Die Frage eines Kunden hat mich auf die Idee gebracht, die Einflüsse auf meine Modellierungsstrategien und meine eigenen Einstellungen und Leitlinien einmal zusammenzuschreiben.
Dies sind meine Regeln nach meinen momentanen Erfahrungen, Ende 2023. Sie sind nicht allgemeingültig sondern dokumentieren den Stand meiner Entwicklung.
Ein aktuelles Kundenprojekt hat mir wieder zwei wichtige Vorteile der W3C-Standards um semantische Technologien und Graphdaten vor Augen geführt:
Warum RDF? Weil es Ihre Investitionen schützt!
Im wundervollen Vortrag "Design in Practice" spricht Rich Hickey davon, wie wichtig ein aktuelles Glossar im Designprozess ist.
Ich sehe das ganz ähnlich, und sehe etwas wie "Business Knowledge Blueprints" als wichtige Grundlage für geschäftliche Anwendungen und besonders für (Enterprise) Knowledge Graphs.
Oder Reifizieren vs. RDF-Star. Oder Davidsonsche Ereignissemantik beim Modellieren.
Ich glaube obiges Beispiel mit Caesar habe ich aus John Sowas „Knowledge Representation“, dass ich leider verliehen und nie zurückbekommen habe, darum fehlt die genau Seitenangabe.
Heute hörte ich mir den Workshop "Democratise the Knowledge Graph and Concrete Tooling Requirements" von Adam Keresztes auf der 2023 Knowledge Graph Conference in NYC an.
Verschiedene Leute betonten dort die Schwierigkeit, Nichtontologen den Unterschied zwischen Klassen und Instanzen zu erklären.
Das hat mich dazu gebracht, darüber nachzudenken, wie ich mit dieser Terminologie arbeite, und ich habe festgestellt, dass ich dazu neige,
'Set' statt 'Klasse' zu verwenden.
Als ich heute morgen den Artikel "Knowledge Graphs: Opportunities and Challenges" las, habe ich wieder einmal an das Verhältnis zwischen symbolischer KI, sagen wir, in Gestalt vom Semantischen Web, also RDF und OWL, und statistischer KI in Gestalt von neuronalen Netzen, Sprachmodellen und Transformern gedacht.
ChatGPT zeigt, wie weit die statistische KI gekommen ist, hier sind ganz klar Ansätze zu genereller Intelligenz, AGI, zu erkennen.