Ein datenzentriertes Qualitätsframework für Ontologien
Die Nutzung elektronischer ontologischer Wissensrepräsentationen reicht bis in die 90er Jahre zurück. Doch obwohl diese Technologie vergleichsweise alt ist, ist ihr Einsatz heute noch ungebrochen mit Anwendungsszenarien nicht nur zum Austausch von Informationen, sondern auch bei der Herleitung neuen Wissens durch automatisierte Schlussfolgerungen oder der Verarbeitung natürlicher Sprache. Da die Nutzung von Ontologien weiter steigt - wie kann man die Qualität und Korrektheit solcher Artefakte sicherstellen?
Die Verwendung objektiver, quantifizierbarer Metriken liefert valide Messpunkte. Und in der Vergangenheit wurde eine enorme Menge an Metriken vorgeschlagen, die - unter anderem - die Graphen- und Schemaattribute, Annotationen, Beziehungen oder Instanzen bewerten. Doch oft wird ihr Einfluss auf die tatsächliche Qualität nicht umfassend erforscht. Wie und in welcher Art von Zusammensetzung beeinflussen die von Tartir et. al. im OntoQA-Framework vorgeschlagenen Metriken die Verständlichkeit einer Ontologie? Welchen Einfluss haben die von Gangemi et. al. Vorgeschlagenen Graph-Metriken auf die Wiederverwendbarkeit einer Ontologie? Der Einfluss bestimmter Metriken auf konkrete Qualitätsmerkmale wird oft nicht beschrieben und wenn doch, dann nicht in einem empirisch fundierten Ansatz validiert. Zudem bleiben die meisten Metriken eher isoliert. Es ist oft nicht bekannt, wie die Metriken miteinander korrelieren. Diese Unzulänglichkeiten machen die Verwendung von Ontologie-Metriken willkürlich - besonders unerfahrene Modellierer stehen vor der Herausforderung, die richtigen Metriken für die richtigen Ziele auszuwählen. Auch wenn die Ontologie-Metriken objektiv berechnet werden, bleibt die Interpretation subjektiv.
Validierte Messungen der Ontologiequalität können diesen Modellierern helfen, ontologische Modelle auf der Grundlage ihres angestrebten Nutzungsszenarios zu entwickeln. Eine Übersetzung der abstrakten Messungen in hochwertige Qualitätsdimensionen wie u.a. "Vollständigkeit", "Klarheit" oder "Anpassungsfähigkeit" hilft, die eigene Arbeit in einen breiteren Kontext einzuordnen. Dies gilt insbesondere dann, wenn diese Metriken in einem Repository zur Verfügung gestellt werden, das den Vergleich zwischen dem eigenen Werk und verschiedenen anderen Ontologien ermöglicht. Darüber hinaus können auf der Grundlage der bereitgestellten Qualitätsberechnungen mögliche Verbesserungen für ein bestimmtes Qualitätsziel angegeben werden, wobei die Artefakte hervorgehoben werden, die für jede Qualitätsdimension die einflussreichsten Faktoren sind. Tatsächlich kann dies nicht nur zu besseren Ontologien, sondern langfristig auch zu besser ausgebildetem Modellierungspersonal führen.
Das Ziel dieser Doktorarbeit ist es, eine Verbindung zwischen umfassenden Qualitätsmessungen wie "Verständlichkeit" oder "Vollständigkeit" und den in der Literatur vorgeschlagenen Qualitätsmetriken herzustellen und zu validieren. Mit Hilfe eines datenzentrierten Forschungsdesigns sollen Qualitätsstufen und Verbesserungsvorschläge identifiziert werden. Dies hat das Potential, besonders unerfahrene Ontologie-Ingenieure bei der Beurteilung ihrer Arbeit und der Erstellung besserer Ontologien zu unterstützen. Die Neuheit dieser Forschung liegt in der Datenzentriertheit ihres Designs. Anhand einer Sammlung großer Mengen evolutionärer Ontologie-Metriken sollen statistisch relevante Korrelationen gefunden werden. Dies ermöglicht die Validierung bereits vorgeschlagener und die Identifizierung neuer Qualitätsmessungen.
Context-sensitive Assistance Systems for Smart Self-Management
Die digitale Durchdringung des Alltags bietet große Potenziale und führt gleichzeitig zu neuen Herausforderungen. In der gegenwärtigen Arbeitswelt können insbesondere eine Arbeitsverdichtung, sowie Entgrenzung von Arbeits- und Privatleben beobachtet werden. Viele Arbeitnehmer stehen oft unter Zeitdruck. Häufige Unterbrechungen und Multitasking erschweren zusätzlich die Planung und Fertigstellung von Aufgaben, sowohl beruflich als auch privat. Der entstehende Stress und fehlende Erholung sind in allen Lebensbereichen kritische Faktoren. Somit kommt dem Selbstmanagement eine steigende Bedeutung zu, nicht nur im Hinblick auf die Produktivität, sondern insbesondere auch in Bezug auf die Erhaltung der Motivation, des Wohlbefindens und der Gesundheit des Einzelnen. Einen individuell passenden, reibungslosen Workflow zu entwickeln erfordert oftmals zusätzlichen Aufwand, kann aber insbesondere langfristig von großem Vorteil sein. Bisherige Werkzeuge, wie beispielsweise digitale Terminkalender oder To-do Listen, bieten nur eine rudimentäre Unterstützung, da sie meist statisch sind und eine permanente manuelle Anpassung benötigen. Zudem werden Entwicklungen im Bereich der Sensoren und Smart Devices bisher kaum berücksichtigt. Mit ihnen wird es möglich, Daten über den Nutzer und seine Umgebung zu erfassen. Die so gewonnenen Informationen, z.B. über den Ort des Nutzers, seine Bewegung oder biologische Werte, sowie Schlussfolgerungen, beispielsweise über die aktuelle Situation, können in Unterstützungsansätze für das Selbstmanagement einfließen.
Ziel der Forschungsarbeiten ist es, ein Konzept für ein innovatives Assistenzsystem zum kontextsensitiven Selbst-Management zu entwickeln und zu erproben. Hierbei soll insbesondere das Potenzial von Sensoren und Smart Devices zur Erfassung benötigter Daten und zur Umsetzung einer ubiquitär nutzbaren Vorschlagsfunktion untersucht werden. Die Ergebnisse sollen dazu verwendet werden, ein personalisiertes, situationsbezogenes und stresssensitives Assistenzsystem zum Selbst-Management zu entwickeln.
Unternehmensarchitekturen zur Unterstützung der digitalen Transformation - Entwicklung eines methodischen Ansatzes für KMU
Viele Unternehmen insbesondere kleine und mittlere Unternehmen (KMU) sehen sich zurzeit mit den Herausforderungen der Digitalisierung konfrontiert. Um weiterhin wettbewerbsfähig zu sein und neue Geschäftsfelder zu erschließen, ist die Nutzung digitaler Technologien oft unvermeidbar. Auch die Wissenschaft setzt sich mit der Digitalisierung von KMU auseinander. Jedoch liegt der Fokus der Forschung vor allem auf die Entwicklung und Bewertung von Readiness- und Maturity-Modellen. Die Unterstützung von KMU zur Verbesserung ihrer digitalen Reife wird in diesem Zusammenhang wenig untersucht. Somit entsteht eine Lücke in der Forschung, zum Thema Entwicklung von Digitalisierungsstrategien und der erfolgreichen Umsetzung dieser.
Das Ziel dieser Forschungsarbeit ist es daher einen methodischen Ansatz zu entwickeln, der KMU auf dem Weg der digitalen Transformation unterstützt. Dabei sollen vor allem Unternehmensarchitekturen als Hilfsmittel im Fokus stehen. Eine Unternehmensarchitektur liefert Geschäftsführer:innen und Mitarbeiter:innen von Unternehmen einen Gesamtüberblick über die Prozesse, die IT und das Zusammenspiel zwischen diesen und kann somit schon im Vorfeld die Veränderungen, die durch ein Digitalisierungsprojekte entstehen, ersichtlich machen. Da auch Mitarbeiter:innen einen großen Einfluss auf den Erfolg von Digitalisierungsprojekten haben, ist in diesem Zusammenhang auch die Modellierungssprache ein Schwerpunkt. Relevante Fragen dabei sind u.a. wie komplex darf die Syntax der Modellierungssprache sein und welcher Detaillierungsgrad der UA-Modelle ist notwendig, um alle internen Stakeholder eines Unternehmens mit einzubeziehen?