Ontology & Knowledge Representation

Eine Business Ontology ist ein formales Modell der Konzepte, die spezifisch dafür sind, wie ein Unternehmen Wert schafft — Capabilities, Strategien, Betriebsmodelle, Ergebnisse und ihre Beziehungen —, und gibt der Organisation eine präzise, gemeinsame Sprache, um über Strategie und Umsetzung nachzudenken.

Ein Domain Model ist eine strukturierte Darstellung der zentralen Konzepte, Entitäten und Regeln innerhalb eines bestimmten Unternehmensbereichs, die erfasst, wie diese Konzepte zusammenhängen — damit Teams und Software ein präzises, gemeinsames Verständnis des Problemraums teilen, in dem sie arbeiten.

Ein Enterprise Data Model ist eine unternehmensweite Blaupause der Daten eines Unternehmens — die zentralen Entitäten, ihre Attribute und die Beziehungen zwischen ihnen —, die eine konsistente Struktur über Systeme hinweg bereitstellt, sodass Daten überall dasselbe bedeuten, gleichgültig wo sie gespeichert oder verwendet werden.

Ein Enterprise Knowledge Model ist eine strukturierte, gesteuerte Darstellung des strategischen und operativen Wissens einer Organisation — Capabilities, Methoden, Entitäten und ihre Beziehungen —, die sowohl Menschen als auch KI-Systeme abfragen können, um Entscheidungen in einer gemeinsamen, nachvollziehbaren Bedeutungsquelle zu fundieren.

Eine Enterprise Ontology ist ein formales, maschinenlesbares Modell der Konzepte, Entitäten und Beziehungen, die festlegen, wie eine Organisation arbeitet — sie gibt Menschen und Software ein gemeinsames Vokabular für Strategie, Fähigkeiten, Prozesse, Daten und die Verbindungen zwischen ihnen.

Knowledge Representation ist das Teilgebiet der künstlichen Intelligenz, das sich mit der Kodierung von Fakten, Konzepten und Beziehungen in einer strukturierten Form befasst, die ein Computer speichern, abfragen und für Schlussfolgerungen nutzen kann — sodass Maschinen Schlüsse ziehen können, statt nur gespeicherten Text abzurufen.

Ein kontrolliertes Vokabular ist eine kuratierte, abgestimmte Menge von Begriffen, mit der Informationen konsistent beschrieben und geordnet werden — es beseitigt die Mehrdeutigkeit freier Textbezeichnungen, indem es jedem Konzept einen bevorzugten Namen gibt und festlegt, wie Synonyme und Varianten darauf abgebildet werden.

Eine Ontology ist in Wirtschaft und KI eine formale Spezifikation der Konzepte, Kategorien und Beziehungen einer Domäne, so verfasst, dass Software Bedeutung konsistent interpretieren kann — sie liefert das gemeinsame Vokabular, mit dem KI-Systeme über Unternehmenswissen schlussfolgern, statt allein aus Mustern zu raten.

Eine semantische Schicht ist eine geschäftsfreundliche Abstraktion zwischen den Rohdatensystemen und den Menschen oder Anwendungen, die sie nutzen. Sie übersetzt technische Felder in konsistente, definierte Geschäftsbegriffe, sodass alle dieselbe Bedeutung abfragen, unabhängig davon, wo die Daten liegen.

Semantic Metadata sind beschreibende Informationen, die an Inhalte oder Daten angehängt werden und deren Bedeutung sowie ihre Beziehungen zu definierten Konzepten erfassen, statt nur ihr Format — sodass Maschinen verstehen können, wovon eine Information handelt und wie sie mit allem anderen verbunden ist.

Eine einzige Quelle der Wahrheit ist eine Praxis, Informationen so zu strukturieren, dass jedes Datenelement an genau einem maßgeblichen Ort gespeichert und gepflegt wird — so greifen alle Personen und Systeme auf dieselbe aktuelle Version zurück, statt mit abweichenden, widersprüchlichen Kopien zu arbeiten.

Taxonomy vs Ontology beschreibt den Unterschied zwischen zwei Arten, Wissen zu organisieren: Eine Taxonomie ist eine Hierarchie, die Dinge in verschachtelte Kategorien einordnet, während eine Ontologie ein reichhaltigeres Modell ist, das zusätzlich viele Arten von Beziehungen zwischen Dingen definiert und so maschinelles Schlussfolgern statt bloße Klassifikation ermöglicht.

Ein Wissensgraph ist ein Netzwerk realer Entitäten — etwa Capabilities, Prozesse oder Ergebnisse —, die durch definierte Beziehungen verbunden sind, und wird so gespeichert, dass Menschen wie Maschinen die Verbindungen nachvollziehen und über sie hinweg schlussfolgern können, statt isolierte Datensätze zu lesen.