Kategorie: Context Graph

Veröffentlicht am

Eine neue, agile Organisationsform (Holacracy) für Unternehmen mit humanoiden Robotern und AI-Agents

Wenn in einer Firma Menschen, AI-Agenten und Humanoide Roboter gleichermaßen in Business Prozessen und Wertschöpfungsketten involviert sind, ist man oft in einer hierarchischen Organisationsform nicht in der Lage, agil und unmittelbar auf Änderungen des Marktes zu reagieren. Hier kann es sehr nützlich sein, über andere Organisationsformen nachzudenken. Holacracy ist eine mögliche Alternative.

Holacracy ist eine selbstorganisierende Organisationsform für Unternehmen, welche 2007 von Brian J. Robertson formalisiert wurde. Statt einer, nur aus Personen bestehenden Hierarchie (in Form von Gruppen, Abteilungen, etc.) gibt es eine Struktur aus Rollen mit klar definierten Bestandteilen:

  • Purpose – Ziele, Fähigkeiten und das Potential der Rolle,
  • Domain – die Assets und Processe, über welche die Rolle autoritativ entscheidet,
  • Accountabilities – fortlaufende Aufgaben, die die Rolle in der eigenen Domain verantwortet oder die Support-Aufgaben für andere Domains darstellen.

Einen Rahmen für die Tätigkeiten bilden Policies, die spezifisch für die Domain oder zentral für das gesamte Unternehmen anzuwenden sind.

Rollen sind in Kreisen (Circles) gruppiert und organisiert. Strukturänderungen werden nicht „angeordnet“, sondern gemeinsam in Governance-Meetings als Reaktion auf eine konkrete Tension (eine wahrgenommene Diskrepanz zwischen Ist und Soll) beschlossen.

Es findet eine Trennung zwischen Rolle <> Person statt. Eine Rolle wird von einer Person „energisiert“. Was passiert aber, wenn der „Energizer“ kein Mensch mehr ist, sondern eine intelligente, selbstlernende (AI-basierte) Maschine?

Ein AI-Agent (z.B. ein AI-basierter Agent für die Wartungs-Diagnose) hat einen Purpose für eine Domain (z. B. „Diagnose-Empfehlungen für den Betrieb der Maschine „HUMA-7“). Er hat selbständig fortlaufende Accountabilities auszuführen (Logs der Maschine überwachen, Anomalien melden, Reports erzeugen, Notifications zu versenden, eine Prediction auf der Basis realer Daten zu treffen). Strukturell unterscheidet ihn nichts von einem menschlichen Rollen-Inhaber.

Zur Veranschaulichung wurde eine konkrete (fiktive), aber technisch plausible Anwendung – die Produktion eines humanoiden Roboters (HUMA-7) – in einem Prototype entwickelt. Im simulierten Unternehmen sind 13 Menschen angestellt sowie 6 AI-Agents und 8 Humanoide Roboter im Einsatz. Der Prototype kann mit verschiedene Visualisierungen, Simulationen und unterschiedlichen Optimierungsstrategien gesteuert und beobachtet werden. Ein Hauptmodul des Prototypes ist das semantische Modell des gesamten Unternehmens, welches auch die zeitlich abhängigen Daten und Milestones (semantisch) enthält. Dieses Modell wird im W3C Standard RDF 1.2 in der Funktion als (temporaler) Context Graph verwendet und garantiert dadurch eine vollständige, semantische Betrachtung aller Vorgänge zu jedem Zeitpunkt – auch in der Retrospektive – sowie die Interoperabilität mit anderen internen oder externen Prozessen.

Übersicht der Circles & Roles des Unternehmens

Governance und DPP Compliance Dashboard des Prototypes

Veröffentlicht am

Context Graph Explorer mit dem neuesten W3C Standard RDF 1.2 – Anwendung, Visualisierung und Prototype

Mit dem neuen W3C Standard RDF 1.2 lassen sich Knowledge Graphen sehr gut um Zeit, Provenienz- und auch Konfidenzaussagen zu einem (temporalen) Context Graph erweitern. Der Beitrag beschreibt die Grundlagen, einige Anwendungsfälle und die Funktionen des Prototypes. Dieser stellt eine Visualisierung, Import- und Exportfunktionalitäten und Abfrage- und Validierungsmöglichkeiten mit einer SPARQL-1.2-Engine und einem SHACL-Validator zur Verfügung.

Ein klassischer Knowledge Graph beantwortet die Frage „was hängt womit zusammen?“, dargestellt als gerichteter Graph durch Knoten und Kanten. Ein Context Graph ergänzt diese Aussagen um weitere Dimensionen die im Kontext des Knotens stehen, z.B.:

  • valid-time — wann war die Aussage in der realen Welt gültig?
  • transaction-time — wann wurde sie erfasst, bestätigt oder revidiert?
  • Provenienz und Konfidenz — woher stammt sie und wie verlässlich ist diese Aussage?

Mit dem W3C-Standard RDF 1.2 lässt sich dies sehr gut durch die Annotation Block-Syntax – mit geschweiften Klammern und Pipe-Strichen angeben – hier für einen Mammutbaum im Auenwald, der am 1.9.2015 mit einer Höhe von 57,1 m vermessen worden ist.

wst:tree-auenwald  ws:heightMeters "57.1"^^xsd:decimal  {|
    ws:validFrom    "2015-09-01"^^xsd:date ;
    ws:source       wsb:post-hoechster-mammutbaum-deutschlands ;
    ws:certainty    "bestaetigt" ;
    ws:confidence   "1.0"^^xsd:decimal ;
    ws:recordedAt   "2015-10-01T12:00:00Z"^^xsd:dateTime
|} .

Diese Erweiterung des Knowledge Graphen ist z.B. im Zusammenhang mit dem Produktentwicklungsprozess, dem Digitalen Produktpass (DPP) oder bei der Verwaltung historischer oder regulierter Daten ein grosser Mehrwert – die Daten ändern sich zu bestimmten Zeitpunkten, Quellen wechseln, neue oder erweiterte Regulierungen treten in Kraft — mit dem Context Graph kann dies vollständig dokumentiert und später über Abfargen und auch Validierungen genutzt werden.

Für den Prototype wurden aus zwei unterschiedlichen Quellen jeweils ein Context-Graph generiert.

  • Wilhelma-Saat — Veröffentlichungen zu einem Naturprojekt, welches die historischen Bergmammutbäume der „Wilhelma-Saat“ von König Wilhelm I. von Württemberg (aus dem Jahr 1864) dokumentiert. Der Context Graph enthält 897 Tripel mit 65 Annotationen, dokumentiert wird die Zeitspanne von 1781–2026. ( https://www.wilhelma-saat.de )
  • KMAIC Blog — der Blog der KMAIC Website, jeder Beitrag mit Zeitstempeln für Erstveröffentlichung und Modifikation. Der Context Graph enthält 780 Tripel mit 72 Annotationen. ( https://www.km-sc.de )

Der Prototype kann die Context Graphen im RDF-Format einlesen und diese als Graph oder Timeline visualisieren. Mit der eingebauten SPARQL-Engine sind die Details abfragbar, mit der eingebauten SHACL-Engine sind diese zusätzlich validierbar.

Ausblick

Ein Context Graph ist die logische Weiterentwicklung des Wissensgraphen. Sein Mehrwert entsteht dort, wo statische Aussagen ohne Zusatzdimension unzureichend sind. Weitere Anwendungen und Use Cases erscheinen auch in folgenden Bereichen sinnvoll:

  • Regulatorik (DPP, ESPR, Batterie-Verordnung 2023/1542) verlangt nachvollziehbare Datenherkunft und -aktualität — beides ist direkt als Annotation modellierbar, mit SPARQL abfragbar und mit SHACL validierbar.
  • Produkt-Management, Digital Twin, Product Carbon Footprint erfordern ein Tracking, wenn sich Produkt-Eigenschaften über die Zeit ändern (Wartungszustand, Recyclate-Anteil, CO₂-Footprint, etc.).
  • Moderne AI-basierte Wissensmanagement-Systeme profitieren von Provenienz- und Konfidenz-Annotationen, wenn GraphRAG generierte Aussagen neben validierten Aussagen eines Domainexperten koexistieren – der Context Graph kann angeben, welche Quelle welche Aussage zu welchem Zeitpunkt liefert und wie vertrauenswürdig diese ist.