dagstuhl2022: Erträge

dagstuhl2022: Erträge

Dieses Seite: Meine subjektive, unsystematische Zusammenfassung veschiedener Erträge aus dem Workshop Applied Machine Intelligence, 27.–29. April 2022, Dagstuhl.

Weitere Texte, die mit Kollegen diskutiert wurden:

komplementäre Wissensrepräsentation

Für die formale Modellierung von Welt stehen dem Informatiker die Ausdrucksmittel der Unified Modelling Language (UML) mit ihren verschiedenen Spracheinheiten (language units) zur Verfügung: “Eine Spracheinheit umfasst eine Menge von eng zusammenhängenden Modellierungselementen, mit denen ein Benutzer einen ausgewählten Aspekt eines Systems mit einem bestimmten Formalismus modellieren kann.” Wikipedia -> UML.

Die relevante Einsicht hier: Wir haben verschiedene language units zur Verfügung, mit denn sich jeweils bestimmte Aspekte, Sichtweisen besonders gut ausdrücken lassen. Die Language units sind komplementär: Keine der Units beansprucht, allumfassend zu sein, und alle Units beanspruchen, sich zu ergänzen.

Auch für Menschen ohne vertiefte formale Bildung sind in den Frühphasen der Wissensschöpfung verschiedene “basalen” Wissenrepräsentationen unmittelbar zugänglich, darunter vor allem:

Die Erfahrung zeigt, dass, ähnlich wie in UML der Fall, sich auch in der Gruppe der basalen Wissenrepräsentationen die unterschiedlichen Wissenrepräsentationen unterschiedlich gut eignen, verschiedene Aspekte von Sachverhalte zu modellieren. Oft empfiehlt sich eine Pluralität von Modelltypen und Tools.

GenDifS ist eine auf Mindmaps basierende Sprache. Sie wurde entworfen, um Mindmaps, in denen Taxonomien enthalten sind, ohne den sonst üblichen Medienbruch auf eine höher strukturierte, mit formaler Semantik versehene Ebene zu heben - mit der Einschränkung, dass diese Formalisierung eben nur für Taxonomien vorgesehen ist. Andere Elemente, die in der Wissensmodellierung mit Mindmaps zwar häufig verwendet werden, aber keinen taxonomischen Charakter haben, sind in der formaleren Darstellung zwar noch für den SKOS-Export, nicht mehr aber für die Klassierung von Begriffen enthalten.

So gesehen ist auch GenDifS nur ein einziger Baustein in einem Ensemble von komplementären, d.h. sich ergänzenden Modelltypen. Mit GenDifS kann man (hier: in einer Mindmap) besonders gut Taxonomien modellieren. Darüber hinaus beansprucht die Sprache keine weiterreichende Geltungskraft. Insbesondere beansprucht GenDifS nicht, Dinge, die von den anderen basalen Wissenrepräsentationen gut dargestellt werden können, noch besser darstellen zu können.

GenDifS kann allerdings in einem Ensemble von verschiedenen Wissensrepräsentationen doch auch eine integrative Rolle spielen: Insofern die Knoten von Semantischen Netzen; die Spaltenköpfe von Tabellen; die Attribute oder Werte von Relationen fachsprachliche Begriffe aufweisen, können diese mit GenDifS erfasst, dokumentiert, auf Controlled terms / Normbegriffe zurückgeführt etc. und ggf. auf Konsistenz überprüft werden. Da GenDifS insbesondere auch einen SKOS-Thesaurus und damit auch ein Glossar erzeugen kann, eignet sich GenDifS zur begrifflichen Zusammenführung von verschiedenen Diagrammtypen.