der Einsatz eines solchen Teams verspricht Flexibilität bei der erfolgreichen Bearbeitung unterschiedlicher Aufträge. Teams von Unbemannten Systemen können allerdings nur dann effizient agieren, wenn sie in einem hohen Maß autonom sind. Idealerweise sollte ein einzelner Nutzer mit dem Team interagieren und sich dabei auf das „Was ist zu tun?“ beschränken. An dieser Stelle kommt „Semantik“ ins Spiel: Das Team muss über genügend „Intelligenz“ verfügen, um Aufträge zu „verstehen“, sie in Teilaufträge zu zerlegen und kooperativ zu bearbeiten.
Ulrich Schade, Arne Schwarze, Lukas Sikorski, Irmtrud Trautwein

5. Einsatz semantischer Technologien für die Informationsbereitstellung in der Flugsicherung

Zusammenfassung
Ein wichtiges Aufgabengebiet und Anliegen der Flugsicherung ist die Bereitstellung von aktuellen Informationen zu Wetter und Luftverkehrsinfrastruktur für Aufgabenträger in der Luftfahrt, insbesondere für Piloten. Die aktuellen Meldungen zu Wetter und Luftverkehrsinfrastruktur bilden die Grundlage für die Flugvorbereitung. Eine große Herausforderung für Piloten ist die schiere Anzahl an Meldungen, die teilweise irrelevant oder nur von geringer Wichtigkeit sind. Mit dem Ziel, Piloten durch die Bereitstellung von ausschließlich aufgabenbezogener Information zu entlasten, wurde im Projekt SemNOTAM aufbauend auf einer integrierten, dezentralen Informationsbasis eine Gruppe von Techniken und Ansätzen entwickelt. In diesem Kapitel diskutieren wir neben den technischen Grundlagen der integrierten Informationsbasis die zwei darauf aufbauenden Stufen einer automatisierten aufgabenspezifischen Informationsbereitstellung: (i) semantische Anreicherung erleichtert die Selektion von Meldungen mittels Fachbegriffen, (ii) aufgabenspezifische Filterung und Klassifizierung von Meldungen ersetzt die manuelle Formulierung von Abfragen durch ein wissensbasiertes Matching von Meldungen und Aufgabenbeschreibungen. In diesem Kapitel werden Motivation, Herausforderungen, technische Lösungen und aktuelle Einschränkungen erläutert und mit verwandten Ansätzen in Bezug gesetzt.
Bernd Neumayr, Eduard Gringinger, Dieter Steiner, Christoph Schuetz, Michael Schrefl

6. Semantische Technologien für Enterprise Intelligence am Beispiel von Lieferkettenbeobachtung

Zusammenfassung
Enterprise Intelligence, d. h. die Überwachung und Interpretation aller Signale der verschiedenen Akteure eines Marktes, wird in einer globalen Wirtschaft mit ihren weltweit verteilten Lieferanten, Kunden und Wettbewerbern sowie der zunehmenden Komplexität von Produkten, Herstellungsprozessen und Regularien zu einem immer entscheidenderen Erfolgsfaktor für Unternehmen. Technologische Fortschritte in den Bereichen künstliche Intelligenz, Big-Data-Management und Webtechnologie ermöglichen aber den Einsatz modernster Informationstechnologien zur Automatisierung der arbeitsintensivsten Prozesse für Enterprise-Intelligence-Lösungen. Wir werden in diesem Kapitel eine KI-basierte Serviceplattform für Enterprise Intelligence beschreiben, die Ergebnisse aus der deutschen und chinesischen KI-Forschung und Softwareentwicklung kombiniert. Ihre Kernkomponenten sind ein Framework für multilinguale semantische Sprachverarbeitung, ein Framework für die Erstellung, Nutzung und Erweiterung von Wissensgraphen sowie die Einbettung dieser Komponenten in einer leistungsstarken Big-Data-Analytik-Plattform.
Leonhard Hennig, Hans Uszkoreit

7. Wissensgraphen im Web

Überblick und Vergleich
Zusammenfassung
Wissensgraphen sind eine gebräuchliche Form der Wissensrepräsentation, die aus dem Bereich Semantic Web stammt. Sie werden heute in vielen Anwendungen verwendet; prominent ist vor allem die Verwendung in der Web-Suche von Google, die auch den Begriff Wissensgraph (engl. Knowledge Graph) geprägt hat. In einem Wissensgraph werden Dinge der Welt (z. B. Personen, Orte oder Ereignisse) durch Knoten repräsentiert, die mit Kanten verbunden sind. Während Unternehmen wie Google, Microsoft und Facebook ihre eigenen, nicht öffentlichen Wissensgraphen besitzen, gibt es auch zahlreiche große, frei verfügbare Wissensgraphen im Web. Zu den bekanntesten zählen DBpedia, YAGO und Wikidata. Dieses Kapitel gibt einen Überblick dieser Graphen und vergleicht deren Inhalt, Größe, Abdeckung und Überlappung.
Nicolas Heist, Sven Hertling, Daniel Ringler, Heiko Paulheim

8. Automatische Konversion von natürlichsprachlichen Texten zu Ontologien am Beispiel von Wartungshandbüchern für Flugzeuge

Zusammenfassung
Im Zuge der digitalen Transformation von Geschäftsprozessen entsteht die Notwendigkeit, in natürlicher Sprache verfasste Handlungsanweisungen, Verträge und vertragsähnliche Dokumente in eine formale, computerausführbare Sprache (Code) zu wandeln, um z. B. Workflow Automation oder Smart Contracts umzusetzen. Das Anwendungspotenzial hierfür ist enorm: Alle menschenlesbaren Vorschriften sind typischerweise in natürlicher Sprache niedergeschrieben (Montageanleitungen, Verträge, gesetzliche Regulierungen etc.). Das Bestreben, Prozesse zu automatisieren (z. B. robotergestützte Wartung, Regelkonformität bei Banktransaktionen etc.) macht es erforderlich, textlich gefasste Vorschriften computerisiert ausführbar zu machen. Der herkömmliche Weg hierfür ist die manuelle „Übersetzung“ der textlichen Vorschriften in Skripte bzw. prozedurale Programmiersprachen. Diese Übertragung ist nicht nur sehr aufwendig, sondern auch fehleranfällig. Das hier vorgestellte Verfahren SemanticMatcher ermöglicht eine vollautomatische Transformation von natürlichsprachlichen Texten in eine computerverständliche Wissensrepräsentation mittels Logik höherer Ordnung (Higher-Order Logic).
Bernd Geiger

9. Neue Errungenschaften durch Artificial General Intelligence in NLP – wie natürliche Sprache aus dem Kontext verstanden werden kann

Zusammenfassung
Künstliche Intelligenz versucht mittels unterschiedlichster Herangehensweisen schon seit Anbeginn ihrer Existenz die natürliche Sprache zu erkennen, verstehen und Schlussfolgerungen aus dieser abzuleiten. Dies erfolgt in der Regel mit Systemen, die auf Datenbanken beruhen und mit Wahrscheinlichkeiten arbeiten. Bislang ist es hiermit jedoch noch nicht gelungen, die natürliche Sprache rein aus dem Kontext zu verstehen. Mit starker künstlicher Intelligenz (Artificial General Intelligence) ist erstmals ein komplett neuer Ansatz gelungen, mit dem auch schwierige Texte rein aus dem Kontext verstanden werden können. Dazu ist es nötig, dass die KI nicht nur in der Lage ist zu lernen, sondern auch Maschinendenken auszuführen. Praktisch eingesetzt wird diese AGI im Gesundheitsbereich in der Analyse von Patientendaten, wo diese verstanden und entsprechend diagnostiziert werden müssen.
Isabell Kunst, Konstantin Oppl

10. Bitcoin und Blockchain Technologien

Zusammenfassung
Neben künstlicher Intelligenz sind auch die digitalen Währungen bzw. Kryptowährungen ein weiteres wichtiges Thema in der digitalen Welt. Ohne Zweifel die erste, berühmteste und wahrscheinlich die erfolgreichste Kryptowährung ist Bitcoin. Es gibt jedoch noch sehr viele verschiedene digitale Währungen wie Litecoin, XRP, EOS, NEO, Ether sowie Tether, und es kommen ständig neue dazu. Im Mittelpunkt der digitalen Währungen stehen die Blockchain-Technologien, und digitale Währungen wie Bitcoin sind eigentlich nur eine Anwendung von Blockchain-Technologien. Mit Blockchain-Technologien können viel mehr erreicht werden, z. B. in der Finanzwelt, im Identitätsmanagement, aber auch im Bereich Internet of Things. Auch Smart Contracts ist ein relativ neuer Bereich, welcher erst durch Blockchain-Technologien wie Ethereum in der Praxis immer häufiger Anwendung finden wird. Das Thema Kryptowährungen ist so kontrovers und polarisierend, dass es immer noch heftige Diskussionen – nicht nur zwischen Individuen, sondern auch zwischen Konzernen, Regulierungsbehörden, Zentralbanken und Staaten – verursacht. Eines ist jedoch klar: Kryptowährungen werden bald anfangen, unser Leben so massiv zu dominieren, dass sie nicht nur die heutigen konventionellen Währungen, sondern auch gewisse staatliche Strukturen infrage stellen werden.
Börteçin Ege

11. Semiotik, ein Schlüsselelement für Systeme mit künstlicher Intelligenz … wie dieselbe Botschaft unterschiedlich verstanden werden kann …

Zusammenfassung
Automatische Systeme, welche mithilfe von künstlicher Intelligenz Texte auswerten sind allgegenwärtig und versuchen Botschaften in Texten automatisch zu verstehen. Es wird bewertet, ob die Botschaft eine negative, positive oder neutrale Aussage macht. Dem Nutzer ist oftmals gar nicht bewusst, dass intelligente Systeme im Hintergrund arbeiten. Nachfolgesysteme werden mit dem Resultat gefüttert und treffen neue Entscheidungen, basierend auf rein maschinentechnisch erstellten Schlussfolgerungen, ohne dass ein Mensch nochmals diese Schlussfolgerung oder die Entscheidung kontrolliert oder infrage stellt.
Wenn also eine Prozesskette nur noch aus intelligenten Systemkomponenten besteht, muss sichergestellt werden, dass diese intelligenten Systeme auf der für den Prozess korrekten Informations-Ausgangslage entscheiden können. BrainDocs™ von ai-one™ nutzt eine neuartige Kombination von Analyse-Algorithmen, welche das Problem der korrekten Botschaftsauswertung adressieren und lösen.
Eine Botschaft kann auf sehr unterschiedliche Weisen verstanden werden. Der Empfänger fragt sich, wie der Sachverhalt zu verstehen ist, aber auch, was der Sender mit der Nachricht erreichen will. Die Antwort, die der Empfänger sich selbst gibt, muss allerdings keinesfalls mit der beabsichtigten Bedeutung des Senders übereinstimmen (Vgl. von Thun, F. [19], S. 34 ff.). Um Missverständnisse und Unklarheiten zu vermeiden, müssen die Zusammenhänge der Kommunikation verdeutlicht werden. Dies geschieht mithilfe der Semiotik (Vgl. Nöth, W. [14], S. 67 f.).
Walter Diggelmann

12. Wie lässt sich sprachlich nicht explizit mitgeteiltes Wissen erschließen? Mit einer textkritischen Anwendung zum Diskurs „Ethik und KI“

Zusammenfassung
Der Beitrag zeigt, wie Bedeutung im Kontext von Welt- und Sprachwissen konstruiert wird. Dabei geht es um Meinungen, Überzeugungen und Wertvorstellungen, die in die Texte einfließen und rhetorisch geformt werden. Die Formen impliziten Wissens bilden auf der Textoberfläche eine sekundäre Symbolizität, die analytisch approximativ erschließbar ist. Dabei geht es um Mitbedeutetes und Mitgemeintes, aber auch um implizites Wissen bzw. Aktionstheorien, die in Form von mentalen Modellen und kognitiven Frames erschlossen werden können. Die exemplarische Analyse eines medienwissenschaftlichen Beitrages zu „Ethik und KI“- Maschinenethik zeigt, wie man von Verletzungen der Gesprächsmaximen auf das Autorbewusstsein schließen kann. Dabei wird deutlich, dass Moralität ohne sprachstilistische Verantwortung und personales wie organisationales Lernen im Kontext professioneller Emotionalität nicht zu haben ist. Abschließend werden einige Ideen skizziert, die nützlich sein können für mögliche KI-basierte Anwendungen der semantischen Datenintelligenz.
Helmut Ebert

13. Ethische und philosophische Aspekte von künstlicher Intelligenz

Zusammenfassung
Künstliche Intelligenz hält bereits in nahezu allen Lebensbereichen Einzug, und umso wichtiger wird das Thema Ethik bzw. Maschinenethik. Was bedeutet überhaupt Maschinenethik? Doch wie so oft steckt der Teufel im Detail. Es ergeben sich u. a. folgende Fragen: Wie sollten sich intelligente Maschinen und Roboter verhalten? Darf ein Roboter einen Menschen belügen oder gar betrügen? Wer haftet, wenn ein autonomes Auto einen Unfall verursacht? Darf Technik die Menschen ersetzen, anstatt sie zu unterstützen? Droht der Menschheit in Zukunft dadurch doch eine massenhafte Arbeitslosigkeit? Darf eine unbemannte Maschine auf Menschen schießen? Welchen ethischen Regeln müssen wir und die Maschinen folgen? Welche Pflichten haben die Maschinen gegenüber den Menschen und anderen Maschinen?
Börteçin Ege

14. Wer macht das Rennen in künstlicher Intelligenz?

Ein Vergleich zwischen den drei KI-Mächten USA, China und EU
Zusammenfassung
Wer macht das Rennen in künstlicher Intelligenz? China, USA oder die Europäische Union? Es ist derzeit sehr schwierig, eine klare Antwort auf diese Frage zu geben, aber dennoch nicht unmöglich. Wir sind als Menschheit noch am Anfang dieser bahnbrechenden Technologie. Und es gibt eigentlich keine eindeutigen Metriken zur Erfolgsmessung. Dennoch geben die Antworten auf einige Fragen genug Hinweise für die Zukunft: Welches Land macht die meisten Forschungen? Welche Firmen oder Universitäten haben die meisten Patente? Welches Land hat die meisten Eliteuniversitäten oder Forschungseinrichtungen? Welche Universitäten oder Forschungseinrichtungen veröffentlichen die Paper, die in anderen Veröffentlichungen am meisten zitiert werden? Wer zieht die meisten Talente oder Fachkräfte ins Land? Welches Land hat die meisten zukunftsorientierten Start-ups? Diese Fragenliste kann man beliebig verlängern, und all diese Fragen und Faktoren spielen beim Kräftemessen der Länder eine sehr wichtige Rolle. Im Rahmen dieses Beitrages wird nur versucht, ausgehend von vielen kleinen Fragen und Antworten, eine klare Antwort auf eine große Frage zu finden.
Börteçin Ege

Backmatter

Weitere Informationen

Premium Partner