Anwendungsorientierte Wissenskompilierung

Unzweifelhaft kommt der Entwicklung von Computer Software eine stetig wachsende Bedeutung in unserer Welt zu. Insbesondere datenbasierte Anwendungen, wo es um Sammeln, Speichern, Teilen und Auswerten von Information geht, sind heutzutage von immenser gesellschaftlicher Wichtigkeit. Die Entwicklung von Software in diesem Bereich ist jedoch problematisch. Zu den typischen Aspekten wie Aufwand und Fehleranfälligkeit, ist es nun auch notwendig die rasante Dynamik in der digitalen Welt in Betracht zu ziehen, was zu hochkomplexen Wissensbasen sowie den Bedarf an Integrationsmechanismen für diverse Quellen von Information führt. Nicht zuletzt diese gesteigerte Komplexität macht die Entwicklung verläßlicher und robuster Systeme sehr aufwändig. In anderen Worten, erlaubt - und erfordert - das Informations-Zeitalter zuverlässige und gleichzeitig leicht anpassbare Anwendungssoftware. So werden z.B. bei unerwarteten Ereignissen wie Naturkatastrophen situationsspezifische Werkzeuge gebraucht, um in solchen Situation entsprechend zu informieren und reagieren zu können. Als anderes Beispiel seien medizinische Studien erwähnt, wo es notwendig ist umfangreiche Datenmengen mit komplexen Medizinwissensbasen abzugleichen und auszuwerten. Auch hier gilt es, die spezifischen Aspekte der aktuellen Versuchsreihe zu berücksichtigen und nicht benutztes Wissen auszublenden. Diese Beispiele verdeutlichen auch die Rahmenbedingungen und Anforderungen die an eine solche anwendungsspezifische Daten- und Wissensverarbeitung gestellt werden: (1) eine komplexe Problemdomäne, (2) die Möglichkeit zur Anpassung an konkrete Aufgabenstellungen und Situationen, (3) Nutzbarkeit für AnwenderInnen ohne allgemeines Expertenwissen. Diese Anforderungen stellen eine große Herausforderung im Bereich der automatischen Softwareerstellung dar, die insbesondere dank aktueller Entwicklungen aus den Forschungsbereichen der Wissensrepräsentation und der Künstlichen Intelligenz in Angriff genommen werden können. Das Ziel des vorgelegten Projekts ist das Erarbeiten automatischer Mechanismen die anhand formal repräsentierter Wissensbasen die Qualität von datenzentrierten Anwendungen erhöhen, gleichzeitig aber den Aufwand zur Erstellung der konkreten Software reduzieren. Konkret werden wir uns folgender Aufgabenstellung widmen: Anhand gegebener Wissensbasen die formal eine bestimmte Domäne abbilden sollen mittels einer sogenannten Fokus- Spezifikation die Anforderungen für eine spezifische Anwendung extrahiert werden. Mittels Methoden des automatischen Schließens sollen die relevanten Informationen aus den Wissensbasen in eine spezifische Anwendungssoftware, die der Fokus- Spezifikation genügt und daher situationskonform und einfach zu bedienen sein soll, kompiliert werden. Hierfür ist eine neuartige Integration von Methoden aus verschiedenen Teilbereichen der Informatik notwendig.

Im Rahmen dieses Projekts wurden neue Methoden und Techniken für die Entwicklung von Anwendungen entwickelt, die das Graphdatenmodell zur Speicherung von Informationen verwenden. Diese Form der Datendarstellung erfreut sich zunehmender Beliebtheit, insbesondere in Anwendungsbereichen mit komplexem Fachwissen, in denen herkömmliche relationale Datenbanken unzureichend sind. Graphenbasierte Darstellungen sind beispielsweise besonders geeignet, wenn Daten unvollständig oder inkonsistent sind. In diesem Projekt haben wir neuartige Methoden zur automatischen Deduktion in Ontologien erforscht, die mit Hilfe von Beschreibungslogiken dargestellt werden, was wiederum den Weg für neue, vertrauenswürdige intelligente Dienste in ontologiebasierten Datenverwaltungssystemen ebnet. Beschreibungslogiken sind klassische Wissensrepräsentationssprachen, die dem W3C OWL-Standard für Web-Ontologien zugrunde liegen, und unsere Ergebnisse sollen die Entwicklung von Anwendungen unterstützen, die komplexes Domänenwissen beinhalten. So haben wir beispielsweise Methoden zur automatischen Ableitung von Datenbankschemata aus Ontologien entwickelt, die in Beschreibungslogiken geschrieben wurden. Darüber hinaus ermöglichten unsere Ergebnisse über beschränkte Prädikate in Beschreibungslogiken neue Dienste zur Beantwortung von Anfragen beim ontologiebasierten Datenzugriff. In diesem Zusammenhang haben wir Techniken entwickelt, die den ontologiebasierten Datenzugriff mit traditionelleren Datenzugriffsmethoden verbinden, wie z.B. regelbasierte Sprachen wie DATALOG und Answer Set Programming. Eine weitere Forschungslinie konzentrierte sich auf Beschreibungslogiken, die numerische Beschränkungen unterstützen, die für die Modellierung komplexer, realer Domänen unerlässlich sind. Unsere Forschung trug zu neuen Methoden für die Lösungsoptimierung bei und schlug eine Brücke zwischen Beschreibungslogiken und dem Bereich der Constraint-Programmierung. In dieser Richtung haben wir neue Algorithmen entwickelt und Ergebnisse zur Entscheidbarkeit und Rechenkomplexität erzielt. Unsere Forschungsanstrengungen kamen auch zur rechten Zeit in Bezug auf die Entwicklungen bei SHACL, einem neuen W3C-Standard für die Verwaltung graphenstrukturierter Daten im Web. Wir haben wichtige Einblicke in die Grundlagen von SHACL erhalten und Verbindungen zwischen SHACL und anderen bekannten Sprachen zur Wissensdarstellung und Datenverwaltung hergestellt. Diese Ergebnisse haben das Potenzial, künftige Überarbeitungen des SHACL-Standards zu beeinflussen. So haben wir beispielsweise unter Verwendung von Ideen aus der logischen Programmierung neue Methoden zur Behandlung selbstreferentieller (oder "zyklischer") SHACL-Dokumente vorgeschlagen. Unsere Forschung hat auch starke Verbindungen zwischen SHACL und anderen Constraint-Sprachen für graphenstrukturierte Daten, wie ShEx und PG-Schema, hergestellt. Wir wendeten Methoden der klassischen künstlichen Intelligenz an, um intelligente Erklärungsdienste in Fällen zu ermöglichen, in denen graphenstrukturierte Daten eine bestimmte Menge von SHACL-Beschränkungen verletzen. Darüber hinaus haben wir Methoden entwickelt, die auf logischer Programmierung basieren, um solche Verletzungen von SHACL-Beschränkungen automatisch zu beheben. Wir haben auch Methoden entwickelt, um die Qualität von Programmcode, der auf graph-strukturierten Daten arbeitet, automatisch zu überprüfen: Wenn der Code unsere Prüfungen besteht, ist garantiert, dass er die angegebenen SHACL-Beschränkungen einhält. Während wir anfangs hauptsächlich unser Fachwissen in der Beschreibungslogik nutzten, um SHACL voranzubringen, wurden später einige unserer Ergebnisse zu SHACL zurück in die Domäne der Beschreibungslogik übertragen - was einen bidirektionalen Wissensfluss zwischen zwei unterschiedlichen Forschungsbereichen demonstriert.