Beitrag von Andreas Fischer

Profil von Andreas Fischer anzeigen, Grafik

Wissenschaftlicher Mitarbeiter mit akademischem Abschluss bei F-BB Forschungsinstitut Betriebliche Bildung gGmbH

Bei der Arbeit mit Wissensgraphen sind Ontologien in vielerlei Hinsicht eine sehr hilfreiche Angelegenheit: (1) sie stellen ein einheitliches und gemeinsam nutzbares Vokabular für Klassen und ihre Beziehungen zur Verfügung, (2) sie erleichtern die Integration von Daten aus unterschiedlichen Quellen, (3) sie unterstützen die semantische Interoperabilität und Interaktion multipler Systeme, und (4) sie ermöglichen deduktives Schlussfolgern bzw. die systematische Validierung und Erweiterung von Wissensgraphen. Aktuell beschäftigt mich das Thema insb. mit Blick auf den BERUFENET-Wissensgraphen (vgl. Fischer & Dörpinghaus, 2024, 👉 https://lnkd.in/eiAfVS3v), den ich neben der GLMO vom Bundesinstitut für Berufsbildung (BIBB) gerne mit eine Reihe weiterer geeigneter Ontologien verknüpfen möchte, um so seine Anschlussfähigkeit an unterschiedliche Wissensdomänen auszubauen und perspektivisch eine möglichst breite und zugleich fundierte Wissensbasis für meinen kürzlich vorgestellten GraphRAG-Chatbot zu schaffen. Die Abbildung unten zeigt expemplarisch mal ein vergleichsweise einfaches semantisches Netz, das ich auf der Basis der Ontologie von schema.org zur Klasse "Occupation" extrahiert habe, und zu dessen Knoten/Klassen sich die Entitäten unseres Wissensgraphen m.E. hervorragend und vielfältig anschlussfähig in Beziehung setzen ließen. 🤩 Wie seht ihr die Zukunft von Ontologien und Wissensgraphen im Bereich der Berufsbildung,-beratung und -orientierung und welche Ontologien würden sich eurer Meinung nach am besten für den BERUFENET-Wissensgraphen eignen? #BERUFENET #KnowledgeGraphs #Ontologies #GLMO #GraphRAG #LLMs #KI #AI

  • Subgraph zu "Occupation" auf Basis von Schema.org
Godwin Josh

Co-Founder of Altrosyn and DIrector at CDTECH | Inventor | Manufacturer

5 Monate

The integration of schema.org's "Occupation" ontology with BERUFENET presents a compelling opportunity for semantic enrichment, leveraging RDF triples and OWL axioms to establish relationships between job roles, skills, and educational pathways. However, the inherent ambiguity in natural language descriptions of occupations necessitates employing techniques like WordNet-based semantic similarity measures and probabilistic reasoning models to refine ontological mappings. Given the dynamic nature of labor markets, how would you incorporate a mechanism for continuous ontology evolution and adaptation within BERUFENET to reflect emerging job roles and skill requirements?

Zum Anzeigen oder Hinzufügen von Kommentaren einloggen

Themen ansehen