Die Nutzung elektronischer ontologischer Wissensrepräsentationen reicht bis in die 90er Jahre zurück. Doch obwohl diese Technologie vergleichsweise alt ist, ist ihr Einsatz heute noch ungebrochen mit Anwendungsszenarien nicht nur zum Austausch von Informationen, sondern auch bei der Herleitung neuen Wissens durch automatisierte Schlussfolgerungen oder der Verarbeitung natürlicher Sprache. Da die Nutzung von Ontologien weiter steigt - wie kann man die Qualität und Korrektheit solcher Artefakte sicherstellen?
Die Verwendung objektiver, quantifizierbarer Metriken liefert valide Messpunkte. Und in der Vergangenheit wurde eine enorme Menge an Metriken vorgeschlagen, die - unter anderem - die Graphen- und Schemaattribute, Annotationen, Beziehungen oder Instanzen bewerten. Doch oft wird ihr Einfluss auf die tatsächliche Qualität nicht umfassend erforscht. Wie und in welcher Art von Zusammensetzung beeinflussen die von Tartir et. al. im OntoQA-Framework vorgeschlagenen Metriken die Verständlichkeit einer Ontologie? Welchen Einfluss haben die von Gangemi et. al. Vorgeschlagenen Graph-Metriken auf die Wiederverwendbarkeit einer Ontologie? Der Einfluss bestimmter Metriken auf konkrete Qualitätsmerkmale wird oft nicht beschrieben und wenn doch, dann nicht in einem empirisch fundierten Ansatz validiert. Zudem bleiben die meisten Metriken eher isoliert. Es ist oft nicht bekannt, wie die Metriken miteinander korrelieren. Diese Unzulänglichkeiten machen die Verwendung von Ontologie-Metriken willkürlich - besonders unerfahrene Modellierer stehen vor der Herausforderung, die richtigen Metriken für die richtigen Ziele auszuwählen. Auch wenn die Ontologie-Metriken objektiv berechnet werden, bleibt die Interpretation subjektiv.
Validierte Messungen der Ontologiequalität können diesen Modellierern helfen, ontologische Modelle auf der Grundlage ihres angestrebten Nutzungsszenarios zu entwickeln. Eine Übersetzung der abstrakten Messungen in hochwertige Qualitätsdimensionen wie u.a. "Vollständigkeit", "Klarheit" oder "Anpassungsfähigkeit" hilft, die eigene Arbeit in einen breiteren Kontext einzuordnen. Dies gilt insbesondere dann, wenn diese Metriken in einem Repository zur Verfügung gestellt werden, das den Vergleich zwischen dem eigenen Werk und verschiedenen anderen Ontologien ermöglicht. Darüber hinaus können auf der Grundlage der bereitgestellten Qualitätsberechnungen mögliche Verbesserungen für ein bestimmtes Qualitätsziel angegeben werden, wobei die Artefakte hervorgehoben werden, die für jede Qualitätsdimension die einflussreichsten Faktoren sind. Tatsächlich kann dies nicht nur zu besseren Ontologien, sondern langfristig auch zu besser ausgebildetem Modellierungspersonal führen.

Das Ziel dieser Doktorarbeit ist es, eine Verbindung zwischen umfassenden Qualitätsmessungen wie "Verständlichkeit" oder "Vollständigkeit" und den in der Literatur vorgeschlagenen Qualitätsmetriken herzustellen und zu validieren. Mit Hilfe eines datenzentrierten Forschungsdesigns sollen Qualitätsstufen und Verbesserungsvorschläge identifiziert werden. Dies hat das Potential, besonders unerfahrene Ontologie-Ingenieure bei der Beurteilung ihrer Arbeit und der Erstellung besserer Ontologien zu unterstützen. Die Neuheit dieser Forschung liegt in der Datenzentriertheit ihres Designs. Anhand einer Sammlung großer Mengen evolutionärer Ontologie-Metriken sollen statistisch relevante Korrelationen gefunden werden. Dies ermöglicht die Validierung bereits vorgeschlagener und die Identifizierung neuer Qualitätsmessungen.

Während Plattformen und ihre damit einhergehenden Geschäftsmodelle in den USA Industrien revolutioniert haben und heute zu den am besten bewerteten Unternehmen weltweit gehören, ist der Marktanteil von europäischen Plattformen gering. Um hier an die Erfolge aus dem amerikanischen Markt anknüpfen zu können, sind verschiedene Methoden nötig um digitale Geschäftsmodelle im europäischen Raum zu ermöglichen und anzupassen. Ökosysteme hier sollen nicht dem klassischen “The-Winner-Takes-It-All” Prinzip unterliegen, sondern die Kooperation zwischen verschiedensten Akteuren ermöglichen. Meine Forschungsarbeit in diesem Bereich konzentriert sich hauptsächlich auf die maritime Domäne: Die Blue Economy ist ein noch relativ unerschlossener Wachstumsmarkt mit Potential. Man denke dabei beispielsweise an den Aufbau von Offshore-Windkraft, die Nutzung von Seegraswiesen, Aquakulturen, der Seefahrt oder der Fischerei. Im Zusammenhang mit diesen Ideen muss allerdings auch die Munitionserkennung im Wasser erwähnt werden: Alte Weltkriegsmunition verschmutzt noch immer unsere Meere und stellt aufgrund von Erosionen der Munitionshüllen eine konkrete Bedrohung für die Umwelt und Menschen dar. Neue Technologien wie Unterwasserfahrzeuge oder Sensordaten können dabei helfen, diese Herausforderungen anzugehen.

Ziel dieser Forschungsarbeit ist es daher, in verschiedenen Beiträgen zu zeigen, wie sich Geschäftsmodelle in der maritimen Domäne transformieren lassen. Dabei werden zunächst klassische Plattformgetriebene Geschäftsmodelle analysiert. Die dort gewonnen Erkenntnisse werden Praxispartnern zugänglich gemacht. Aufbauend auf den entstehenden Diskussionen werden dann kollaborativ gemeinsame Lösungen beispielsweise in Workshops erarbeitet. Zu den verwendeten Methoden gehören daher neben ausführlicher Recherche und leitfadengestützten Interwiews auch verschiedene Arten der Modellierung. Der dabei entstehende Ansatz vereint dabei Ideen des Top-Down mit denen des Bottom-Up Approaches. Die einzelnen Geschäftsmodelle der beteiligten Projektpartner sind beim Aufbau eines Ökosystems ebenso von Bedeutung wie das gesamte Plattformgeschäftsmodell in diesem Ökosystem. Dabei wird darauf abgezielt Erkenntnisse zu gewinnen um Ökosysteme resilient, und in Einklang mit den europäischen Ideen zu gestalten.

Digitale Zwillinge sind virtuelle Repräsentationen von physischen oder cyber-physischen Objekten, Systemen oder Prozessen. In jüngster Zeit hat die Aufmerksamkeit für Digitale Zwillinge und ihre Nutzung in verschiedenen Branchen deutlich zugenommen. Der Einsatz von Digitalen Zwillingen bietet eine Vielzahl von Vorteilen, u. a. die Möglichkeit der Überwachung in Echtzeit, der Simulation und Analyse von Daten, der Nutzung prädiktiver Analysen, der Fernsteuerung und Automatisierung sowie der Erleichterung des Lebenszyklusmanagements. Die Entwicklung von Digitale Zwillingen basiert auf der Integration von Modellen und Daten, die aus einer Vielzahl von Quellen stammen, darunter Sensoren, Internet-of-Things (IoT)-Geräte und andere Datenströme.

Die modellgetriebene Entwicklung gilt als wirksame Technik zur Bewältigung der Herausforderungen, die mit der Entwicklung von IoT-Anwendungen verbunden sind. Die automatische Generierung von Code, der aus Modelltransformationen resultiert, steigert die Produktivität und gewährleistet Konsistenz durch Automatisierung.

Bestehende modellbasierte Ansätze zur Entwicklung von IoT-Anwendungen konzentrieren sich auf die Software- und Systemperspektive. Wir haben die Notwendigkeit erkannt, organisatorische Aspekte in die Entwicklung von IoT-Anwendungen zu integrieren. Es gibt keinen Ansatz, der auf die spezifischen Bedürfnisse von kleinen und mittleren Unternehmen (KMU) zugeschnitten ist. Die Voraussetzungen von KMU für die Entwicklung IoT-basierter Digitaler Zwillinge unterscheiden sich von denen größerer Unternehmen. Es gibt erhebliche Unterschiede hinsichtlich der verfügbaren Ressourcen, der IT-Struktur, des vorhandenen Wissens und allgemeiner Aspekte wie der Strategie oder der Kultur des KMU.

Das Ziel dieser Doktorarbeit ist die Entwicklung einer Methode, die sich auf die Integration organisatorischer Aspekte im Entwicklungsprozess sowie die spezifischen Bedürfnisse von KMU bei der Entwicklung IoT-basierter Digitaler Zwillinge fokussiert. Die Methodenkomponenten umfassen Richtlinien, Schritte und die erforderlichen Methoden zur Anwendung. Wir haben ein Werkzeug entwickelt, das den gesamten Entwicklungsprozess unterstützt, ohne dass spezielle IT-Kenntnisse auf der Anwendungsebene erforderlich sind. Dies soll helfen, (i) das notwendige Domänenwissen einzubeziehen, (ii) die Konstruktion von Modellen Digitaler Zwillinge zu unterstützen und (iii) den eigentlichen Digitalen Zwilling mit seinen Funktionalitäten zu erstellen.