Motivation
Wissensgraphen finden zunehmend Interesse in Forschung und Industrie, um Daten, Informationen und Wissen aus diversen Quellen in einer geordneten Darstellung inklusive der zwischen ihnen bestehenden Beziehungen zu repräsentieren. Auch im Deep Learning (DL) befassen sich Graph Neuronal Networks (GNN) mit der Herausforderung Wissen in graphbasierten Netzwerken zu integrieren.
Ziele und Vorgehen
Um die daraus entstehenden Potentiale zu nutzen, kombiniert SensAI beide Technologien und untersucht, wie Wissen in DL-Ansätze integriert werden kann, um die Herausforderungen zu bewältigen, die sich aus realen Szenarien des Unternehmensgedächtnisses ergeben. Daher ist die Vision für SensAI ein selbstanpassender persönlicher Assistent, der in die Arbeitsumgebung eines Benutzers eingebettet und Teil eines Unternehmensgedächtnisses ist und zu diesem beiträgt. Ein solch persönlicher Assistent kennt die Denkweise des Benutzers in Form eines persönlichen Wissensgraphen und beinhaltet die gesammelten Informationen einer Organisation, die als Unternehmens-Wissensgraph dargestellt werden. Der Assistent begleitet dann im Alltag die Wissensarbeit eines Benutzers mit seinen Aufgaben und Aktionen, was zu einem Strom an Einsichten in die Arbeitsabläufe führt, die wiederum den persönlichen Wissensgraphen erweitern. Weiterhin kann der Assistent somit Kontexte aufbauen und zu der gegebenen Situation kontextspezifische Unterstützung durch individualisierte Wissensdienste anbieten.
Innovationen und Perspektiven
Viele Anwendungsfälle aus der Industrie (Automobil, Versicherung, Energie, Finanz- & Beschaffungswesen, Pharma, Compliance, …) zeigen Potenzial zur Einführung eines Unternehmensgedächtnisses und zur Realisierung wissensbasierter Dienste mittels Wissensgraphen und Deep Learning-Ansätzen. Jedoch stellen die Bedingungen in realen Unternehmensszenarien für diese Ansätze eine Herausforderung dar, das Potenzial auszuschöpfen. Hier werden die Ergebnisse von SensAI es ermöglichen, dieses Potenzial sowohl für eine wissenschaftliche als auch wirtschaftliche Verwertung zu heben und etwa Einführungs- und Anpassungskosten für Unternehmensgedächtnisse zu reduzieren.