Lexikon

Organizational Memory

Das Management von Wissen ist ein wichtiger Erfolgsfaktor in Unternehmen. Dabei hat Wissensmanagement eine soziokulturelle, betriebswirtschaftliche und informationstechnische Dimension; gemeinsames Ziel ist die optimale Nutzung der „Ressource Wissen" für Lernen aus Erfahrung, kontinuierliche Prozeßverbesserung und den Ausbau kreativer Unternehmenspotentiale. Wissen als Unternehmensressource ist Wissen in Dokumenten, undokumentiertes Wissen wie Mitarbeiterkenntnisse und -fähigkeiten, sowie Wissen in Prozeduren und Produkten. Es geht z.B. um Entwurfsentscheidungen im Designprozeß („design rationals", s. Shum) um Projekterfahrungen („lessons learned", s. van Heijst et al.), die für nachfolgende Projekte wiederverwendet werden sollen, oder gute Vorgehensweisen („best practices"). Informationstechnische Beiträge zum Wissensmanagement lassen sich nach zwei Sichtweisen klassifizieren:

  • Die prozessorientierte Sicht unterstützt die Zusammenarbeit einer Gruppe von Personen mit dem Ziel, verteilt vorliegendes, aktuelles Wissen und Fähigkeiten optimal einzusetzen. Basistechniken stammen aus der Computer Supported Cooperative Work (CSCW) und dem Workflow Management.
  • Die produktorientierte Sicht untersucht die Erhebung, Wartung, Wiederverwendung und Nutzung von Wissen in informationstechnisch verarbeitbarer Form. Basistechniken stammen aus den Bereichen Dokumentenmanagement, Wissens und Informationssysteme.

Das Organizational Memory wird technisch durch ein Organizational Memory Information System (OMIS, auch: Corporate Memory) unterstützt. Ein OMIS entsteht durch die Integration von Basistechniken zu einem Computersystem, das in der Organisation Wissen und Informationen fortlaufend sammelt, aktualisiert, strukturiert und für verschiedene Aufgaben möglichst kontextabhängig, gezielt und aktiv zur Verbesserung des kooperativen Arbeitens zur Verfügung stellt. Für Sammlung, Nutzung und Wiederverwendung von Wissen muß ein OMIS folgende drei Hauptaufgaben lösen:

1. Wissenserfassung & -pflege

Wissenserfassung und -pflege sind wie bei wissensbasierten Systemen kritische Erfolgsfaktoren eines OMIS. Analog zur Position des Knowledge Engineers bei wissensbasierten Systemen wird die Installation eines Knowledge- oder Experience-Managers vorgeschlagen,der Wissen aufbereitet, in eine nutzbare Form bringt und geeignete Metadaten zum Retrieval hinzufügt. Da dies bei einem größerem Nutzerkreis zu erheblichem Aufwand führt, sind Akquisitionswerkzeuge und automatische Verfahren zur Unterstützung gefragt. So wird in AnswerGarden das OMIS selbständig erweitert und benötigt nur geringe Wartung. Hier sind Metadaten der Pfad durch einen Fragenbaum,den ein Benutzer interaktiv mit dem System erstellt. So werden Metadaten oft entweder durch (semi-) automatische Verfahren (z.B. Textanalyse) aus den zu speichernden Objekten gewonnen oder explizit angegeben. Generell sind Erhebung und Wartung von formal repräsentiertem Wissen schwieriger und daher kostspieliger als von informell repräsentiertem. Daher setzen viele Ansätze auf existierenden informalen Wissensquellen (z.B. Texten) auf und nutzen formale Strukturen nur für stabile Sachverhalte (z.B. zur Indexierung einer Best-Practice Wissensbasis).

2. Wissensaufbereitung und -integration:

Ziel des OMIS ist es, vielfältigen Such- und Nutzungskomponenten einen einheitlichen und effektiven Zugang zum Wissensspeicher zu ermöglichen. Nun ist dieser aber sehr heterogen auf mehreren Ebenen:

  • Auf der Inhaltsebene unterscheiden wir verschiedene Wissensarten im Unternehmen: Produkt- und Prozeßwissen, Ursachen für Entscheidungen, individuelle Kompetenzen und Erfahrungen etc. Existierende Systeme repräsentieren i.a. nur einen einzigen Typ von Wissen, ihr Zusammenspiel ist kaum untersucht (ein Gegenbeispiel sind die Issue-Based Information Systems, die zur Dokumentation von Entwurfsentscheidungen eines Design-Teams die entstehenden Dokumente – Texte, Protokolle, Zeichnungen – eingebettet in die graphische Darstellung des Diskussion- und Entscheidungsprozesses ablegen). Notwendig zur Integration ist eine Unternehmensmodellierung aus der Wissenssicht, d.h. eine Methodik zur Analyse und Darstellung von Informationsflüssen, Wissensbedürfnissen und -ressourcen, s. z.B. Daniel et al..
  • Auf der Repräsentationsebene stellt sich das Problem, daß Text und Hypertextdokumente, E-Mails, Grafiken usw. oft bereits vorhanden und für menschliche Nutzer besser geeignet sind als formalere Darstellungen. Andererseits sind wissensbasierte Systeme auf formale Repräsentationen zur Steuerung von Problemlösungsmethoden und Workflows, zur semantischen Suche, zur aktiven Präsentation von Wissen etc., angewiesen, so daß man auf die Formalisierung von Wissensteilen nicht verzichten kann.

Ansätze, um Formalisierungen und deren Wartbarkeit zu vertretbaren Kosten zu erreichen, sind z.B. die inkrementelle Formalisierung, bei der informale und formale Repräsentation durch Hyperlinks verknüpft werden oder die Einbettung der formalen in die informale Repräsentation: annotieren Texte bezüglich einer Ontologie redundanzarm mit Hilfe neuer HTML bzw. XML-Attribute, so daß daraus automatisch eine formale Darstellung extrahiert werden kann. Auch die Informationsextraktion mit Methoden der Dokumentanalyse / -klassifikation bzw. zur Wissensakquisition aus Texten werden hierfür untersucht. Ferner stellt sich die Frage des homogenen Zugriffs auf existierende Informationssysteme,welche Aussagen über dieselben Sachverhalte des Objektbereichs unterschiedlich formulieren und strukturieren. Im Datenbank- und Wissensbankbereich ist dies Gegenstand der Intelligenten Informationsintegration (I³). Hier helfen Ontologien,in denen eine verbindliche gemeinsame Terminologie spezifiziert wird, und Wrapper/Mediator-Architekturen, die verschiedene Quellen kapseln und deren Inhalt bzgl. einer gemeinsamen Ontologie übersetzen (Wrapper) bzw. Anfragen bzgl. dieser gekapselten Quellen beantworten (Mediator).

3. Wissensnutzung & -suche:

Generell sollte ein OMIS die Lösung verschiedener wissensintensiver Aufgaben durch aktive, kontextsensitive Informationslieferung erleichtern. Dabei benötigen passive wie aktive Ansätze geeignete Metadaten, die Aussagen über den Kontext, in dem das abgelegte Wissen verwendbar ist, erlauben. Dazu kommen,abhängig vom Grad der Formalisierung und der konkreten Anwendung unterschiedliche Verarbeitungstechniken sowohl für das abgelegte Wissen als auch für die Metadaten in Frage. So verwenden Expertensysteme Problemlösungsmethoden, um zusammen mit formalisiertem Wissen aus der Anwendungsdomäne den menschlichen Benutzer bei der Lösung von speziellen Aufgaben im betrieblichen Umfeld (z.B. Konfigurierung und Diagnostik) zu unterstützen. Für weniger stark formalisiertes Wissen bieten sich Inferenzmethoden wie das Fallbasierte Schließen (CBR), z.B. für Fälle in Best-Practice Wissensbasen an. Beim ontologiebasierten Retrieval sind informale (bzw. semiformale) Dokumente mit formalem Wissen verknüpft, indem in Dokumenten Wissen identifiziert und durch Annotierung bezügl. einer Ontologie gekennzeichnet wird. Auf unstrukturierte Dokumentsammlungen hingegen kann z.B. mittels Textsuchmaschinen zugegriffen werden.

Aktive Hilfe ist angesichts der Informationsflut wesentlich, jedoch i.a. noch ungelöst. Beiträge zur aktiven Informationsbereitstellung erweitern z.B. Geschäftsprozeßmodelle um Dokumentflüsse und Expertiseverwendung; intelligente Suche basiert dann z.B. auf CBR oder Agententechnologie.

Systeme,die alle oben skizzierten Aufgaben lösen, sind noch nicht verfügbar. Allerdings gibt es bereits eine Reihe von Systemen, die einzelne Aspekte bereits gut umsetzen, z.B.:

  • Das BSCW-System bietet eine WWW-basierte Plattform für kooperatives Arbeiten in Büroumgebungen. Notizen,Dokumente und Diskussionen können abgelegt und kooperativ bearbeitet werden. Strukturierte Dokumente und Metadaten zu Inhalten in BSCW werden allerdings nur eingeschränkt gesammelt, so daß auch keine situativ angepaßte Wissenspräsentation oder komplexere als Schlüsselwortsuche möglich ist.
  • Im AnswerGarden tauschen Benutzer und Experten Fragen und Antworten aus, die danach allgemein zur Verfügung stehen. Dies vermeidet die Wiederholung gleicher Fragen und entlastet die Experten. Fragen und Antworten sind hierarchisch indiziert, die Indexstruktur kann je nach Benutzeranforderungen geändert werden. Weitergehende CSCW- und Workflowkonzepte sind nicht verwirklicht.
  • Der Prototyp EULE2 (s. Reimer) unterstützt Sachbearbeiter bei der Bearbeitung von Versichungsvorgängen in der Schweizerischen Rentenanstalt durch eine deklarative Modellierung von Geschäftsprozessen, Weisungen und Gesetzen. Diese dienen der Workflow-Steuerung, der automatischen Datenbeschaffung für offene Vorgänge,und der teilautomatischen Überprüfung der Einhaltung von Weisungen und Gesetzen. Der Benutzer kann Erklärungen verlangen,warum ein Vorgang gerade so abzuwickeln ist, und wird bei Bedarf bis hin zu den betreffenden Stellen in den Weisungen und Gesetzestexten geführt. Das System kombiniert formale Methoden und informale Texte zur aktiven Unterstützung.
  • Wargitsch et al. ) stellen ein flexibles Workflowsystem vor, dessen Workflows die Benutzer zur Laufzeit auswählen und ändern können. Die Änderungen steuern das Workflowsystem und können ebenso von allen Benutzern im OMIS wiederverwendet werden. Auch CSCW-Techniken wie Diskussionsgruppen werden unterstützt.
  • Das Tool QuestMap ist ein Issue-Based Information System. Es ermöglicht z.B. die Suche nach allen Argumenten, die für eine bestimmte Entwurfsentscheidung relevant sind oder findet bei geänderten Voraussetzungen die davon betroffenen Entscheidungen.
  • Der Ontobroker zur intelligenten Suche in Webdokumenten ist ein Beispiel für ontologiebasiertes Retrieval: Annotiertes Wissen wird aus den Dokumenten herausgefiltert und steht mitsamt der zugehörigen Ontologie einer Inferenzmaschine zur Verfügung. Diese beantwortet Anfragen, die durch die Verwendung des annotierten Wissens mehrerer Dokumente über den Inhalt einzelner Dokumente hinausgehen.

Durch die pragmatische, problemgetriebene Integration von Basistechniken entstehen nützliche Systeme,die verschiedene der angesprochenen Aufgabenfelder abdecken. Dennoch bieten diese noch Herausforderungen für anwendungsorientierte Forschung auf vielen Gebieten, z.B. weitergehende Integration von informalen und formalen Repräsentationen,Textanalyse, Ontologieerstellung und -verwendung, weitergehende CSCW-Techniken u.v.m. Für einen dahingehenden, weiteren Einstieg liefert.

Literatur

  1. Ackerman M.S., and Malone T. W.: Answer Garden: A Tool for Growing Organzational Memory. In: Proceedings of the ACM Conference on Office Information Systems, pp. 31-39, 1990
  2. Bentley R.,Appelt W., et al.: Basic Support for Cooperative Work on the World Wide Web. In Int. J. of Human-Computer Studies 46(6): Special issue on Innovative Applications of the World Wide Web, p. 827-846,June 1997
  3. Fensel D., Decker S., Erdmann M,Studer R.: Ontobroker: The Very High Idea. In: 11th Florida Artificial Intelligence Research Symposium (FLAIRS-98),Florida, May 1998.
    www.aifb.uni-karlsruhe.de/WBS/broker
  4. 10th Banff Knowledge Acquisition for Knowledge-based Systems Workshop, Banff, Canada,1996.
    http://ksi.cpsc.ucalgary.ca/KAW/KAW96/KAW96Proc.html
  5. Journal of Universal Computer Science 8(3), Special Issue on Information Technology for Knowledge Management, Springer 1997.
    www.iicm.edu/jucs_3_8/
  6. Kl-97 Workshop on „Knowledge-Based Systems for Knowledge Management in Enterprises", Freiburg 1997.
    www.dfki.uni-kl.de/km/ws-ki97.html
  7. Dan O’Leary: Enterprise Knowledge Management. IEEE Computer 31(3), pp. 54-61, March 1998

Autor und Copyright

Andreas Abecker¹, Otto Kühn¹, Stefan Decker²

¹DFKI GmbH,
Postfach 2080,
67608 Kaiserslautern,
Andreas.Abecker@dfki.de
Otto.Kuehn@dfki.de

²Universität Karlsruhe,
Institut AIFB,
76128 Karlsruhe
Stefan.Decker@aifb.uni-karlsruhe.de

© 1998 Informatik Spektrum, Springer-Verlag Berlin Heidelberg