Wir leben in einer Informationsgesellschaft, in der Daten und Informationen in großer Vielzahl verfügbar sind. Haben wir dadurch auch mehr Wissen zur Verfügung? Die intuitive Antwort darauf ist: Ja! Aber ist dem wirklich so? Kämpft nicht jeder mehr und mehr mit dem Ertrinken in der Informationsflut? Wie kann die Menge an verfügbaren Informationen genutzt werden, um daraus Wissen zu erzeugen?

Wissen 3.0 nutzt drei Grundtechniken, um dies zu bewerkstelligen:

• Data Mining
• Ontologien
• Assoziative Extrapolation

Data Mining

Riesige Datenmengen entstehen in Unternehmen, in Forschungsprojekten, in Verwaltungen oder generell im Internet. Data Mining ermöglicht das automatische Auswerten solcher Datenbestände mit Hilfe statistischer Verfahren, künstlicher neuronaler Netze, Fuzzy-Clustering-Verfahren oder genetischer Algorithmen. Ziel dabei ist das Aufspüren von Regeln und Mustern bzw. statistischen Auffälligkeiten. So lassen sich z. B. Änderungen im Verhalten von Kunden oder Kundengruppen aufspüren und Geschäftsstrategien können darauf ausgerichtet werden.

Bei normalen Auswertungen von Datenbeständen können bestimmte, vorher festgelegte Fragestellungen bearbeitet werden. Zum Beispiel: Wie viele meiner Kunden sind zwischen 30 und 45 Jahre alt und leben in einer bestimmten Region. Beim Data Mining werden die Datenbestände nach Regelmäßigkeiten, Mustern und Strukturen, Abweichungen und jeglicher Art von Beziehungen und gegenseitigen Beeinflussungen untersucht. Der Prozess der Mustererkennung und Wissensextraktion wird auch Knowledge Discovery genannt. Im Data Mining als kreativer Prozess werden im Arbeitsfortschritt Hypothesen entwickelt und überprüft.

Verschiedene Data-Mining-Verfahren sind:

• Clusteranalyse
  Gruppierung von Objekten aufgrund von Ähnlichkeiten
• Hauptkomponentenanalyse
  Identifikation und Extraktion weniger systembestimmender Faktoren
• Faktorenanalyse
  datenreduzierende Informationsverdichtung durch Bündelung mehrerer Variablen zu wenigen Faktoren
• Assoziationsanalyse
  z. B. Warenkorbanalyse
• Klassifikationsverfahren
  Einordnung von Objekten in bestimmte Klassen und Kategorien
• Diskriminanzanalyse
  Klassifikation von Objekten unbekannter Klassenzugehörigkeit
• Entscheidungsbäume
  Darstellung aufeinanderfolgender, hierarchischer Entscheidungen
• Attributsgewichtung (auch Sensitivitätsanalyse)
  Einfluss von Faktoren auf bestimmte Ergebnisgrößen
• Regressionsanalyse
  Identifikation von Beziehungen zwischen einer abhängigen und einer oder mehrerer unabhängigen Variablen
• Support-Vector-Maschine
  Aufteilung von Objekten in zwei Klassen unter Maximierung des Abstands zur Klassengrenze
• Künstliche neuronale Netze
  Überführung beliebiger Eingabemuster in das gewünschte Ausgabemuster
  

Ontologien

Der gleiche Begriff kann unterschiedlich verstanden werden: für den einen ist eine Bank ein Finanzinstitut, für den anderen ist eine Bank eine Sitzgelegenheit. Beide werden erst dann über das Gleiche reden, wenn der Begriff "Bank" in einen Kontext gebettet wird. Dies ist das Grundprinzip von Ontologien.

Unter einer Ontologie wird die konzeptuelle Formalisierung von Wissensbereichen verstanden. Eine Ontologie stellt somit ein formalisiertes Modell der Welt oder eines Teils der Welt dar, über deren Begriffe und Zusammenhänge eine Gruppe von Nutzern Einigkeit erreichte.

Ontologien sind in einer hierarchischen Struktur von relevanten Begriffen oder Kategorien und Unterkategorien organisiert. Diese Kategorien (oder auch Konzepte) können mit anderen Kategorien über Relationen verknüpft oder mit Attributen detailliert beschrieben werden. Für den Menschen sind diese Zusammenhänge aufgrund seines Weltverständnisses implizit klar. Für Computer gilt dies zunächst nicht. Sie brauchen ein formales, explizites „Weltbild“, um solche Zusammenhänge verstehen zu können. Die Ontologie soll dazu eine Wissensstruktur abbilden, die aufgrund der Formalisierung Mehrdeutigkeit vermeidet. Des Weiteren lassen sich durch die Verwendung von Regeln logische Schlussfolgerungsketten aufbauen und somit implizite Verknüpfungen erkennen.

Assoziative Extrapolation

Das Ableiten von Bekanntem aus anderen Ereignissen, oft auch umgangssprachlich als "Transferdenken" bezeichnet. Für den Menschen oft eine leichte Übung, für eine automatisierte Wissesgenerierung aus großen Datenmengen eine Herausforderung.

Die assoziative Extrapolation verknüpft Einzelinformationen, die nicht notwendigerweise in einem Zusammenhang stehen, zu einer Informationswolke, aus der sich neue Informationen folgern lassen.