In dieser dreiteiligen Blog-Serie möchten wir veranschaulichen, welche Rolle Wissensnetze – manchmal auch semantische Netze genannt – bei Informationskonzepten spielen können. Warum Wissensnetze sich eher dazu eignen, komplexe Wissenszusammenhänge abzubilden, als klassische Metadatenmodelle, haben wir in unserem ersten Teil dieser Blog-Serie gezeigt. Wie Use Cases speziell für Service- und Nutzerinformationen aussehen können, darum soll es in diesem zweiten Teil gehen.
Worst Case: In einem Lebensmittel produzierenden Betrieb stehen alle Bänder still. Ratlose Produktionsmitarbeiter und eine aufgebrachte Produktionsleitung. In der Leitzentrale sieht der Betriebstechniker die Meldung „Sensor 5711 in Pumpenaggregat 1 und 2 meldet: Fehler 125: Ölstand zu niedrig“. Die Meldung an sich ist zwar nicht sonderlich vielsagend, aber der Betriebstechniker weiß: Die beiden Pumpen versorgen die Wasserkühlung. Fallen sie aus, fährt die Anlage herunter. Jetzt muss es schnell gehen.
Der Betriebstechniker greift ins Regal hinter sich, zieht die Betriebsanleitung der Pumpenaggregate aus dem Regal und schlägt das Inhaltsverzeichnis auf. Das Kapitel „Störungen“ klingt vielversprechend. Zwei Seiten Sicherheitshinweise und vier Seiten Störungstabelle, aber kein Wort von zu niedrigem Ölstand lassen Unmut aufkommen. Neuer Anlauf: Im Inhaltsverzeichnis finden sich Beschreibungskapitel zu diversen Sensoren. Könnte der „Füllstandssensor Öl“ etwas mit der Meldung „Ölstand zu niedrig“ zu tun haben? Volltreffer! Die Beschreibung klärt auf, dass es bei 90 % Füllstand bereits eine Warnung gibt und bei 75 % Füllstand das Pumpenaggregat automatisch abschaltet – der Betriebstechniker wirft dem Anlagenführer einen vorwurfsvollen Blick zu. Die direkte Auflösung hätte es wohl im Kapitel „Meldungen am Touchpanel“ gegeben. Die Lösung ist ein Getriebeölwechsel. Das betreffende Kapitel wird aufgeschlagen und der Betriebstechniker macht sich auf den Weg, die Fehlerursache zu beseitigen.
Wie könnte das Ergebnis in einem Content-Delivery-Portal (CDP) mit Wissensnetz aussehen? Der Betriebstechniker gibt die Fehlermeldung in das CDP des Pumpenherstellers ein. Der Fehler und die Fehlerbeschreibung werden angezeigt: „Mindestfüllstand des Getriebeöls im Wälzlager von 75 % ist unterschritten.“ Der Betriebstechniker lässt sich die Meldung im Wissensnetz anzeigen und sieht: Diese Fehlermeldung wird gelöst durch die Anweisung „Getriebeöl wechseln“. Die Informationssuche ist erledigt.
Natürlich wären für diesen Use Case auch andere Lösungen denkbar. Das Leitsystem hätte nicht nur das Problem, sondern auch die Lösung anzeigen können. Mit einer besseren Navigation hätte der Betriebstechniker vielleicht direkt die passende Tabelle in der Betriebsanleitung gefunden. Entscheidend ist, dass sich in Wissensnetzen diverse verschiedene Beziehungen beschreiben lassen. Der Betriebstechniker könnte so vielleicht auch sehen, welcher Sensor diesen Fehler registriert hat oder zu welcher Baugruppe der Sensor gehört oder auch, wie viel Zeit für die Behebung des Fehlers vorgesehen ist. Werden diese Verbindungen sichtbar, können Nutzer Informationen und Zusammenhänge leichter recherchieren.
Auch können die Informationseinheiten leichter eingefügt oder entfernt werden, wenn sie in einem flexiblen Wissensnetz statt in einem rein hierarchischen Metadatenkonzept organisiert sind. So lassen sich auch Informationen aus anderen Datenquellen und mit anderen Metadaten leichter integrieren. Informationen lassen sich aus verschiedenen Systemen mit einbeziehen, ohne dass es ein unternehmensweit einheitliches Metadatenkonzept gibt. Mit einer solchen Datenbasis lassen sich dann auch Predictive-Maintenance-Ansätze effektiv unterstützen. Melden die Sensoren 5711 beispielsweise, dass der Ölstand unter 90 % sinkt, könnte das Leitsystem direkt den Betriebstechniker informieren und somit einen Ausfall der Anlage frühzeitig verhindern.
Dass Metadaten und Beziehungen die Zusammenhänge der Informationseinheiten untereinander beschreiben, hilft dabei nicht nur dem menschlichen Betrachter. Denkt man noch weiter in die Zukunft, können Wissensnetze auch direkt dazu dienen, Künstlicher Intelligenz die Datenbasis und das Beziehungswissen zu geben, dass sie sich sonst nur schwer selbst erarbeiten kann – denken Sie an das Kunst-Beispiel aus dem ersten Blog. Mindestens Suchalgorithmen können so treffsicherer werden und helfen, der Informationsflut Herr zu werden.
Wurden zuvor die relevanten Use Cases ermittelt, lassen sich Wissensnetze weben, die bei der Informationssuche spürbare Mehrwerte generieren können. Auch Konzepte wie Information-push-Anwendungen und digitale Geschäftsmodelle können auf solchen Informationsmodellen basieren.
Letztlich sollten aber wie immer die Use Cases über die Ausgestaltung bestimmen und nicht die technischen Möglichkeiten. Denn wenn man dem Gartner Hype Cycle for Emerging Technologies von 2019 beachtet, befinden sich hier die Knowledge Graphs gerade auf dem Anstiegt zum Peak der überzogenen Erwartungen. Also auf dem Weg zu dem Punkt, an dem der Technologie mehr zugetraut wird, als sie bisher wirklich leisten kann. Dem lässt sich nur mit einem klaren Konzept begegnen, welche Ziele man mit dieser Technologie verfolgt. Denn der Gartner Hype Cycle zeigt auch: In fünf bis zehn Jahren erreicht diese Technologie das Plateau der Produktivität. Wäre es nicht schön, zu den Ersten zu gehören, die von diesem Nutzen profitieren?
