# RDF Linked Open Data mit GenDifS Diese Seite: Text und weitere Informationen zum Poster von J.Busse auf dem [Forum Digitalisierung am 26. Oktober 2023](https://www.haw-landshut.de/kooperationen/transfer-und-zusammenarbeit/veranstaltungen/hochschulforum.html) an der HAW Landhut. * diese Seite als pdf-Poster: {download}`../forum_digitalisierung_haw2023/Poster_BUJ_2023-10-18.pdf` * lauffähiger Code und Quelle der Abbildungen: {doc}`e_sheet2rdf_schnitzel` ## Was ist GenDifS? Konventionell wird eine Semantic Web Ontologie verstanden als eine Axiomatisierung von Begriffen. Seit Aristoteles kann man Begriffe unterscheiden nach dem Muster *Genus Proximum, Differentia Specifica*, das auch unserer neuen Taxonomiesprache den Namen gegeben hat: *GenDifS* Unsere Einsicht: * Die Kunst liegt in der richtigen Unterscheidung von Begriffen. * Insbesondere macht es einen Unterschied, ob man nach Begriffen oder nach Unterschieden sucht. * Wichtiger als die Begriffe selbst sind ihre Unterschiede: Primat der Unterschiede. Mit GenDifS systematisiert man Unterschiede, mit denen man dann kontextorientiert und aufgabenspezifisch Begriffe konstruieren kann. Ziel ist eine sog. *postkoordinierende* Taxonomie. ## Digitalisierungsproblem: proprietäre Datensilos Daten liegen * unstrukturiert und in proprietären Formaten; * verteilt, redundant, veraltet, konkurrierend; * datenbanktechnisch nicht normalisiert vor. Größtes Problem: Die Bedeutung der Daten ist oft nur „in den Köpfen“, kontextspezifisch und informell bekannt. Beispiel: CSV-Datei über die Herkunft von Schnitzelfleisch in der Gastronomie; einlesen mit Pandas: ![](../../images/Schnitzel_vom_Jungrind_pandas.png) ## Lösung: Semantische Datenintegration Lösung: „Digitalisierung“ durch Semantische Datenintegration. Stand der Technik ist [Linked Open Data 5 Star](https://www.w3.org/DesignIssues/LinkedData.html#fivestar): * mindestens **★★★ non-proprietary format (e.g. CSV instead of excel)** * besser **★★★★ open standards from W3C (RDF and SPARQL)** * idealerweise **★★★★★ link your data to other people’s data to provide context** Existierende Standards (z.B. [rdb2rdf](https://www.w3.org/2001/sw/wiki/RDB2RDF)) sind oft keine Lösung: schwergewichtig und für die Praxis zu komplex; erfordern tiefgehendes Expertenwissen; setzen relationale Datenhaltung in 3NF voraus; sind nicht anwendbar bei denormalisierten Tabellen. Hier setzt GenDifS an. GenDifS-Ontologie zur CSV-Tabelle als Mindmap: ![](../../images/Schnitzel_vom_Jungrind.png) partieller Lösungsansatz mit der Ontologiesprache [GenDifS](http://jbusse.de/gendifs/): * niedrigschwellige Formalismen: Modellierung einer Ontologie (T-Box) in einer Mindmap * Integration: Einlesen von Fakten (A-Box) aus CSV-Tabellen * Open Data: Unternehmensintern möglichst offene Bereitstellung des Knowledge Graphs in verschiedenen Formaten; Standard heute ist Turtle * einfache Abfrage: Erzeuge aktuelle Tabellen „on the fly“ durch vordefinierte SPARQL-Abfragen Fokus auf *Schnitzel_1*: Von `gd05.py` im Format Turtle erzeugter Knowledge Graph, in `rdflib` eingelesen und wieder exportiert: ![](../../images/Schnitzel_vom_Jungrind_rdflib_graph.png) ## Inferencing mit OWL-RL Dieser Graph von `owlrl` entsprechend der GenDifS-Ontologie ausmaterialisiert, Fokus wieder auf *Schnitzel_1*: ![](../../images/Schnitzel_vom_Jungrind_owlrl_graph_1.png) ![](../../images/Schnitzel_vom_Jungrind_owlrl_graph_2.png) Ist das KI? [EU Entwurf AI Act](https://eur-lex.europa.eu/legal-content/DE/TXT/HTML/?uri=CELEX:52021PC0206), Anhang I: *Techniken und Konzepte der Künstlichen Intellizenz*, Artikel 3, Absatz 1: > b) Logik- und wissensgestützte Konzepte, einschließlich Wissensrepräsentation, induktiver (logischer) Programmierung, Wissensgrundlagen, Inferenz- und Deduktionsmaschinen, (symbolischer) Schlussfolgerungs- und Expertensysteme; Mit GenDifS erstellen wir nicht nur ein konventionelles Datenbank-Schema, sondern eine Semantic Web Ontologie, mit der wir mit einem Standard-Reasoner Objekte anhand ihrer Eigenschaften durch symbolisches Schlussfolgern klassifizieren können. ## Diskussion Hindernisse der Nutzung von GenDifS: * keine Fachkräfte bzgl. Semantic Web Technologien * Terminologiearbeit, Data Dictionary, systematisches Datenmanagement wenig verbreitet * abteilungsübergreifende Kommunikation „lohnt“ sich oft nicht ## Über dieses Projekt Projektziel: Exploration einer innovativen Idee; praxisbezogene Grundlagenforschung; [TRL 3](https://de.wikipedia.org/wiki/Technology_Readiness_Level) funktionaler Prototyp. Publikation als Open Source Code und als Buch in Planung. Publikationen * Busse, Johannes: Kernkonzepte der Taxonomiesprache GenDifS. In: Tagungsband zur 35. Jahrestagung des Arbeitskreises Wirtschaftsinformatik, HTW Berlin, HWR Berlin. S. 214–231. DOI: https://doi.org/10.30844/AKWI_2022_14 * Busse, Johannes: Terminologie und Ontologie: WordNet trifft SKOS. In: Petra Drewer, Felix Mayer, Donatella Pulitano (Hrsg.)(2023): Terminologie: Tools und Technologien. Akten des Symposions des Deutschen Terminologie-Tags e.V. (DTT). Mannheim, 2.–4. März 2023. München, Köln, Bern: DTT e.V., S. 31-42. * Busse, Johannes: Prä- versus postkoordinierende Ontologien. In: C. Czarnecki u.A. (Hrsg): Tagungsband zur 36. AKWI-Jahrestagung, TH Wildau. DOI: https://doi.org/10.15771/1794 * Busse, Johannes: Semantische Modelle Mit Mindmaps. In Stefan Andreas Keller, René Schneider, and Benno Volk, editors, Wissensorganisation und -Repräsentation mit digitalen Technologien, S. 115–127. DE Gruyter 2014. doi:10.1515/9783110312812.115. Dieses Poster online: . QR-Code dieser Seite: ```{figure} ../../images/QR_jbusse.de_gendifs_forum-digitalisierung-2023.png --- width: 20% --- ``` Prof. Dr. Johannes Busse, Fakultät für Informatik, HAW Landshut, [http://www.jbusse.de](http://www.jbusse.de/public/index.html)