Das organisatorische Wissensmanagement bei virtual earth GmbH bildet das Rückgrat unserer Wissensstruktur. Es umfasst bewährte Methoden wie Wissensbilanzen, die systematische Erfassung und Bewertung des intellektuellen Kapitals, sowie den Einsatz von Wikis und internen Wissensdatenbanken, die das kollaborative Teilen von Informationen und Erfahrungen innerhalb des Unternehmens fördern.
Im Rahmen der technischen Datenintegration legt virtual earth GmbH besonderen Wert auf moderne Informationsintegrationstechniken wie ETL-Prozesse (Extract, Transform, Load) und eine data-centric architecture. Diese Ansätze ermöglichen es, große Datenmengen aus verschiedenen Quellen zu extrahieren, zu transformieren und effizient zu speichern.
In der heutigen schnelllebigen Geschäftswelt ist das Management von Wissen nicht nur eine Frage der Informationsspeicherung, sondern eine strategische Notwendigkeit, die über den Erfolg Ihres Unternehmens entscheidet. Die virtual earth GmbH steht an der Spitze dieser Entwicklung und bietet ganzheitliche Lösungen, die Ihr organisatorisches und technisches Wissensmanagement nahtlos integrieren.
Das einfache Subjekt-Prädikat-Objekt Datenmodell von RDF verführt dazu, Beziehungen und Verben als einfache Prädikate oder Eigenschaften/Properties zu behandeln.
Das wird der Realität aber oft nicht gerecht.
Wenn wir z.B. Daten über Arbeitsverhältnisse oder Projektauftragnehmer sammeln, ist ein erster Ansatz vielleicht:
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.
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 Datenmodelle und (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 "Democratize the Knowledge Graph and Concrete Tooling Requirements" von Adam Keresztes auf der 2023 Knowledge Graph Conference in NYC an.
Verschiedene Leute dort betonten 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, 'Menge' statt 'Klasse' zu verwenden.
Gestern war ich auf dem Connected Data Meetup in London und hörte mir einen Vortrag von Madi Weland Solomon an, in dem sie Taxonomien als Ausgangspunkt für die Erstellung von Ontologien befürwortete.
Sie ging nicht ausführlich darauf ein, daher ist das Folgende mein Verständnis, alle Fehler und schlechten Ideen sind von mir :)
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.
Es werden keine Dienste zur Analyse Ihres Verhaltens genutzt, wir tracken sie nicht.
