Type

Dissertation Business Administration

Author

Heeb, Tatjana

Examiner

Prof. Dr. Stephan Zelewski

Download

https://10.17185/duepublico/83252

Abstract

Die vorliegende Dissertation untersucht die Integration von drei bislang weitgehend isoliert behandelten Themengebieten an der Schnittstelle zwischen Betriebswirtschaftslehre, Wirtschaftsinformatik und (Kern-)Informatik. Dabei handelt es sich um Projektmanagement und Wissensmanagement aus betriebswirtschaftlicher Perspektive sowie um Künstliche Intelligenz (KI) aus der spezifischen Perspektive von Ontologien und Case-based Reasoning, die vorwiegend in der Wirtschaftsinformatik und Informatik erforscht werden.

Im Fokus steht die computergestützte Aufbereitung von Wissen aus überwiegend natürlichsprachlichen Texten im Kontext öffentlicher Bauprojekte und Projektausschreibungen. Insbesondere wird die Generierung von Wissenskomponenten zur Erstellung und Verarbeitung computergestützter Projektbeschreibungen betrachtet. Diese sollen im Rahmen des Case-based Reasonings das betriebliche Projektmanagement unterstützen, insbesondere als Planungsgrundlagen für die Teilnahme an und die Ausführungsplanung von öffentlichen Bauprojekten.

Die Arbeit befasst sich mit drei zentralen Herausforderungen:

1. Die Extraktion von projektbezogenem Wissen aus schlecht strukturierten und überwiegend natürlichsprachlichen Dokumenten wie "Lessons Learned", "Debriefings" und "Project Reports". Für die betrachtete Domäne öffentlicher Bauprojekte betrifft dies insbesondere die formale Repräsentation ausschreibungsbezogenen Wissens zur computergestützten Weiterverarbeitung und Kombination mit Erfahrungswissen aus früheren Bauprojekten.
2. Die Anwendung des Text-to-Onto-Konzepts aus der traditionellen, symbolischen KI-Forschung zur semantischen Wissensverarbeitung. Dieses wird mit Case-based Reasoning kombiniert, um projektbezogenes Erfahrungswissen zu integrieren. Dieser Ansatz grenzt sich bewusst von rein syntaktischen, probabilistischen Verfahren der subsymbolischen KI-Forschung ab, die aktuell durch Deep Learning Networks dominiert wird.
3. Die Untersuchung und Evaluation geeigneter KI-Tools für die praktische Umsetzung des Text-to-Onto-Konzepts. Dabei werden Effektivitäts- und Effizienzaspekte hinsichtlich der Qualität der generierten Wissensrepräsentationen und des erforderlichen Ressourcenaufwands berücksichtigt. Zudem wird die Differenzierung zwischen KI-Tools und den darauf basierenden Case-based-Reasoning-Systemen betrachtet.