Mensch und Maschine und Intelligenz

•

0 likes•177 views

Auch wenn unsere Sprache dazu tendiert Computer zu vermenschlichen – wir sprechen von maschinellem Lernen, Deep Mind – also tiefem Bewusstsein, neuronalen Netzwerken und eben auch von Wissen und Intelligenz, erreichen Menschen und Maschinen ihre intelligenten Leistungen zumeist auf vollkommen unterschiedliche Art und Weise. Tatsächlich ergänzen wir uns eher, als dass wir uns ersetzen. Die meisten intelligenten Leistungen von Maschinen, zumindest die komplexeren, basieren auf umfangreichem, von Menschen systematisch zusammengetragenem Datenmaterial. So speist IBMs Watson große Teile seines Wissens aus der Wikipedia, Googles Knowledge Graph stützt sich auf die Modellierungs- und Annotationsarbeit von Experten und einer riesigen Community über mehr als ein Jahrzehnt. Automatische Textanalyse nutzt gigantische, von Menschen geschaffene Wörterbücher und für Aufgaben des maschinellen Lernens werden immer neue Trainingsdaten oder Gold-Standards gebraucht. Auch diese müssen von Menschen zusammengetragen und/oder vorbereitet werden.

Technology

Technische Hochschule Brandenburg • Studiengang Wirtschaftsinformatik Seite 1
Prof. Dr. Vera G. Meister
Betriebliche Anwendungen der Informatik und Wissensmanagement
Mensch und Maschine und Intelligenz
Über die Bedeutung von Wissensgraphen
in Unternehmen und Organisationen

Technische Hochschule Brandenburg • Studiengang Wirtschaftsinformatik Seite 2
Mensch und Maschine und Intelligenz
Mensch und Maschine und Intelligenz • Prof. Dr. Vera G. Meister
Intelligenz ist die Fähigkeit,
in einer Vielzahl von
domänenspezifischen Situationen
nachhaltig effektiv und sachkundig
zu handeln.
28.03.2018

Technische Hochschule Brandenburg • Studiengang Wirtschaftsinformatik Seite 3
Intelligentes Handeln
Mensch und Maschine und Intelligenz • Prof. Dr. Vera G. Meister
Rahmen
Regeln
Ziel
• Gegner im Go-Spiel besiegen
• Neuen Kunden akquirieren
• Bonität eines Partners prüfen
• Transportroute festlegen
• Maschinenbelegung steuern
Aufwand
Nutzen
Verlässlichkeit
Zeit
28.03.2018

Technische Hochschule Brandenburg • Studiengang Wirtschaftsinformatik Seite 4
Bonität eines Partners prüfen
Mensch und Maschine und Intelligenz • Prof. Dr. Vera G. Meister 28.03.2018
✓ Unterlagen prüfen
✓ Persönliches Gespräch
auswerten
✓ Erfahrungen
reflektieren
✓ …
✓ Verzeichnisse prüfen
✓ Sentiment in Sozialen
Medien auswerten
✓ Muster in Big Data
erkennen und nutzen
✓ …
Vorgehen

Technische Hochschule Brandenburg • Studiengang Wirtschaftsinformatik Seite 5
Handlungsgrundlagen und -verfahren
Mensch und Maschine und Intelligenz • Prof. Dr. Vera G. Meister 28.03.2018
▪ Strukturierte Daten
▪ Schwach strukturierte Informationen
➢ Professionelle Verfahren
➢ Persönliche Einstellungen und Werte
➢ Erfahrungen, Eindrücke und Emotionen
▪ Strukturierte Daten
➢ Klassische Programmlogik
▪ Schwach oder nicht strukturierte Daten
➢ Semantische Textanalyse
➢ Mustererkennung und maschinelles Lernen
P1
P2 P3
Daten befinden sich in
Silos – Integration ist
eine Herausforderung
Informationen sind
über Verzeichnisse
verteilt – Zugriff und
Auffinden erschwert
Bedeutung der
Daten wird erraten
und/oder geschätzt
– Referenzmodelle
sind qualitätskritisch

Technische Hochschule Brandenburg • Studiengang Wirtschaftsinformatik Seite 6
Daten über Silogrenzen integrieren
Mensch und Maschine und Intelligenz • Prof. Dr. Vera G. Meister 28.03.2018
L1
Mapping

Technische Hochschule Brandenburg • Studiengang Wirtschaftsinformatik Seite 7
Mensch und Maschine und Intelligenz • Prof. Dr. Vera G. Meister 28.03.2018
Informations-Overflow beherrschenL2
Annotation

Technische Hochschule Brandenburg • Studiengang Wirtschaftsinformatik Seite 8
Mensch und Maschine und Intelligenz • Prof. Dr. Vera G. Meister 28.03.2018
Verlässlichkeit erhöhenL3

Technische Hochschule Brandenburg • Studiengang Wirtschaftsinformatik Seite 9
Mensch und Maschine und Intelligenz • Prof. Dr. Vera G. Meister 28.03.2018
Gartner Hype Cycle for Emerging Technologies
Enterprise
Taxonomy and
Ontology
Management
Quelle: Gartner Inc., 2017

Technische Hochschule Brandenburg • Studiengang Wirtschaftsinformatik Seite 10
Mensch und Maschine und Intelligenz • Prof. Dr. Vera G. Meister 28.03.2018
Wissensgraphen in der betrieblichen Praxis
*** Unsere Erfahrungen aus Beratung, Forschung und Entwicklung ***
Hochschulbetrieb
Software-Herstellung
Pharma-Forschung Maschinen-Wartung
Verlagswesen
Web-Agentur
Soziale Dienste
IT-Service-Management

Technische Hochschule Brandenburg • Studiengang Wirtschaftsinformatik Seite 11
Mensch und Maschine und Intelligenz • Prof. Dr. Vera G. Meister 28.03.2018
Label
Organizational
Unit
Formal
Organization
hasUnit
hasUnit
literalForm
synonym
hyponoym
abbrv
Product
Concept
label
usedBy
_blank
labelInContext
prefLabel
altLabel
hiddenLabel
forbiddenLabel
LabelStatus
valueReference
• Requested
• Planned
• Live
• Deprecated
isRelatedTo
Release
Physical
Medium
Product
medium
Feature
hasPart
ProductLine
ProductGroup
Company Schema
SKOS-XL
ORG
DCTerms
RDFS
subPropertyOf or subClassOf
successorOf
isVariantOf
predecessorOf
isSimilarTo
hasPart
isPartOf
isVersionOf
_blank
usedBy
labelRelation
labelRelation
InContext
Software-Herstellung

Technische Hochschule Brandenburg • Studiengang Wirtschaftsinformatik Seite 12
Wirkprinzipien eines Wissensgraphen
Mensch und Maschine und Intelligenz • Prof. Dr. Vera G. Meister 28.03.2018
Wissens-Schema
Entitäten
in Beziehung
zu anderen Entitäten
verschiedene
fachliche
Domänen

Technische Hochschule Brandenburg • Studiengang Wirtschaftsinformatik Seite 13
Wissensgraph als IT-Architekturkomponente
Mensch und Maschine und Intelligenz • Prof. Dr. Vera G. Meister 28.03.2018
Wissensquellen Wissensdienste
Wissensgraph
Product List
Service agent
support tool
Self service
portal
...
Knowledge
explorer
Dbpedia
WikiData
Identity
Management
Integration &
Orchestration
Schema Engineering & Information
Knowledge Graph Management
Triple Store
Analysis
Validation
Enrichment
Extraction
Access
LinkedData API
SPARQL
Endpoint
...
Enterprise
search
Help desk
system
Corporate
taxonomy

Technische Hochschule Brandenburg • Studiengang Wirtschaftsinformatik Seite 14
Vielen Dank für Ihre Aufmerksamkeit!
Kontakt: vera.meister@th-brandenburg.de

Similar to Mensch und Maschine und Intelligenz

Big Data/Industrie 4.0

BastianK

Smart Data Engineering: Erfolgsfaktor für die digitale Transformation

Boris Otto

Der Einsatz von Social-Media-Technologien im Unternehmensalltag wird mittlerweile durch eine Vielzahl von Plattformen unterstützt, wie zum Beispiel IBM Connections, Jive, Microsoft SharePoint oder Liferay. Bestimmt steht auch Ihnen eine dieser Plattformen zur Verfügung. Die technischen Voraussetzungen sind also geschaffen - aber was jetzt? Bleibt auch bei Ihnen das Engagement hinter den Erwartungen zurück? Fragen Sie sich, wie Sie die neuen Möglichkeiten effizient in Ihren Arbeitsalltag integrieren können? Fehlt der Bezug zum täglichen Geschäft in der Kommunikation auf den Plattformen? Die Präsentation stellt Anwendungsfälle vor und erklärt anhand eines konkreten Projektbeispiels, wie die typische Einführung von Enterprise-2.0-Technologien aussehen kann. Es gibt Hinweise zur Vorauswahl der geeigneten Tools, dazu, wie die Technologien am besten in Unternehmensprozesse integriert werden und wie der Erfolg der Maßnahmen gemessen werden kann.

Sharepoint, Liferay & Co.: Social Business Integration in der Praxis

inovex GmbH

Schon seit Jahren warnen Arbeitsmarktexperten vor dem Engpass an gut qualifizierten IT-Mitarbeitern. Das Thema Fachkräftemangel dürfte viele Arbeitgeber weiter begleiten. Genauso bleibt die Flexibilisierung der Arbeitswelt akut, wie die aktuelle IDG-Studie in Zusammenarbeit mit Hays und weiteren Partnern zum Freiberuflermarkt bestätigt. Zum Beispiel mit folgender Zahl: Der Anteil der Unternehmen, die ihre Freiberuflerquote erhöhen, stieg von 45 auf 62,5 Prozent. Und weiter: Mehr als ein Drittel der Befragten will in Zukunft noch stärker auf externe IT-Fachkräfte setzen.

IDG Studie 2018 IT Freiberufler

Hays

Data Science & Big Data, made in Switzerland

Thilo Stadelmann

Mit Daten Geld verdienen: Google, Facebook und Amazon machen es vor, aber wie mache ich es nach? Auch viele unserer Kunden produzieren genügend Daten, um diese gewinnbringend einzusetzen. Damit Daten aber nicht nur IT-Kosten verursachen, sondern an der Wertschöpfung beteiligt sind, müssen verschiedene Hebel in Bewegung gesetzt werden. Die technologischen Grundlagen müssen vorhanden sein, die Mitarbeiter müssen mit den Daten umgehen lernen, das Management muss die unterschiedlichen Monetarisierungsstrategien verstehen und bewerten können. In diesem Vortrag berichten wir aus einem unserer Projekte und gehen auf Erfolgsfaktoren und Hindernisse ein. Wir beleuchten dabei wie ein führendes Anzeigenportal mit mehreren Millionen Visits pro Tag einen Datenproduktmanagementprozess eingeführt, eine Big-Data-Plattform implementiert und Datenprodukte an den Markt gebracht hat. Datum: 12.10.2016 Speaker: Dr. Christoph Tempich Mehr Vorträge: https://www.inovex.de/de/content-pool/vortraege/

Erfolgsfaktoren von Datenprodukten

inovex GmbH

Wie könnte die Zukunft des Wissensmanagements in Unternehmen aussehen? Die gegenwärtigen Standards im Wissensmanagement stoßen bei der Abbildung aller relevanter Informationen für ein Unternehmen schnell an ihre Grenzen. Die Frage ist: Wie lässt sich das vielleicht wertvollste Wissen eines Unternehmen, das in den Köpfen der Mitarbeiter, langfristig sichern. IT-gestütztes Wissensmanagement benötigt als Fundament eine leistungsfähige, systemübergreifende Indexierung. Allein aus der Vielfalt der in ein Wissensmanagementkonzept einzubeziehenden Inhaltsquellen wird deutlich, dass nicht ein einzelnes, isoliertes Softwaresystem die Lösung sein kann. Es ist nicht damit getan, Wissen in einer Datenbank oder einem Wiki zu dokumentieren, sondern alle in den Geschäftsprozessen etablierten Systeme müssen mit einbezogen werden.

Die Zukunft des Wissensmanagements

Eduard Daoud

Herausforderungen & Erfolgsfaktoren bei der Konzeption und Implementierung vo...

Jan Rodig

Nachhaltigkeit und Digitalisierung werden intensiv erforscht, aber nur wenige kümmern sich um eine Verbindung dieser zwei aktuellen Entwicklungen. Wie stehen diese beiden wichtigen Themen zu einander in Relation? Sollte die digitale Transformation nachhaltiger werden oder sollte die nachhaltige Entwicklung stärker die Digitalisierung berücksichtigen? Ja und Ja! Das Referat zeigt die zwei Seiten der Münze auf und versucht eine Verbindung herzustellen. Dabei wird einerseits erläutert, wie die Digitalisierung besser zu Gunsten der nachhaltigen Entwicklung genutzt werden kann. Und andererseits wird anhand aktueller Beispiele aufgezeigt, wie das digitale Wissen im Interesse unserer Gesellschaft besser geschützt werden kann. In der anschliessenden Diskussion sollen die angesprochenen Thesen mit den Anwesenden diskutiert und konkrete Handlungsoptionen entwickelt werden.

Nachhaltige Digitalisierung und digitale Nachhaltigkeit: Die zwei Seiten eine...

Matthias Stürmer

Analytics mit SAS - konkret und praxisnah

Astrid Schmitt

Deutsche kleinunternehmen brauchen outsourcing

AnaDines

Fn neu broschuere_mai2017

CON.ECT Eventmanagement

Digital Data Insights 2018

Jürgen Seitz

Verstehen Sie Ihre Kunden Meetup Köln 08.10.2018

Digital Analytics Institute

Experte Dr. Pascal Sieber zeigte am XING learningZ Referat vom 6. September 2016, wie KMU die Potenziale der digitalen Transformation nutzen können. Die grundlegenden Fragestellungen des Referats waren: - Wie gehe ich vor bei der Entwicklung und Umsetzung der Digitalstrategie? - Welche Gedankenmodelle helfen dabei, die richtigen Fragen zu stellen und Ideen zu entwickeln? - Was tun andere Firmen; gibt es Beispiele? Das «Digital Transformation Model» hilft KMU dabei, Digital Business Excellence zu erlangen und so die Wertschöpfung des Unternehmens durch geschickte Vernetzung von Fähigkeiten und Ressourcen zu maximieren. Gleichzeitig stiftet das Unternehmen dem Kunden ein nachhaltigeren und höheren Wert als die Konkurrenz. Dr. Pascal Sieber diverse Beispiele aus der Finanz-, Bau- und Versicherungsbranche an und beleuchtete dabei die Ebene der Prozesse sowie die Ebene der IT genauer. Die Teilnehmer bekamen durch das Referat eine Hilfestellung um zu entscheiden, inwiefern sie ein Projekt zur digitalen Transformation starten sollen, und wenn sie schon eines gestartet haben, inwiefern dabei alle wesentlichen Aspekte beachtet werden können.

Xing LearningZ: Nutzenpotenziale der digitalen Transformation entdecken

Digicomp Academy AG

Running today’s procurement requires a different paradigm, extending to the new reality of the multi-enterprise supply chains, adding the agility and responsiveness that is often missing. New network solutions allow companies to securely work together in real time to coordinate activities. These networks have been specifically designed for companies that either manage or participate in distributed supply chains which require collaboration among numerous entities across disparate geographies. By synchronizing and tying together all the different information streams, solutions leverage automated algorithms and advanced machine learning to drive supply chain processes within enterprises and across external trading partners to increase productivity.

TASKFORCE EINKAUF 4.0 - Procurement in times of IoT

Michael Klemen

Md newsletter iii 2013_q2_barrierefrei

eBusiness-Lotse Darmstadt-Dieburg

Umfrage_zu_Big_Data_in_der_Schweiz_20151105

Beat Estermann

Workshop: Mit Sicherheit Datenschutz in der Gesetzlichen Unfallversicherung ...

Fujitsu Central Europe

Big Data Governance

Capgemini

Similar to Mensch und Maschine und Intelligenz (20)

Big Data/Industrie 4.0

Smart Data Engineering: Erfolgsfaktor für die digitale Transformation

Sharepoint, Liferay & Co.: Social Business Integration in der Praxis

IDG Studie 2018 IT Freiberufler

Data Science & Big Data, made in Switzerland

Erfolgsfaktoren von Datenprodukten

Die Zukunft des Wissensmanagements

Herausforderungen & Erfolgsfaktoren bei der Konzeption und Implementierung vo...

Nachhaltige Digitalisierung und digitale Nachhaltigkeit: Die zwei Seiten eine...

Analytics mit SAS - konkret und praxisnah

Deutsche kleinunternehmen brauchen outsourcing

Fn neu broschuere_mai2017

Digital Data Insights 2018

Verstehen Sie Ihre Kunden Meetup Köln 08.10.2018

Xing LearningZ: Nutzenpotenziale der digitalen Transformation entdecken

TASKFORCE EINKAUF 4.0 - Procurement in times of IoT

Md newsletter iii 2013_q2_barrierefrei

Umfrage_zu_Big_Data_in_der_Schweiz_20151105

Workshop: Mit Sicherheit Datenschutz in der Gesetzlichen Unfallversicherung ...

Big Data Governance

More from Vera G. Meister

Die informelle Forschungsgruppe BMaKE (Business Modeling and Knowledge Engineering) am Fachbereich Wirtschaft der TH Brandenburg beschäftigt sich mit der Konzeption und Entwicklung von Forschungsprototypen Wissensgraph-basierter Informationssysteme. Die Arbeit der Forschungsgruppe ist international vernetzt und zeichnet sich durch eine starke Verflechtung mit den Wahlpflichtmodulen des Masterstudiengangs Wirtschaftsinformatik mit eigenem Spezialisierungsprofil aus. Seit 2014 wurden sechs Prototypen in unterschiedlichen Anwendungsfeldern entwickelt.

BMaKE Forschungsprototypen - Stand 2019

Vera G. Meister

Modulkataloge gehören zu den wesentlichen konstituierenden und qualitätssichernden Dokumenten für Studiengänge an Hochschulen. Darüber hinaus erfüllen sie valide Informationsbedürfnisse verschiedenster Stakeholder. Grundlegende Qualitäts- und Strukturanforderungen an Modulkataloge werden durch Richtlinien der EU und der nationalen Gremien festgelegt, die jedoch den Akteuren vor Ort einen großen Gestaltungsspielraum lassen. In der Praxis sind Modulkataloge zumeist als Dokumente implementiert, wobei Dokumenten-Management-Systeme die Einhaltung von Qualitätsanforderungen unterstützen. Weitergehende Anforderungen der Stakeholder werden jedoch nicht oder nur unzureichend erfüllt. Auch die Bereitstellung von Modulkatalogen als Feature von Campus-Management-Systemen ist kritisch zu sehen. Der Beitrag analysiert einen Wissensgraph-basierten Ansatz zur Implementierung von Modulkatalogen.

Konzept und vergleichende Analyse eines Wissensgraph-basierten Modulkatalogs

Vera G. Meister

Die Unterstützung wissenschaftlicher Workflows durch semantische Technologien ist in den letzten Jahren zu einem eigenen Forschungsfeld geworden. Enorme Anstrengungen werden unternommen, um standardbasierte Metadaten sowie maschinelle Analysen unstrukturierter Inhalte wissenschaftlicher Publikationen bereitzustellen. Dies hilft den Forschern, sich in ständig wachsenden und zunehmend komplexeren Handlungsfeldern zu orientieren. Semantische Technologien haben auch das Potenzial, die Tiefenanalyse wissenschaftlicher Literatur zu unterstützen, wie sie in Forschungsseminaren praktiziert wird. Der Beitrag berichtet über ein Vorhaben zur kollaborativen Dokumentation und flexiblen Bereitstellung von qualitativen Analysen wissenschaftlicher Publikationen in einer Forschungsgruppe für angewandte Modellierung fachlichen Wissens. Dabei wird auf eine semiautomatische Population der Wissensbasis mit Hilfe eines standardbasierten Vokabulars gesetzt. Das System ist auf der Basis von OntoWiki implementiert und offen zugänglich.

Entwurf eines Wissensgraphen für die kollaborative Arbeit in Forschungsgruppe...

Vera G. Meister

The ability to model business knowledge is one of the core competences in the discipline of Information Systems. In addition, the modeling of business processes and structures has found wide acceptance in study programs for economic sciences. In addition to the knowledge of modeling paradigms, notations and tools, an effective acquisition of skills in this area also requires a deeper understanding of a professional domain, preferably from the point of view of a service provider or producer. Exercises that only rely on the analysis of existing business models or on the implementation of purely textual descriptions are not sufficient to establish a deeper understanding of the subject as well as an effective competence acquisition. The paper aims to show how a didactic concept, which takes up existing domain knowledge and explicitly focuses on a positive error culture, contributes significantly to the acquisition of competence in knowledge engineering by students.

Competency Acquisition in Applied Knowledge Engineering

Vera G. Meister

Despite a lot of persuasive scientific studies on the benefits of semantic technologies, Knowledge Engineering (KE) in enterprise environments is far away from wide practical implementation. The consultancy Gartner locates “Enterprise Taxonomy and Ontology Management” in its 2017 Hype Cycle for Emerging Technologies in the heart of the “Through of Disillusionment” with an expectation of 5-10 years to main-stream adoption. The paper aims at analyzing this contradiction and at investigating systematically the obstacles for successful and sustainable KE in enterprises. This is based on two case studies and an ethnographic study in organizations from different sectors: IT services and software production, public administration, and life sciences. For analyzing and visualizing characteristic use cases, processes and roles, methods of systems analysis are applied. A focus is put on the analysis and systematization of tools and services available for KE. The results of the paper form a basic framework for the constitution of KE as a business function crucial for bringing semantic technologies in enterprise environments to life.

Knowledge Engineering Processes and Tools in Enterprise Environments

Vera G. Meister

Knowledge graphs for the support of knowledge-intensive tasks and processes, or as a backbone of an organizational digitalization strategy are intensively discussed in recent scientific literature. What is largely missing, are aspects of the organizational management and even the major change of intermediary roles between business domain experts and IT specialists. Based on a literature review this paper introduces a comprehensive definition together with an abstract model of a knowledge graph in companies, a so-called Enterprise Knowledge Graph (EKG). Considering one of its core elements, the development of an EKG schema, i.e. the formal knowledge structure of the business domains to model, was analyzed in detail and reflected in the course of a case study. The new role of a knowledge engineer and its responsibilities as well as necessary competencies were outlined and discussed from real world perspective. The findings of the paper constitute an initial building block of a comprehensive framework for the implementation and the assessment of the maturity of knowledge graphs in organizations.

Schema Engineering for Enterprise Knowledge Graphs

Vera G. Meister

Support of scientific workflows by semantic technology gains in-creasing interest in recent years. Huge efforts are put on providing structured, standard-based meta data and on machine based qualitative analysis of unstructured content of scholarly papers. This helps researchers to stay oriented in an ever growing and gaining complexity field. Semantic technologies have also the potential to support the in-depth involvement in scholarly papers, like practiced in research seminars. The paper reports on the preliminary results of an under-taking to support the collaborative documentation and reuse of qualitative analysis of scholarly papers in an information systems research group. A vocabulary is developed and openly provided. The system is implemented on the base of OntoWiki and can be accessed openly.

Towards a Knowledge Graph for a Research Group with Focus on Qualitative Anal...

Vera G. Meister

Dezentrale Wissensinfrastruktur zu Hochschuldaten

Vera G. Meister

The paper raises the issues of Knowledge Workers job and the Knowledge Management Information Systems (KMIS) that support it. The initial objective of the paper is to define the notions Knowledge Worker and KMIS - in the form of concept maps. In the paper, the knowledge actions conducted by the Knowledge Workers are also analyzed and the most frequently performed actions are distinguished. The two actions - analysis and information organization, are used as the basis for examination of KMIS quality in terms of Knowledge Workers support.

Analysis of Benefits for Knowledge Workers Expected from Knowledge-Graph-Base...

Vera G. Meister

Die Fähigkeit fachliche Abläufe und Strukturen zu modellieren, gehört zu den Kernkompetenzen von Wirtschaftsinformatikern. Neben der Kenntnis von Modellierungsparadigmen, -notationen und -werkzeugen, erfordert ein effektiver Kompetenzerwerb auf diesem Gebiet auch das tiefere Verständnis einer fachlichen Domäne, möglichst aus Sicht eines Leistungserbringers oder -anbieters. Der Beitrag will zeigen, wie ein didaktisches Konzept, das vorhandenes Domänenwissen aufgreift und in der Umsetzung explizit auf eine positive Fehlerkultur setzt, den Kompetenzerwerb positiv beeinflusst.

Kompetenzerwerb in angewandter Wissensmodellierung durch Lernen aus Fehlern

Vera G. Meister

EduGraph + CMS Extension Studyfinder@JSON-LD

Vera G. Meister

SKOS Introduction - Based on an Example from Practice

Vera G. Meister

In-House-Beratung durch Studierende der Wirtschaftsinformatik stellt zugleich eine valide Lehr-/Lernform in fortgeschrittenen Phasen des Studiums wie auch einen wertvollen Wissenstransfer bei angespannter Ressourcenlage im IT-Management einer Hochschule dar. Diese These wird einführend argumentativ abgeleitet und im Folgenden entlang eines Referenzprojektes mit Fokus auf IT-Sourcing geprüft. Der Beitrag nimmt insbesondere Bezug zu strategischen IT-Entscheidungen in kleinen Hochschulen. Die Reflexion des Vorgehens im Projekt nimmt sowohl die Projektführung als auch den fachlichen Methodenrahmen in den Blick.

In-House-Beratung zum IT-Sourcing an Hochschulen

Vera G. Meister

Lernen und Lehren sind nach meinem Verständnis unmittelbar miteinander verknüpft. Diese frühe persönliche Prägung motiviert mich, Lernprozesse als multipotente Entwicklungsprozesse für alle Beteiligten zu gestalten. Als Professorin an einer technisch orientierten Fachhochschule fühle ich mich der anwendungsnahen Forschung und Entwicklung verpflichtet und habe ein genuines Interesse, Studierende für meine Forschungsfragen zu sensibilisieren und für die Mitarbeit an Neuentwicklungen zu begeistern.

Landeslehrpreis 2016 - Vera Meister

Vera G. Meister

E-Learning an Hochschulen wird aus verschiedenen Richtungen getrieben. Im Beitrag wird der Prozess der Gestaltung von Lehrmodulen einer Systemanalyse mit Schwerpunkt auf CMMN (Case Management Model and Notation) unterzogen. Darauf aufbauend werden die Erfahrungen aus dem Einsatz von selbst produzierten Videovorlesungen in ausgewählten Modulen der Wirtschaftsinformatik an der TH Brandenburg dargestellt und reflektiert.

Videovorlesungen in der Wirtschaftsinformatik – Systemanalyse und Reflexionen

Vera G. Meister

Nach einer Studie des McKinsey Global Institutes von 2012 wenden kommunikationsrelevante Ange-stellte 28 % ihrer Arbeitszeit allein für das Schreiben, Lesen und Beantworten von E-Mails auf.1 Die E-Mail-Flut wird als Belastung empfunden und führt häufig zu Frustration bei den Angestellten. Verständlich, wenn man bedenkt, das Schätzungen zufolge nur 10 % der E-Mails relevant sind. Zu viel Unwichtiges wird versandt, gerade wenn routinemäßig eine Botschaft per “Allen antworten” ver-schickt oder exzessiver Gebrauch von der "Cc"-Funktion gemacht wird. Man kann hier durchaus von einer Krise in der Unternehmenskommunikation sprechen, auf die, auf der Welle des Wissensmanagements, mit einer Diversifikation der Kommunikationskanäle reagiert wurde. Vielen Mitarbeitern stehen heute außer der E-Mail, Chat, Forum und unternehmensinterne Soziale Netzwerke zur Verfügung. Entspannt hat sich die Situation dadurch nicht.

Wie kommunizieren Mitarbeiter?

Vera G. Meister

More from Vera G. Meister (16)

BMaKE Forschungsprototypen - Stand 2019

Konzept und vergleichende Analyse eines Wissensgraph-basierten Modulkatalogs

Entwurf eines Wissensgraphen für die kollaborative Arbeit in Forschungsgruppe...

Competency Acquisition in Applied Knowledge Engineering

Knowledge Engineering Processes and Tools in Enterprise Environments

Schema Engineering for Enterprise Knowledge Graphs

Towards a Knowledge Graph for a Research Group with Focus on Qualitative Anal...

Dezentrale Wissensinfrastruktur zu Hochschuldaten

Analysis of Benefits for Knowledge Workers Expected from Knowledge-Graph-Base...

Kompetenzerwerb in angewandter Wissensmodellierung durch Lernen aus Fehlern

EduGraph + CMS Extension Studyfinder@JSON-LD

SKOS Introduction - Based on an Example from Practice

In-House-Beratung zum IT-Sourcing an Hochschulen

Landeslehrpreis 2016 - Vera Meister

Videovorlesungen in der Wirtschaftsinformatik – Systemanalyse und Reflexionen

Wie kommunizieren Mitarbeiter?

Mensch und Maschine und Intelligenz

1. Technische Hochschule Brandenburg • Studiengang Wirtschaftsinformatik Seite 1 Prof. Dr. Vera G. Meister Betriebliche Anwendungen der Informatik und Wissensmanagement Mensch und Maschine und Intelligenz Über die Bedeutung von Wissensgraphen in Unternehmen und Organisationen

2. Technische Hochschule Brandenburg • Studiengang Wirtschaftsinformatik Seite 2 Mensch und Maschine und Intelligenz Mensch und Maschine und Intelligenz • Prof. Dr. Vera G. Meister Intelligenz ist die Fähigkeit, in einer Vielzahl von domänenspezifischen Situationen nachhaltig effektiv und sachkundig zu handeln. 28.03.2018

3. Technische Hochschule Brandenburg • Studiengang Wirtschaftsinformatik Seite 3 Intelligentes Handeln Mensch und Maschine und Intelligenz • Prof. Dr. Vera G. Meister Rahmen Regeln Ziel • Gegner im Go-Spiel besiegen • Neuen Kunden akquirieren • Bonität eines Partners prüfen • Transportroute festlegen • Maschinenbelegung steuern Aufwand Nutzen Verlässlichkeit Zeit 28.03.2018

4. Technische Hochschule Brandenburg • Studiengang Wirtschaftsinformatik Seite 4 Bonität eines Partners prüfen Mensch und Maschine und Intelligenz • Prof. Dr. Vera G. Meister 28.03.2018 ✓ Unterlagen prüfen ✓ Persönliches Gespräch auswerten ✓ Erfahrungen reflektieren ✓ … ✓ Verzeichnisse prüfen ✓ Sentiment in Sozialen Medien auswerten ✓ Muster in Big Data erkennen und nutzen ✓ … Vorgehen

5. Technische Hochschule Brandenburg • Studiengang Wirtschaftsinformatik Seite 5 Handlungsgrundlagen und -verfahren Mensch und Maschine und Intelligenz • Prof. Dr. Vera G. Meister 28.03.2018 ▪ Strukturierte Daten ▪ Schwach strukturierte Informationen ➢ Professionelle Verfahren ➢ Persönliche Einstellungen und Werte ➢ Erfahrungen, Eindrücke und Emotionen ▪ Strukturierte Daten ➢ Klassische Programmlogik ▪ Schwach oder nicht strukturierte Daten ➢ Semantische Textanalyse ➢ Mustererkennung und maschinelles Lernen P1 P2 P3 Daten befinden sich in Silos – Integration ist eine Herausforderung Informationen sind über Verzeichnisse verteilt – Zugriff und Auffinden erschwert Bedeutung der Daten wird erraten und/oder geschätzt – Referenzmodelle sind qualitätskritisch

6. Technische Hochschule Brandenburg • Studiengang Wirtschaftsinformatik Seite 6 Daten über Silogrenzen integrieren Mensch und Maschine und Intelligenz • Prof. Dr. Vera G. Meister 28.03.2018 L1 Mapping

7. Technische Hochschule Brandenburg • Studiengang Wirtschaftsinformatik Seite 7 Mensch und Maschine und Intelligenz • Prof. Dr. Vera G. Meister 28.03.2018 Informations-Overflow beherrschenL2 Annotation

8. Technische Hochschule Brandenburg • Studiengang Wirtschaftsinformatik Seite 8 Mensch und Maschine und Intelligenz • Prof. Dr. Vera G. Meister 28.03.2018 Verlässlichkeit erhöhenL3

9. Technische Hochschule Brandenburg • Studiengang Wirtschaftsinformatik Seite 9 Mensch und Maschine und Intelligenz • Prof. Dr. Vera G. Meister 28.03.2018 Gartner Hype Cycle for Emerging Technologies Enterprise Taxonomy and Ontology Management Quelle: Gartner Inc., 2017

10. Technische Hochschule Brandenburg • Studiengang Wirtschaftsinformatik Seite 10 Mensch und Maschine und Intelligenz • Prof. Dr. Vera G. Meister 28.03.2018 Wissensgraphen in der betrieblichen Praxis *** Unsere Erfahrungen aus Beratung, Forschung und Entwicklung *** Hochschulbetrieb Software-Herstellung Pharma-Forschung Maschinen-Wartung Verlagswesen Web-Agentur Soziale Dienste IT-Service-Management

11. Technische Hochschule Brandenburg • Studiengang Wirtschaftsinformatik Seite 11 Mensch und Maschine und Intelligenz • Prof. Dr. Vera G. Meister 28.03.2018 Label Organizational Unit Formal Organization hasUnit hasUnit literalForm synonym hyponoym abbrv Product Concept label usedBy _blank labelInContext prefLabel altLabel hiddenLabel forbiddenLabel LabelStatus valueReference • Requested • Planned • Live • Deprecated isRelatedTo Release Physical Medium Product medium Feature hasPart ProductLine ProductGroup Company Schema SKOS-XL ORG DCTerms RDFS subPropertyOf or subClassOf successorOf isVariantOf predecessorOf isSimilarTo hasPart isPartOf isVersionOf _blank usedBy labelRelation labelRelation InContext Software-Herstellung

12. Technische Hochschule Brandenburg • Studiengang Wirtschaftsinformatik Seite 12 Wirkprinzipien eines Wissensgraphen Mensch und Maschine und Intelligenz • Prof. Dr. Vera G. Meister 28.03.2018 Wissens-Schema Entitäten in Beziehung zu anderen Entitäten verschiedene fachliche Domänen

13. Technische Hochschule Brandenburg • Studiengang Wirtschaftsinformatik Seite 13 Wissensgraph als IT-Architekturkomponente Mensch und Maschine und Intelligenz • Prof. Dr. Vera G. Meister 28.03.2018 Wissensquellen Wissensdienste Wissensgraph Product List Service agent support tool Self service portal ... Knowledge explorer Dbpedia WikiData Identity Management Integration & Orchestration Schema Engineering & Information Knowledge Graph Management Triple Store Analysis Validation Enrichment Extraction Access LinkedData API SPARQL Endpoint ... Enterprise search Help desk system Corporate taxonomy

14. Technische Hochschule Brandenburg • Studiengang Wirtschaftsinformatik Seite 14 Vielen Dank für Ihre Aufmerksamkeit! Kontakt: vera.meister@th-brandenburg.de

Mensch und Maschine und Intelligenz

Recommended

Recommended

More Related Content

Similar to Mensch und Maschine und Intelligenz

Similar to Mensch und Maschine und Intelligenz (20)

More from Vera G. Meister

More from Vera G. Meister (16)

Mensch und Maschine und Intelligenz