Qimaya – Semantic Web

Die Wogen schlagen wieder hoch. Ganz gleich ob Handelsblatt oder FAZ, die Marketingtrommeln schlagen im Takt. Zwischen unseren CeBit Panels und der assoziativen Bildererkennung ist zwar nur schwerlich Zeit zu finden, jedoch werden wir im Stakato der Pressemitteilungen ständig auf Wolfram Alpha und eyeplorer angesprochen. Daher nehmen wir uns die Zeit einige Informationen als leichte Kost aufzubereiten. Wir können nicht zu jeder Frage auf die oben genannten eine Antwort liefern, vielmehr nur da wo wir uns wirklich auskennen. Jedoch können wir dem Hauptanliegen, einem technologischen Vergleich der Ansätze und der Auswirkungen dieser durchaus nachkommen.

Sicherlich ist bei Wolfram Alpha der Name bereits Teil des Programms. Der Mathematiker Stephen Wolfram ist ein Schwergewicht in der wissenschaftlichen Welt. Es ist durchaus damit zu rechnen, dass wir im Mai etwas spektakuläres zu sehen bekommen. Eine Maschine, die Fragen beantworten kann! Schon mehr als 40 Jahre denkt man darüber nach, ob eines Tages eine Maschine denken kann. Es gibt sogar ein spezielles Testverfahren, das es erlauben soll, objektiv darüber zu entscheiden, ob eine Maschine tatsächlich intelligent ist (Turing Test).

Allerdings hat die Angelegenheit einen Haken. Wolfram Alpha beruht – soweit man den Berichten entnehmen kann – auf symbolischer künstlicher Intelligent (KI). Die prinzipielle Begrenzung des symbolischen Ansatzes der KI hat H.L. Dreyfus einleuchtend dargestellt. Anschaulich unterscheidet man zwischen knowing-how und knowing-that.

Eine typische knowing-that-Frage ist: „Wie hoch ist der Mount Everest?“ Ein derartiges Faktenwissen kann in der Tat durch symbolische KI gut abgebildet werden. Eine knowing-how-Frage hingegegen wäre: „Wie fühlt es sich an, wenn auf 6000 Meter Höhe die Luft dünner wird?“ Mit knowing-how ist das Handlungswissen gemeint, das sich nur in der tatsächlich durchgeführten Handlung zeigt. Das kontextabhängige, implizite Wissen kann durch symbolische KI nicht abgebildet werden.

Prinzipiell nicht. Auch für das Semantic Web und für eCommerce-Applikationen reicht der Ansatz nicht aus. Betrachten wir ein Beispiel aus der Praxis: Jemand bestellt das Buch „Feuchtgebiete“ bei amazon. Der Käufer wird darüber informiert, dass das Buch „Frühling und so“ von Rebecca Martin ebenfalls interessant sein könnte, da andere Kunden beide Bücher zusammen in den Warenkorb legten. Das ist implizites Handlungswissen. Die symbolische KI arbeitet mit starren Regeln. Unser tägliches Leben ist aber eher assoziativ und ein wenig fuzzy.

Letzteres wird vom Startup eyeplorer stärker berücksichtigt. Auch hier steht ein Name für den technologischen Ansatz: der Neurowissenschaftler Martin Christian Hirsch aus Marburg. Von den Wurzeln her gibt es durchaus Gemeinsamkeiten mit Qimaya. Als Orientierung haben wir die Patentschrift „Apparatus and method for an item retrieval system“ von M.C. Hirsch (publiziert am 30.8.2007) herangezogen. In der Patentschrift wird explizit auf das Gestaltkonzept der Neurowissenschaften verwiesen. Eine spannende und lesenswerte Einführung in das Gestaltkonzept stammt von Peter Ulric Tse. So ermöglicht eyeplorer offenbar, Informationscluster bzw. „Gestalten“ zu visualisieren. Wissenschaftich betrachtet verfolgt eyeplorer also einen sehr hochwertigen Ansatz.

Und was ist mit Qimaya? Qimaya leitet nicht aus der Hirnforschung irgendein Konzept ab, sondern baut 1:1 eine assoziative Struktur nach. Es wird automatisch nach Relevanz und Redundanz von Information unterschieden. Hierdurch kann von einer Sekunde auf die andere eine komplett neue Ontologie emuliert werden. Qimaya kann Petabytes an Daten als neuronales Netz abbilden. Doch kommen wir zum eigentlichen Punkt, der Sphären über unserer Technologie steht. Qimaya hat ein Business- und Monetarisierungskonzept.