Formalisierung von Expertenwissen zur Unterstützung von Data Mining Projekten

Das Erfahrungswissen von Anlagenbetreibern stellt ein effektives Gut in der Handhabung von unerwarteten Situationen an einer Anlage dar. Um dieses Gut für datengetriebene Analysen des Anlagenverhaltens nutzbar zu machen, muss implizites Wissen formalisiert werden. Bei der Erhebung von Mentalen Modellen einer Anlage (gedankliche Repräsentation des Anlagenverhaltens), muss besonderes Augenmerk auf die Randbedingung der Erhebungssituation gelegt werden, um die Erstellung aussagekräftiger Ursachen-Wirk-Modelle zu ermöglichen. Die in praktischen Umsetzungen gewonnenen Erfahrungen zur Erhebung Mentaler Modelle wird in diesem Beitrag zusammengefasst. Methodische sowie situationsbedingte Faktoren werden diskutiert und anhand ihres Kosten-Nutzen-Verhältnisses bewertet.     «

Das Erfahrungswissen von Anlagenbetreibern stellt ein effektives Gut in der Handhabung von unerwarteten Situationen an einer Anlage dar. Um dieses Gut für datengetriebene Analysen des Anlagenverhaltens nutzbar zu machen, muss implizites Wissen formalisiert werden. Bei der Erhebung von Mentalen Modellen einer Anlage (gedankliche Repräsentation des Anlagenverhaltens), muss besonderes Augenmerk auf die Randbedingung der Erhebungssituation gelegt werden, um die Erstellung aussagekräftiger Ursachen-W...     »

Effective management of unexpected situations at automated production systems requires high levels of expertise. Formalizing implicit expert knowledge enables exchange of expertise to other applications as data-driven analysis of system behavior. The acquisition of Mental Models (mental representation of system behavior) is one way to formalize this knowledge and develop a cause and effect model. However, it requires a well-designed setting to reveal significant models. Therefore, the experience with knowledge acquisition is outlined in this contribution. Methodical as well as environmental factors are discussed and evaluated based on their costs and benefit ratio.     «

Effective management of unexpected situations at automated production systems requires high levels of expertise. Formalizing implicit expert knowledge enables exchange of expertise to other applications as data-driven analysis of system behavior. The acquisition of Mental Models (mental representation of system behavior) is one way to formalize this knowledge and develop a cause and effect model. However, it requires a well-designed setting to reveal significant models. Therefore, the experience...     »