Semantische Modellierung für Daten

Kapitel 8. Schlechte Modellspezifikation und Wissenserwerb

Diese Arbeit wurde mithilfe von KI übersetzt. Wir freuen uns über dein Feedback und deine Kommentare: [e-mail]

"Mulla, du hast deinen Ring im Zimmer verloren, warum suchst du ihn auf dem Hof?"

Mulla strich sich über den Bart und sagte: "Der Raum ist zu dunkel und ich kann nicht gut sehen. Ich bin in den Hof gegangen, um nach meinem Ring zu suchen, denn hier draußen ist es viel heller."

Klassische Erzählungen von Mulla Nasreddin

Wie wir in Kapitel 5 gesehen haben, müssen wir vor der Erstellung eines semantischen Modells entscheiden, was genau wir entwickeln wollen, indem wir die Anforderungen an das Modell festlegen. Außerdem müssen wir während der Erstellung des Modells geeignete Mechanismen zur Wissenserfassung entwerfen, implementieren und anwenden, die uns alle Entitäten, Beziehungen und anderen Modellelemente liefern, die diese Anforderungen erfüllen.

Leider führen wir diese beiden Tätigkeiten sehr oft auf suboptimale Weise durch, was zu teuren Modellen führt, die ihren Nutzern nur wenig Nutzen bringen. Dieses Kapitel veranschaulicht einige problematische Praktiken in Bezug auf diese Tätigkeiten und gibt nützliche Hinweise, wie sie verbessert werden können. Viele dieser Praktiken und Erkenntnisse (z. B. Datenspezifikation und -auswahl) sind auf jede Art von Data Science-Projekt anwendbar, nicht nur auf die Entwicklung semantischer Modelle.

Das Falsche bauen

Als ich Anfang 2016 zu Textkernel ...