Projekt

SensAI

Self-organizing Personal Knowledge Assistants in Evolving Corporate Memories

Self-organizing Personal Knowledge Assistants in Evolving Corporate Memories

Potentiale

Wissensgraphen finden zunehmendes Interesse in Forschung und Industrie, um Daten, Informationen und Wissen aus diversen Quellen in ontologiebasierten Graphstrukturen zu repräsentieren. Darüber hinaus befasst sich die Forschung im Bereich Deep Learning (DL) mit den Herausforderungen in graphbasierten Netzwerken, um Wissen in DL-Ansätze zu integrieren, mit ersten vielversprechenden Ergebnissen im Bereich der Graph Neuronal Networks (GNN). Um die daraus entstehenden Potentiale zu nutzen, kombiniert SensAI beide Technologien und untersucht, wie Wissen in Deep Learning-Ansätze integriert werden kann, um die Herausforderungen zu bewältigen, die sich aus den realen Anwendungsszenarien ergeben. Diese Szenarien haben ihren Ursprung in unserem Corporate Memory-Ansatz, wenn dieser in einem Unternehmen eingeführt und in der täglichen Arbeit eingesetzt werden soll. Obwohl hier meist von Unternehmen gesprochen wird, sind sie in jedem institutionellen Umfeld anwendbar: im Bildungswesen, in der Verwaltung, in der Landwirtschaft usw. Unser Ansatz ist eine menschzentrierte Assistenz für die Wissensarbeit, bei der persönliche Wissensgraphen zur Darstellung des mentalen Modells des Nutzers sowie seiner Arbeitsumgebung verwendet werden. Dies wird kombiniert mit Unternehmens-Wissensgraphen, die den Informationsraum des Unternehmens repräsentieren, verschiedene heterogene Datensilos vernetzten, maschinenverstehbare Informationen nutzen und damit verschiedene Wissensdienste ermöglichen.

Herausforderungen

Herausforderungen ergeben sich aus den normalerweise unordentlichen (“messy”), spärlichen und vielschichtigen Datensätzen und dem Aufwand für den Aufbau und die Pflege der sich entwickelnden Wissensgraphen aus diesen heterogenen Daten. Neben diesen sich aus dem Unternehmensbereich ergebenden Herausforderungen erfordert unser menschzentrierter Ansatz zur Einbeziehung der Nutzer und ihrer persönlichen Sichten auf den Informationsraum des Unternehmens den Umgang mit ihren persönlichen Daten und Interaktionen, die Unterstützung bei der sich entwickelnden Komplexität des Unternehmensgedächtnisses und die Notwendigkeit, Vorschläge von Wissensdiensten zu erklären.

Vision

Daher ist unsere Vision für SensAI ein sich selbst adaptierender, persönlicher Assistent, der in die Arbeitsumgebung eines Nutzers eingebettet und Teil eines Unternehmensgedächtnisses ist und zu diesem beiträgt. Um diese Vision zu erreichen, werden wir drei Ziele verfolgen:

  • Ziel 1: persönliche und Unternehmens-Wissensgraph-Konstruktion aus unordentlichen, spärlichen und heterogenen Unternehmensdaten
  • Ziel 2: sich entwickelnde und selbstorganisierende Kontexte auf der Grundlage von Evidenzen aus Benutzeraktivitäten, insbesondere die Erforschung wissensbasierter Ansätze für das Deep Learning in SensAI
  • Ziel 3: SensAI als ein Ökosystem von in die Arbeitsumgebung des Benutzers eingebetteten Wissensdiensten

Zur Verfolgung dieser Ziele kombiniert SensAI die Erfahrung unserer Abteilung im Bereich Corporate Memories mit unseren Erkenntnissen über Deep-Learning-Ansätze und -Architekturen, um einen neuartigen Ansatz zur menschzentrierten Unterstützung in Wissensarbeitsszenarien zu erforschen.

Fördergeber

BMBF - Bundesministerium für Bildung und Forschung

01IW20007

BMBF - Bundesministerium für Bildung und Forschung

Projekt teilen auf:

Publikationen zum Projekt

Michelle Pelzer, Michael Schulze, Markus Schröder, Christian Jilek, Heiko Maus, Andreas Dengel

In: SemanticsP&Ds 2022 Semantics Compound Volume 2022: Joint Proceedings of the Semantics co-located events: Poster&Demo track. Joint of the Semantics co-located events: Poster & Demo track (SEMANTiCS P&Ds-2022) September 13-15 Vienna Austria CEUR Workshop Proceedings CEUR-WS 10/2022.

Zur Publikation

Deutsches Forschungszentrum für Künstliche Intelligenz
German Research Center for Artificial Intelligence