Konstruktion und Reparatur beschreibungslogischer Wissensbasen

• Antragsteller: Dr.-Ing. Francesco Kriegel
• Fachliche Zuordnung: Theoretische Informatik
• Förderung: Förderung seit 2025
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 558917076

Wissensbasierte Systeme stellen komplexe Domänen explizit dar und nutzen eine Inferenzmaschine, um Schlussfolgerungen zu ziehen und Anfragen zu beantworten. Dadurch unterstützen sie Entscheidungsprozesse auf Grundlage des kodierten Wissens. Ein modernes Fundament dieser Systeme sind Beschreibungslogiken, die eine Anwendungsdomäne als Wissensbasis darstellen, bestehend aus Daten und einer Ontologie. Der Aufbau einer Ontologie ist besonders für große Domänen herausfordernd, da die enthaltene Terminologie vielfältig genug sein muss, um alle Objekte der Domäne zu beschreiben, und andererseits müssen alle Objekte den Festlegungen in der Ontologie genügen. In der Regel erstellen Fachexperten und Wissensingenieure diese Ontologien manuell, aber durch die Nutzung bestehender Ontologien sowie automatisierter und interaktiver Methoden kann ihre Arbeitsbelastung reduziert werden. Die Formale Begriffsanalyse hilft beispielsweise beim Aufbau von Ontologien -- nämlich mit ihrer Berechnung der kanonischen Implikationsbasis (eine minimale, vollständige Menge von in den Daten gültigen Implikationen), die durch Unterstützung von Relationen zwischen Objekten auf Beschreibungslogik erweitert wurde. In einer kürzlich veröffentlichten Arbeit habe ich diese Methode überarbeitet, erweitert, Effizienzsteigerungen implementiert und einen Prototyp an realen Datensätzen getestet. Daran anknüpfend möchte ich die Effizienz weiter verbessern, eine ausdrucksstärkere Beschreibungslogik unterstützen und diese Methode mit anderen kombinieren, um neue Anwendungen zu ermöglichen. Trotz logischer Korrektheit und Nachvollziehbarkeit der Schlussfolgerungen in wissensbasierten Systemen führen Fehler in der Wissensbasis zu falschen Schlüssen, was Korrekturen notwendig macht. Zu diesem Zweck haben wir in einem früheren Projekt begonnen die Methodik des optimalen Reparierens zu entwickeln, wobei der Fokus auf Fällen lag, in denen nur die Daten fehlerhaft sind und die Ontologie unverändert bleibt. Herkömmliche Reparaturmethoden löschen oft zu viel Wissen oder erfordern aufwändige Suchen nach abgeschwächten Sätzen. Unsere Methode berechnet hingegen effizient Reparaturen, indem unerwünschte Konsequenzen direkt aus der Wissensbasis herausgerechnet werden, wobei nur ein minimaler Anteil an anderen Informationen mitgelöscht wird. Ich möchte diese Forschung gern weiterführen und ausdrucksstärkere Logiken unterstützen sowie Abduktionsmethoden einbeziehen, um auch gewünschte Konsequenzen in den Reparaturprozess zu integrieren. Meine weiteren Forschungsansätze bestehen darin, die Annahme einer fehlerfreien Ontologie zu verwerfen, neue Möglichkeiten für Vergleich und Auswahl von Reparaturen zu entwickeln, sowie schwächere Bedingungen zu identifizieren, die trotzdem Existenz und Abdeckung optimaler Reparaturen gewährleisten. Mit geringerer Priorität möchte ich Anwendungen untersuchen, z.B. für datenschutzfreundliche Wissensveröffentlichung, fehlertolerantes Schließen oder widerlegbares Schließen.

• DFG-Verfahren: Sachbeihilfen