Database Reference
In-Depth Information
Menge gespeicherter Objekte und der ebenfalls zunehmenden Anzahl betrach-
teter Attribute so gut wie unmoglich.
•
Wert und Nutzen “guter” Information werden immer deutlicher erkannt. Ins-
besondere im wirtschaftlichen Bereich setzt man große Erwartungen in Data
Mining und Knowledge Discovery, die helfen sollen, kritische Markte besser
zu analysieren, Wettbewerbsvorteile zu verschaffen und Kundenprofile zu er-
stellen.
•
Schließlich ist es der Reiz der Aufgabe an sich, der Knowledge Discovery fur
KI-Wissenschaftler attraktiv macht. Digitalen Daten ihre Geheimnisse zu ent-
locken ist eine Herausforderung, die darauf abzielt, kreatives intelligentes Ver-
halten zu simulieren und zu automatisieren.
Genauer versteht man unter Knowledge Discovery den Prozess,
neues, nutz-
liches und interessantes Wissen
aus Daten herauszufiltern und
in verstandlicher
Form
zu prasentieren. Alle in dieser Umschreibung verwendeten Attribute sind
hochst intensional und kontextabhangig und bedurfen einer genaueren Spezifikati-
on:
•
neues Wissen:
Hier sind meist implizite, bisher unbekannte Erkenntnisse ge-
meint. Data Mining-Verfahren erzeugen in der Regel sehr viele Informationen.
Der Anspruch, das Wissen solle wirklich neu sein, erfordert zum Beispiel den
Abgleich gefundener Information mit schon gespeichertem Wissen.
•
nutzliches und interessantes Wissen:
Das entdeckte Wissen soll im behan-
delten Kontext relevant sein. Im okonomischen Bereich wird man daher den
KDD-Prozess meist durch betriebswirtschaftliche Parameter wie Umsatz, Ge-
winn usw. steuern. Bei wissenschaftlichem KDD kommen eher qualitative
Gutekriterien wie Spezifitat und Generalitat zum Einsatz.
•
in verstandlicher Form:
Die neue, nutzliche und interessante Information muss
dem Benutzer auch als solche prasentiert werden. D. h., der Benutzer soll auf
Anhieb den Wert des KDD-Ergebnisses erkennen konnen. Dies verlangt die
Aufbereitung gefundener Information in lesbarer und anschaulicher Weise.
Alle diese Forderungen sollten nicht isoliert, sondern im Verbund miteinander ge-
sehen werden. Sie definieren daruber hinaus nicht nur Rahmenbedingungen fur das
Ergebnis des KDD-Prozesses, sondern beeinflussen auch ganz wesentlich das Kon-
zept des Prozesses selbst und die Form des zu findenden Wissens. Ein weiterer
wichtiger Aspekt beim KDD ist die Fahigkeit zur Interaktion: Großer Wert wird
auf die Verstandlichkeit der vermittelten Ergebnisse gelegt. Daruber hinaus soll der
Benutzer einerseits in den KDD-Prozess eingreifen konnen, andererseits soll das
System auch aus den Eingaben des Benutzers lernen.
Knowledge Discovery ist ein multidisziplinarer Vorgang, der Ergebnisse und
Techniken zahlreicher anderer Gebiete der Informatik und Mathematik wie z. B. Da-
tenbanken, maschinelles Lernen, Mustererkennung, Datenvisualisierung, unsicheres
Schließen und Statistik mit einbezieht. Allgemein orientieren sich Forschung und
Entwicklung im Knowledge Discovery-Bereich stark an menschlichen Vorgaben und
