Eine Ontologie ist in der Informationsmodellierung eine formalisierte Beschreibung von Begriffen, Klassen, Eigenschaften und Beziehungen eines Wissensgebiets. Sie schafft ein gemeinsames Vokabular und kann Schlussfolgerungen über modellierte Zusammenhänge unterstützen.
Methodik und Funktionsweise
Beispielsweise kann eine Ontologie festlegen, dass eine Organisationseinheit bestimmte Rollen umfasst oder ein IT-System Geschäftsprozesse unterstützt. Formale Repräsentationssprachen ermöglichen, solche Beziehungen systematisch zu prüfen und auszuwerten.
Abgrenzung und Grenzen
Eine Ontologie ist nicht bloß ein Glossar oder eine Datenbanktabelle. Sie legt Bedeutung und zulässige Beziehungen fest. Gleichzeitig ist sie ein Modell vereinbarter Sichtweisen und daher nicht automatisch eine vollständige oder objektive Beschreibung der Realität.
Praxisbeispiel
Bei der Integration zweier ERP-Landschaften kann eine Ontologie helfen, unterschiedliche Begriffe für Kunde, Lieferant und Geschäftspartner zu unterscheiden und richtig zuzuordnen.
Voraussetzungen und Hinweise
Die Modellierung erfordert fachliche Abstimmung. Zu komplexe Ontologien erhöhen Pflegekosten; zu grobe Begriffsdefinitionen können entscheidende Unterschiede verdecken.
Begriffe, Klassen und Beziehungen definieren
Eine Ontologie legt fest, welche Begriffe für ein Fachgebiet verwendet werden und wie sie miteinander zusammenhängen. Sie kann beispielsweise zwischen Person, Rolle, Organisationseinheit und Geschäftsprozess unterscheiden. Dabei lässt sich modellieren, dass eine Person eine Rolle ausübt und eine Rolle an einem Prozess beteiligt ist. Solche Aussagen reduzieren Missverständnisse bei der Datenintegration. Für größere Organisationen ist dies wichtig, weil dasselbe Wort in unterschiedlichen Fachbereichen etwas anderes meinen kann. Eine fachlich präzise Ontologie muss deshalb mit den zuständigen Experten abgestimmt und dokumentiert werden.
Formale Semantik und Schlussfolgerungen
Mit Ontologiesprachen wie OWL lassen sich Klassen, Eigenschaften und logische Beziehungen mit einer formal definierten Bedeutung ausdrücken. Unter bestimmten Voraussetzungen können Systeme daraus weitere Aussagen ableiten oder Widersprüche untersuchen. Beispielsweise kann eine definierte Klassenhierarchie helfen, spezialisierte Objektarten einer übergeordneten Kategorie zuzuordnen. Solche Schlussfolgerungen gelten jedoch nur im Rahmen der modellierten Regeln und der verwendeten Daten. Eine Ontologie erzeugt keine neuen empirischen Fakten über ein Unternehmen, wenn die zugrunde liegenden Informationen fehlen. Außerdem sollten mögliche Grenzen des gewählten Schlussfolgerungsverfahrens berücksichtigt werden.
Abgrenzung zu Taxonomie und Glossar
Ein Glossar erläutert Begriffe in natürlicher Sprache. Eine Taxonomie ordnet Begriffe typischerweise in ein Klassifikationssystem ein, etwa als Ober- und Unterbegriffe. Eine Ontologie kann darüber hinaus vielfältige Beziehungstypen und logische Beschränkungen beschreiben. Diese Begriffe sind im Praxisgebrauch nicht immer trennscharf, doch für technische Projekte ist die Unterscheidung hilfreich. Nicht jedes Wissenssystem benötigt eine komplexe formale Ontologie. Bei einem überschaubaren Anwendungsfall kann ein gepflegtes semantisches Datenmodell ausreichen, während anspruchsvollere Integrations- und Schlussfolgerungsaufgaben zusätzliche Formalisierung rechtfertigen.
Einführung und Pflege im Unternehmen
Am Anfang steht ein konkretes Informationsproblem. In Workshops werden die betroffenen Fachbegriffe, ihre Beziehungen und mögliche Mehrdeutigkeiten gesammelt. Danach wird ein begrenztes gemeinsames Modell erstellt und anhand realer Daten getestet. Wichtig sind Regeln für Änderungen, weil eine Anpassung der Bedeutung eines Begriffs zahlreiche Abfragen beeinflussen kann. Ebenso sollten fachliche Eigentümer und technische Verantwortliche feststehen. Übermäßige Komplexität erschwert die Pflege und kann Akzeptanz verhindern. Eine Ontologie ist dann besonders nützlich, wenn sie nachvollziehbare fachliche Fragen besser unterstützt als einfachere alternative Modelle.
Häufige Fragen
Ist jede Datenstruktur eine Ontologie?
Nein. Datenbanktabellen und technische Schemas können Informationen strukturieren, ohne ihre fachliche Semantik in Form einer Ontologie ausdrücklich zu modellieren.
Warum werden Ontologien für Knowledge Graphs eingesetzt?
Sie definieren Bedeutungen und zulässige Beziehungstypen. Dadurch können Daten verschiedener Systeme konsistenter verknüpft und interpretiert werden.
Praktische Prüffragen
- Klären Sie mit den Fachverantwortlichen, welche Bedeutungen und Begriffsunterschiede das Modell verbindlich beschreiben soll.
- Unterscheiden Sie Klassen, einzelne Instanzen und Beziehungstypen, damit eine konkrete Organisationseinheit nicht mit einer allgemeinen organisatorischen Rolle verwechselt wird.
- Verwenden Sie formale Schlussfolgerungsregeln nur dort, wo ihre Voraussetzungen verstanden und die verwendeten Eingangsdaten zuverlässig sind.
- Prüfen Sie, ob ein einfaches Glossar oder semantisches Datenmodell ausreicht, bevor eine umfangreiche Ontologiesprache eingeführt wird.
- Versionieren Sie Bedeutungsänderungen und testen Sie ihre Wirkung auf vorhandene Abfragen, Integrationen und veröffentlichte Wissenszusammenhänge.
Fachbegriffe formal voneinander unterscheiden
Eine Ontologie kann beispielsweise zwischen einer Person, ihrer Rolle und einer Organisationseinheit unterscheiden. Diese Objekte hängen zusammen, sind aber nicht identisch. Eine Person kann mehrere Rollen ausüben, während eine Rolle zu unterschiedlichen Zeitpunkten von verschiedenen Personen besetzt werden kann. Werden solche Beziehungen sauber definiert, lassen sich Informationen aus verschiedenen Fachsystemen konsistenter einordnen. Das ist vor allem bei komplexen Unternehmensmodellen hilfreich. Eine Ontologie sollte jedoch nicht mit jeder verfügbaren Datenbanktabelle gleichgesetzt werden. Ihre Aufgabe besteht darin, fachliche Begriffe und Beziehungen mit einer bestimmten formalen Bedeutung zu beschreiben, nicht möglichst viele technische Felder zu sammeln.
Ontologien mit realen Daten verbinden
Für eine technische Nutzung werden die Begriffsdefinitionen auf konkrete Datenquellen und Objektkennungen bezogen. Daraus lassen sich beispielsweise Abfragen über Organisationseinheiten, Anwendungen und Prozesse aufbauen. Formale Sprachen wie OWL können zusätzliche Regeln und Schlussfolgerungen ermöglichen. Dabei gelten die Ergebnisse nur im Rahmen der beschriebenen Annahmen und tatsächlich vorhandenen Aussagen. Eine logisch ableitbare Beziehung ist nicht automatisch ein empirischer Nachweis für ein reales Unternehmensgeschehen. Deshalb sollten Modellbegriffe und Datenzuordnungen mit fachlichen Verantwortlichen geprüft werden. Die Pflege ist besonders wichtig, wenn organisatorische Änderungen neue Rollen oder Prozessvarianten entstehen lassen. Für einfache Fragen kann ein weniger komplexes semantisches Datenmodell genügen.
Verwandte Wiki-Begriffe
Weiterführende Erklärungen: Semantisches Datenmodell, Enterprise Knowledge Graph, Unternehmensmodell.
Fachliche Quellen
W3C – OWL 2 Web Ontology Language Primer. Praxisbeispiele sind hypothetische Anwendungsszenarien.