Die Lösung "Turbo Ixtractor" ermöglicht eine intelligente und lernende Integration von Altdaten, um ein einheitliches System für die Serviceinformationen alter und neuer Pkw- und Nutzfahrzeugbaureihen zu schaffen. Sie verwendet ontologie-basierte Werkzeuge zur Verknüpfung von strukturierten und unstrukturierten Daten aus verschiedenen Quellen, um eine umfassende Wissensbasis zu bilden und die Suche zu optimieren. Die Lösung adressiert Herausforderungen wie Medienbrüche und unterschiedliche Arbeitsweisen zwischen neuen und alten Baureihen durch standardisierte Geschäftsprozesse und eine einheitliche Oberfläche.

1. Die Lösung „Turbo iXtractor „ Intelligente und lernende Altdatenintegration für die Serviceinformationen älterer Pkw- und Nfz-Baureihen Jens Freiberg, CSC Ploenzke AG

2. Agenda Ursprung von der Lösung Zielsetzung Idee hinter der Lösung Lösungskomponenten Lösungsarchitektur Ontologie Manager Research Engine Knowledge Base Das zugrundeliegende Basiskonzept Iterative Vorgehensweise Aufbau der Knowledge Base und Strukturierung der Anfrage Konfiguration der Anfrage und Übergabe an die Research Engine Auswertung der Trefferliste und Schärfung des Suchvorgangs Überblick Prototyp Beschreibung GUI (Hardcopy)

3. Der Ursprung der Lösung DMS DAISY NEWS FDOK Neue Baureihen EPC -net WIS/ASRA -net EPC Alte Baureihen DAS Herausforderungen: Die alten Baureihen werden mittelfristig dominieren Medienbruch zwischen Bearbeitung der alten und der neuen Baureihen Unterschiedliche Arbeitsweisen zwischen Neuer Lösung und EPC net bzw. WIS/ASRA net Kritische Erfolgsfaktoren: Akzeptanz bei der Serviceorganisation Unterschiedliche Prozesse für neue und alte Baureihen WIS ASRA

4. Die Zielsetzung der Lösung Zielsetzung : einheitliche Geschäftsprozesse einheitliche Produktgliederung einheitliche Oberfläche einheitliche Suche für neue und alte Baureihen DAS DMS DAISY FDOK Lösung Intelligente Altdatenintegration/Turbo iXtractor Neue Lösung Alte & neue Baureihen ASRA WIS EPC

5. Die Idee hinter der Lösung Im Knowledge Management weiß man aus verschiedenen Aufgabenstellungen und Problemen, dass Verknüpfungs- regeln, Begrifflichkeiten und Suchalgorithmen auf gänzlich inhalts- und strukturverschiedene Probleme übertragbar sind Alt- und Neusysteme halten Daten vor, die unterschiedlich strukturiert und/oder unstrukturiert sind, die auf verschiedenen Begriffswelten aufbauen und die, obwohl logisch zusammen-gehörig , keine echte Verbindung zueinander haben Die Lösung wendet Werkzeuge und Methoden des Knowledge Managements an, um mittels ontologie-basierter und semantischer Werkzeuge die Produktgliederung und den Thesaurus auf die Altdaten zu übertragen und sie damit für die Gesamtlösung aufzubereiten

6. Das Lösungsmodell Strukturiert unstrukturiert Update Update Informationsquellen Intelligente Knowledge Base Abgeleitetes Informationsnetz Abfragelogik Ergebnislogik Modellierbare Informationslogik Turbo-iXtractor Calibration Process Ergebnis Anfrage

7. Die Lösung besteht aus 3 zentralen Bausteinen Der Ontologie-Manager Knowledge Base Research Engine organisiert das Regel- und Zuordnungsnetzwerk, damit festliegt, dass ein Steuergerät zum Motor gehört und bei jeder Diagnose der Fehlerspeicher ausgelesen wird. Er organisiert die begriffliche Ordnung, damit festliegt, dass die Einspritzanlage 'Steuergerät' heißt, und zwar immer. erstellt und klassifiziert die Knowledge Base und sorgt dafür, dass dass die Suchergebnisse stets auf das Regel- und Zuordnungsnetzwerk abgestimmt alle relevanten Informationen zu einer Einspitzanlage gefunden werden indiziert und verknüpft alle relevanten Informations-objekte aus verschiedenen Datenquellen innerhalb eines assoziativen Informationsnetzes

8. Der Ontologie Manager OntoBroker ® Application Server Logic Compiler F-Logic, Prolog, RDF, OXML Inference Kernel Internal Database Knowledge Base OntoEdit ® Applications Front End Connectors Back End Connectors

9. Die Komponenten der Research Engine Research Engine Knowledge Base Applications Knowledge Browser Front End Connectors Knowledge Agent Knowledge Classify Knowledge Cluster Search Engine Die Research Engine segmentiert, interpretiert, klassifiziert, visualisiert und vergleicht strukturierte und unstrukturierte Informationen.

10. Die Knowledge Base Erzeugt generische Assoziationsnetze zur Inhaltserkennung, Knowledge Retrieval und Klassifizierung

11. Agenda Ursprung von der Lösung Zielsetzung Idee hinter der Lösung Lösungskomponenten Lösungsarchitektur Ontologie Manager Research Engine Knowledge Base Das zugrundeliegende Basiskonzept Iterative Vorgehensweise Aufbau der Knowledge Base und Strukturierung der Anfrage Konfiguration der Anfrage und Übergabe an die Research Engine Auswertung der Trefferliste und Schärfung des Suchvorgangs Überblick Prototyp Beschreibung GUI (Hardcopy)

12. Aufbau der Ontologie: Stufe 1 Produktstruktur Thesaurus Ontologiebasiertes Modell Stromversorgung Vernetzung / Verkabelung Beleuchtung Signalanlage Bordwerkzeuge / Zubehör Sicherungssysteme Reinigungssysteme Knowledge Base Komplettfahrzeug Antrieb Kraftübertragung Fahrwerk / Fahrgestell Aufbau Kommunikation / Information

13. Aufbau der Ontologie: Stufe 2 Produktstruktur + Thesaurus Erweiterung der Struktur durch Teilstrukturen aus den Altsystemen Ontologiebasiertes Gesamtmodell Knowledge Base

14. Aufbau der Ontologie: Stufe 3 Ontologiebasiertes Gesamtmodell EPC WIS ASRA Lösung Erweiterung der Struktur durch vollständige Strukturen aus den Altsystemen Knowledge Base

15. Konfiguration der Anfrage und Übergabe an die Research Engine Produktgliederung/Thesaurus Fahrzeug-/Abfragedefinition Service- literatur Teile- Daten Arbeits- ganginfor- mationen Research Engine Knowledge Base

16. Auswertung der Rechercheergebnisse Semantische Wolke Semantische Relevanz Topschlagwörter Inhaltsabriss

17. Schärfung des Rechercheergebnisses Durch eine stärker fokussierte Betrachtungsweise und eine iterative Kalibrierung des Suchprozesses wird eine signifikante Schärfung des Suchvorganges und damit eine Verbesserung des Rechercheergebnisses erreicht. Kalibrierung Search Cycle 1 „ Fokussierung“ 1. Anfragelogik „ Relevantes DELTA“ 1. Ergebnislogik Gap-Analyse 1. Anfragelogik + DELTA 2. Ergebnislogik „ Relevantes DELTA“ Gap-Analyse Search Cycle 2 „ Fokussierung“ 2. Anfragelogik 3. Ergebnislogik 2. Anfragelogik + DELTA 4. Ergebnislogik

18. Überblick Lösung Kontexteinschränkung Produktgliederung Auswahlliste Start der Anfrage Freie Suche

19. Prozess: Anfrage

20. Prozess: Anfrage - Nockenwelle

21. Prozess: Anfrage – Finden in der Produktstruktur

22. Prozess: Anfrage – Start Ergebnis: Teilekatalog

23. Prozess: Anfrage – Beziehen auf ein Baujahr Ergebnis: Teilekatalog – Erweiterung um Baujahr

24. Prozess: Anfrage – Übergabe an assoziative Suche Ergebnis: Teilekatalog – neues Ergebnis

25. Prozess: Anfrage Ergebnis: Serviceliteratur

26. Prozess: Anfrage Ergebnis: Arbeitsschlüssel

27. Experience. Results.

28. Das KM-basiertes Objektmodel für ein „Wort“ Aus Worten wird Inhalt Assoziationen zu anderen Zeichenketten Zeichenkette Sinnzusammenhang Innerhalb eines Wissensgebietes Kontext innerhalb eines Dokumentes Bedeutungen

29. Das Basiskonzept ist ein assoziatives Netzwerk Es ist Herbst. Die Bäume im Park verlieren ihre Blätter. Petra sitz auf einer Bank im Centralpark und sonnt sich. Bank ist eine Sitzgelegenheit und steht im Umfeld von Bäumen Baum Park Centralpark Bank sitzt Petra Sitz- gelegenheit

30. Ontologie Menu Objekt Person Fahrzeug Ingenieur Wirtschaftler Düsenantrieb konstruiert eingebaut_in erbaut ähnlich Motor Teil_von Bauteil Antriebs- strang eingebaut_in besteht_aus erbaut P konstruiert B eingebaut_in F P F F B B F Regeln