KI im Wissensmanagement – Grundlagen

Seit der Veröffentlichung der ersten frei verfügbaren Version von ChatGPT im November 2022 ist das Thema ‚Künstliche Intelligenz KI‘ (Englisch: Artifical Intelligence AI) in aller Munde. Und nicht nur das, die verfügbaren Tools entwickeln sich rasant weiter:  Wie der AI Index Report des Human-Centered Artificial Intelligence (HAI) Instituts der Stanford University aus 2025 zeigt:

  • erreicht nur noch einer von acht analysierten Bereichen (von etablierter Bilderkennung bis hin zu komplexen Aufgaben in der Mathematik und umfangreichem Textverständnis) nicht die von einem Menschen zu erwartende Performance (Human Baseline), und zwar das multimodale Verstehen und Schlussfolgern.
  • ist KI zunehmend Teil unseres täglichen Lebens.
  • steigen Investitionen in KI weltweit rasant.
  • nimmt der KI-Optimismus weltweit deutlich zu, in Deutschland zwischen 2022 und 2025 um 10%.

In einer Umfrage von McKinsey im Jahr 2024 gaben Organisationen diverse Bereiche an, für welche sie entsprechend generative KI-Tools nutzen. Dabei stellt der Bereich Wissensmanagements nach dem Marketing den zweitgrößten Anwendungsbereich dar (vgl. AI Index Report des Human-Centered Artificial Intelligence (HAI) Instituts der Stanford University S. 266)

Doch was genau verstehen wir unter KI?

Hinweis: Da sich die Tools sehr dynamisch entwickeln und wir mit dem freien Kursbuch neutral bleiben wollen, nennen wir keine Tool-Beispiele. Aber sicher kennst du bereits zahlreiche KI-Anwendungen.

Künstliche Intelligenz (KI) ist ein Sammelbegriff für Technologien, die darauf abzielen, kognitive Funktionen auszuführen, die mit menschlichem Denkvermögen gleichgesetzt werden. Dazu zählen unter anderem Wahrnehmung, Lernen, Interaktion, Problemlösung, Entscheidungsfindung und der Ansatz von Kreativität.
Die von der Europäischen Kommission eingesetzte Expertengruppe für künstliche Intelligenz (AI HLEG) definiert den Begriff der künstlichen Intelligenz folgendermaßen:
„Künstliche Intelligenz (KI)-Systeme sind von Menschen entwickelte Software- (und möglicherweise auch Hardware-)Systeme, die – unter der Vorgabe eines komplexen Ziels – in der physischen oder digitalen Dimension agieren, indem sie ihre Umgebung durch Datenerfassung wahrnehmen, die gesammelten strukturierten oder unstrukturierten Daten interpretieren, auf dem daraus abgeleiteten Wissen schlussfolgern oder Informationen verarbeiten und anschließend die beste(n) Handlung(en) auswählen, um das gegebene Ziel zu erreichen….“.

Was ist generative KI?

Generative KI erzeugt Inhalte aus Daten, mit denen sie vorher trainiert worden ist. Die Basis sind  Large Language Models (LLM), die vorhandene Daten nach den Gesetzen der Häufigkeit, Gewohnheit, Wahrscheinlichkeit kombinieren.

Typische Einsatzgebiete generativer KI sind:

  • Informationsrecherche
  • Generierung von Texten, Bildern und Videos
  • Kommunikation, z. B. Chatbots im Kundenservice

Technologische Grundlagen

  • Machine Learning (ML)
    Ein Teilgebiet der KI, bei dem Systeme aus Daten lernen, ohne explizit programmiert zu sein, vielmehr verbessern sich die  Computeralgorithmen durch Erfahrung automatisch. Diese Algorithmen entwickeln ein mathematisches Modell, welches auf sogenannten Trainingsdaten basiert. Damit haben sie die Möglichkeit, Vorhersagen zu treffen oder Entscheidungen zu fällen, ohne speziell dafür programmiert zu sein. ML ist die Grundlage vieler KI-Anwendungen – von Spam-Filtern bis zu Produktempfehlungen.
  • Deep Learning (DL)
    Eine Weiterentwicklung des ML ist Deep Learning (DL). Während ein Modell beim ML regelmäßig trainiert wird, um Genauigkeit und Präzision sicherzustellen, kann das Modell beim DL von selbst dazulernen und im Laufe der Zeit eigenständig, ohne manuelles Training präziser und differenzierter werden, und zwar auf Basis neuronaler Netze. Deep Learning ermöglicht besonders leistungsfähige Modelle, z. B. für Bilderkennung oder Sprachverarbeitung.
  • Large Language Models (LLMs)
    Sehr große, auf Deep Learning basierende Sprachmodelle, die auf riesigen Textmengen trainiert wurden. Sie bilden das Herzstück vieler generativer KI-Anwendungen LLMs können Sprache verstehen, interpretieren und selbstständig neue Texte generieren.

Wenn du die Rolle der Wahrscheinlichkeitsrechnung für eine generative KI verstehen möchtest, erklärt das am besten die Maus (Dauer 5’51 Min.):

Der Lernprozess einer KI und die Rolle der so genannten neuronalen Netze sind hier gut erklärt (Dauer 4’51 Min.):

Andere Formen von KI

Neben der so genannten generativen KI gibt es weitere wichtige Formen von KI, die in unterschiedlichen Anwendungsfeldern zum Einsatz kommen:

  • Analytische KI
    Konzentriert sich auf die Analyse von Daten zur Mustererkennung. Dadurch werden aus großen Datenmengen Informationen extrahiert und auf dieser Basis Vorhersagen getroffen. Es handelt sich also um Machine-Learning-Algorithmen zur Datenanalyse.
    Typische Einsatzgebiete analytischer KI sind Expertensysteme  zur Einbindung menschlichen Fachwissens in automatisierte Abläufe, die Optimierung von Abläufen durch Fehlererkennung in Fertigungsprozessen oder auch die Ahndung von Finanzkriminalität durch Mustererkennung in Geldströmen.
  • Kognitive KI
    Zielt darauf ab, menschliche Denk- und Wahrnehmungsfähigkeiten nachzuahmen und zu nutzen. Sie ist darauf ausgerichtet, Aufgaben zu bewältigen, die sonst menschliche Intelligenz erfordern. Kognitive KI unterscheidet sich von analytischer KI insofern, dass sie ihre Muster und Regeln auf Basis der vorgefundenen Daten selbst entwickelt und diese nicht von einem Menschen vorgegeben bekommt. Während analytischer KI also gesagt wird, wonach sie suchen soll, versucht kognitive KI, das anhand der vorliegenden Daten selbst herauszufinden.
    Typische Einsatzgebiete kognitiver KI sind Natural Language Processing (Umwandlung von Text zu Wort), Gesichts- oder Objekterkennung, neuronale Netze: zur Vorhersage bestimmter Ereignisse in Geschäftsabläufen, Früherkennung von Krankheiten mit Bildanalyse.

Denkaufgabe:

Verfügt eine KI tatsächlich über Wissen? Wenn du an die Definitionen von Daten, Informationen, Wissen, Kompetenz usw. zurückdenkst: Was spricht dafür? Was dagegen?


Wer tiefer einsteigen möchte: Die wesentlichen Erkenntnisse aus dem AI Index Report des Human-Centered Artificial Intelligence (HAI) Instituts der Stanford University gibt es in diesem Video (Dauer 56’15 Min.)

KI für das persönliche Wissensmanagement

Vor allem die generative künstliche Intelligenz kann im persönlichen Wissensmanagement die Rolle einer fleißigen und engagierten Assistenz übernehmen und uns Wissensarbeitende in einigen Bereichen gut entlasten – damit mehr Zeit für die wirklich kniffligen Fragen und kreativen Aufgabenstellungen bleibt.

Hinweis: Da sich die KI-Tools sehr dynamisch entwickeln und wir mit dem freien Kursbuch neutral bleiben wollen, nennen wir keine Tool-Beispiele. Aber sicher kennst du bereits zahlreiche KI-Anwendungen.

Informationsrecherche und -filterung
KI kann über eine Intelligente Suchfunktionen, die kontextbezogen arbeitet, dabei helfen, relevante Informationen aus großen Datenmengen schnell zu finden. Sie kann lange Inhalte zusammenfassen und/oder strukturieren und/oder vergleichen. Und sie kann Vorschläge für weiterführende Quellen oder verwandte Themen machen.

Wissensorganisation
KI-gestützte Tools können auf Basis einer semantischen Inhaltsanalyse Inhalte kategorisieren, verschlagworten (automatisches Tagging) und ggf. in Wissensdatenbanken einpflegen.

Content-Erstellung und -Transformation
Generative KI kann dabei helfen, Inhalte zu erstellen oder zu überarbeiten, z. B. Textentwürfe für Präsentationen, Berichte oder Blogposts, Visualisierungen, Videos, Podcasts, Mindmaps oder Übersetzungen und Lektorate zur sprachlichen Optimierung der eigenen Texte. KI kann außerdem Informationsformate umwandeln (z. B. Text in Podcast) oder Audio transkribieren.

Sparringspartnerin
Eine KI kann bei der Reflexion und Entscheidungsfindung unterstützen. Z.B. indem man ihr die eigenen Überlegungen schildert und um ein Feedback bittet oder nach Alternativen fragt. Oder indem man die KI eine Pro-und-Kontra-Liste erstellen lässt. Zur Vorbereitung auf eine Diskussion oder Präsentation, eine Prüfung oder eine Verhandlung kann man die KI bitten die eigenen Argumente und Thesen zu hinterfragen und Gegenargumente zu liefern. Ebenso kann sie dabei helfen neue Ideen zu entwickeln.

(Lern)Coach
KI kann als persönlicher Lerncoach agieren, z. B. persönliche Lern- oder Trainingspläne basierend auf dem jeweiligen Wissens- oder Leistungsstand erstellen, Wiederholungsmechanismen etablieren (z. B. Spaced Repetition) oder Quiz- und Übungsfragen zur Selbstüberprüfung erzeugen.

Gedächtnisstütze und Erinnerungen
KI kann dich an wichtige Inhalte oder Aufgaben erinnern:
– Automatisierte To-do-Listen mit Kontextbezug
– Verknüpfung von Informationen mit Kalenderereignissen
– Vorschläge für Wiederholung oder Vertiefung

 

Wie immer gilt auch hier: Vorsicht und Kontrolle:

  • Datenschutz: Achte darauf, welche persönlichen Daten du mit KI-Tools teilst.
  • Qualitätssicherung: KI kann Fehler machen – prüfe wichtige Inhalte kritisch.
  • Kontrolle: Behalte die Kontrolle über deine Inhalte.

Weiterführende Informationen:

Im WMOOC 2023 gab es eine tolle Live Session mit Barbara Geyer von der Hochschule Burgenland zu Erfahrungen mit KI im persönlichen Wissensmanagement:

Künstliche Intelligenz für die persönliche Wissensarbeit (Live Session)


Kommentare/Hinweise:
Wir freuen uns über Ergänzungs- oder Änderungsvorschläge. Gerne per eMail (unbedingt mit dieser URL) an uns Autoren (Gabriele Vollmar und/oder Dirk Liesch).

Risiken von KI

KI bietet sowohl für das organisationale als auch das persönliche Wissensmanagement ein großes Potenzial. Doch sind damit auch große Risiken verbunden, aus denen sich oft Bedenken und Skepsis von Mitarbeitenden bei der Einführung von KI-Lösungen speisen und die bei einer Einführung – nicht nur aus diesem Grund – berücksichtigt werden müssen:

  • Verlust von Kontrolle und Transparenz
    KI-Systeme – insbesondere solche auf Basis von Deep Learning – sind oft so genannte Black Boxes. Ihre Entscheidungen sind für Menschen schwer nachvollziehbar, was zu einem Verlust an Kontrolle und Vertrauen führen kann.
  • Verbreitung von Desinformation
    Generative KI kann täuschend echte Texte, Bilder oder Videos erzeugen – was die Verbreitung von Fake News, Deepfakes und Manipulation erleichtert.
  • Datenschutz und Informationssicherheit
    KI-Systeme benötigen große Datenmengen – oft auch personenbezogene. Es besteht das Risiko, dass:
    – sensible Daten ungewollt preisgegeben werden,
    – Datenschutzvorgaben (z. B. DSGVO) verletzt werden,
    – oder Systeme durch Prompt Injection oder andere Angriffe kompromittiert werden.
  • Diskriminierung und Verzerrung (Bias)
    KI-Systeme übernehmen oft unbewusst Vorurteile aus den Trainingsdaten. Das kann zu diskriminierenden Entscheidungen** führen – etwa bei Bewerbungen, Kreditvergabe oder polizeilichen Prognosen.
  • Abhängigkeit und Kompetenzverlust
    Wenn Organisationen oder Einzelpersonen sich zu stark auf KI verlassen, kann dies zu einem Verlust menschlicher Kompetenzen führen – z. B. im Schreiben, Denken oder Entscheiden.
  • Ethische und rechtliche Grauzonen
    Viele KI-Anwendungen bewegen sich in einem regulatorischen Graubereich. Es fehlen (noch) klare Regeln für Haftung, Verantwortung und ethische Grenzen .

Das EU KI-Gesetz (AI Act)

Um den oben genannten Risiken zu begegnen und Organisationen und Individuen Rechtssicherheit im Umgang mit KI zu geben, hat die Europäische Union im Sommer 2024 den EU AI Act verabschiedet, der im August 2026 vollständig in Kraft tritt.

Die wesentlichen Punkte werden in diesem Video erklärt (Dauer 7’24 Min.):

Daraus ergeben sich für Organisationen, die KI entwickeln oder einsetzen einige Handlungsempfehlungen:

  • Schult eure Mitarbeitenden im Umgang mit KI.
  • Prüfe, ob eure KI-Anwendungen unter den AI Act fallen.
  • Klassifiziere die Systeme nach Risikokategorien.
  • Erarbeitet eine Compliance-Strategie.
  • Dokumentiert die KI-relevanten Prozesse und Datenquellen.

Die oben genannten Punkte sind eine Zusammenfassung mehrerer Studien:
TÜV Nord – Risiken der KI
UNESCO-Empfehlung zur Ethik Künstlicher Intelligenz
MENA Editors Network: Die 10 größten KI-Risiken

 

 

Praxisbeispiele

Wir haben in den folgenen vier Unterbereichen die Praxisbeispiele zum Wissensmanagement in  Organisationen und zum persönlichen Wissensmanagement unterteilt. Die ausführlicheren Praxis-Beispiele, vorwiegend aus den Live-Sessions des Wissensmanagement-MOOC sind wegen der besseren Übersichtlichkeit hier zugeordnet. Die neuesten Videos werden jeweils oben in jedem Bereich ergänzt (keine Sortierung nach Wertung):

Wie bei vielen Klassifikationen ist es auch hier so, dass diese Aufteilung nicht für jeden Fall optimal ist. Beispiele aus einzelnen Bereichen in Großkonzernen, passen z.B. ebenso für kleine Vereine oder Handwerker, wie Beispiele bei Handwerkern zu Verwaltungen passen könnten.

Ziel ist es, eine Auswahl zu geben, die Anstöße, Beispiele und Hinweise in einer gewissen Vielfalt zur Verfügung stellt, dass es Impulse für das eigenen Wissensmanagement in der eigenen Organisation oder für das eigene persönliche Wissesnmanagement gibt.

Weitere Beispiele sollen in den kommenden Jahren folgen. Gerne können Sie uns Hinweise auf gute Beispiele geben.


Kommentare/Hinweise:
Wir freuen uns über Ergänzungs- oder Änderungsvorschläge. Gerne per eMail (unbedingt mit dieser URL) an uns Autoren (Gabriele Vollmar und/oder Dirk Liesch).

Künstliche Intelligenz für die persönliche Wissensarbeit (Live Session)

mit Barbara Geyer, Hochschule Burgenland

Barbara zeigt uns, welche Werkzeuge der Künstlichen Intelligenz sie selbst als Hochschuldozentin nutzt, um ihre persönliche Wissensarbeit effizienter zu gestalten.  (Dauer: 50:00 min):

Index zum Video:

  • 00:00 min : Begrüßung
  • 00:59 min : persönliche Einführung und Vorstellung
  • 05:42 min : kurze Einführung ins Thema KI-Modelle
  • 09:53 min : DeepL Write
  • 10:59 min : Readwise ChatGPT API
  • 12:24 min : KI- Tools für wissenschaftliches Arbeiten
  • 16:49 min : Anwendungsbeispiel: GPT’s Chat-Bots
  • 21:10 min : Was bringt die Arbeit mit KI?
  • 22:33 min : Ki im Wissensmanagement
  • 26:30 min : Gefahren & Auswirkungen

Beginn Fragen & Antworten

  • 29:08 min : Wie individuell kann DeepL Write eingestellt werden?
  • 31:17 min : Wer trägt die Kosten der wissenschaftlichen KI-Tool Nutzung?
  • 34:12 min : Welche GPT’s/Chatbots wurden von Frau Geyer schon kreiert?
  • 36:02 min : Wie hoch ist der Einarbeitungsaufwand für einen sinnvollen Umgang mit Chatbots?
  • 38:43 min : Hat sich die Interaktion mit Menschen durch den verstärkten Einsatz von KI verändert?
  • 43:39 min : Welche urherberrechtlichen Risiken bestehen beim Einsatz von KI?
  • 46:21 min : Wo liegt das Potenzial im Bezug für organisationales WM?

Kommentare/Hinweise:
Wir freuen uns über Ergänzungs- oder Änderungsvorschläge. Gerne per eMail (unbedingt mit dieser URL) an uns Autoren (Gabriele Vollmar und/oder Dirk Liesch).

Wissensmanagement bei der Deutschen Bahn (Live Session)

Wissensmanagement bei der Deutschen Bahn – Blick in die Praxis der DB Engineering & Consulting

mit Erik Schulz, Referent Wissensmanagement der DB E&C

Als Ingenieurdienstleister der Deutschen Bahn bietet die DB E&C mit rund 6.000 Mitarbeitenden technisch hochwertige und maßgeschneiderte Beratung, Planung und Realisierung für Infrastruktur- und Mobilitätsprojekte in Deutschland und weltweit. Erik Schulz nimmt uns mit in die Praxis des Wissensmanagements im Unternehmen. In dieser WMOOC Live-Session werden verschiedene Tools und Aktivitäten sowie aktuelle Herausforderungen aus dem Themenfeld Wissensmanagement vorgestellt.(Dauer: 49:49 min

Index zum Video:

  • 00:00 min : Begrüßung
  • 01:02 min : persönliche Einführung und Vorstellung
  • 03:02 min : Unternehmensstruktur
  • 04:43 min : Produkte, Tools & Methoden
  • 07:17 min : Lessons Learned – Vorgehen im Workshop
  • 10:06 min : Lessons Learned – Projektauswertung
  • 11:20 min : Lessons Learned – Projekterfahrungen & Austausch
  • 12:43 min : Lessons Learned – Praxisbeispiel
  • 20:15 min : Lessons Learned – Datenbank
  • 25:30 min : Networking – Wissensnetzwerke
  • 28:13 min : Experten-Netzwerk – fachliche Ansprechpartner:innen 29:37 min : Expert Debriefing – Strukturierte Wissensweitergabe
  • 32:58 min : Fachforen
  • 34:20 min : Einstieg für neue Mitarbeitende
  • 35:10 min : Abschluss- & Semesterarbeiten im Intranet

Beginn Fragen & Antworten

  • 36:21 min : Werden die Personen im Netzwerk in den Techniken/Workshops ausgebildet?
  • 38:43 min : Wie können Personen diesen Service anfragen? Gibt es Vorbedingungen, wann unterstützt wird?
  • 40:45 min : Wie kommen die fachlichen Ansprechpartner:innen in die Datenbank und was sagt der Betriebsrat dazu?
  • 43:56 min : Gibt es Wissensmanagement-Austausch mit der übrigen DB?
  • 46:17 min : Werden Lessons Learned eher zum Projektende gemacht oder auch im Projektverlauf?
  • 47:01 min : Gibt es Auswertungen, in welchem Umfang die Abschlussarbeiten später genutzt werden?

Kommentare/Hinweise:
Wir freuen uns über Ergänzungs- oder Änderungsvorschläge. Gerne per eMail (unbedingt mit dieser URL) an uns Autoren (Gabriele Vollmar und/oder Dirk Liesch).

Wissenstransfer – alles eine Frage der Motivation? (Live Session)

Motivieren zum Wissenstransfer

mit Laura Rinker (M. Sc.), Wissenschaftliche Mitarbeiterin am Lehrstuhl für Wirtschafts- und Organisationspsychologie an der Universität Hohenheim

Laura geht darauf ein, welche Möglichkeiten und Ansätze es gibt, Menschen zum Wissenstransfer zu motivieren. Welche Motive haben wir, unser Wissen weiterzugeben und wie beeinflusst der Führungsstil die Bereitschaft, Wissens zu teilen? Warum kann der Weg zum funktionierenden Wissenstrasfer lang sein? Das sind nur einge der Punkte, mit denen sich diese WMOOC Live Session beschäftigt. (Dauer: 55:36 min):

Index zum Video:

  • 00:00 min : Begrüßung
  • 01:37 min : persönliche Einführung und Vorstellung
  • 03:03 min : 1001 Gründe für Wissenstransfer
  • 07:27 min : Wie geht Wissenstransfer?
  • 09:02 min : Personenfaktoren: Selbstwirksamkeit und Selbst- & Fremdwahrnehmung
  • 13:30 min : Motive im Bereich Wissenstransfer: Entwicklung & Generativität
  • 18:34 min : Möglichkeiten für motivierten Wissensaustausch
  • 24:28 min : Der lange Weg zum Wissenstransfer: Was Soziale Vergleiche & Führungsstil zum Wissenstransfer beitragen
  • 34:51 min : Zusammenfassung und Fazit
  • 35:33 min : Checkliste zum Wissenstransfer

Beginn Fragen & Antworten

  • 36:54 min : Inwiefern ist die Angst vor dem Vorwurf des Hochstaplers ein Hindernis für die Motivation zum Wissenstransfer?
  • 38:48 min : Wie lässt sich Wissenstransfer in der Forschung messen und operationalisieren?
  • 42:34 min : Wo genau situiert sich die Forschung und wie werden Stichproben ausgewählt?
  • 45:21 min : Wie werden Vorbilder ausgewählt, um die Motivation für Wissenstransfer zu steigern?
  • 47:03 min : Sind soziale Vergleiche und ihre Bedeutung vom Persönlichkeitstyp abhängig? Sind manche stärker davon abhängig als andere?
  • 50:10 min : Inwiefern spielt die Hierarchie eine Rolle bei sozialen Vergleichen?
  • 51:23 min : Welche Rolle spielt Fehlerkultur bei der Motivation zum Wissenstransfer?
  • 53:16 min : Sind einige der genannten Faktoren für den Wissenstransfer möglicherweise wichtiger als andere?

Kommentare/Hinweise:
Wir freuen uns über Ergänzungs- oder Änderungsvorschläge. Gerne per eMail (unbedingt mit dieser URL) an uns Autoren (Gabriele Vollmar und/oder Dirk Liesch).

(Wie) funktioniert Wissensmanagement in der Produktion? (Live Session)

Praxisbeispiel aus der Qualitätssicherung im Sonderfahrzeugbau

mit Larissa Uebereck (Qualitätsingenieurin Daimler Truck)

Im Vortrag berichtet Larissa von ihren Erfahrungen und Learnings aus der Qualitätssicherung im Sonderfahrzeugbau bei Daimler Truck. Dort hat sie unter Anwendung von Design Thinking Methoden in enger Zusammenarbeit mit den Mitarbeitenden die Wissensflüsse in der Qualitätssicherung untersucht, sowie einen Optimierungsansatz erarbeitet. Der Vortrag sensibilisiert für die Chancen und Problematiken von WM im Produktionsumfeld und hilft uns dabei zu erkennen, dass WM nicht nur für den klassischen Wissensarbeitenden, sondern auch für Produktionsmitarbeitende relevant ist. (Dauer: 50:56 min):

Index zum Video:

  • 00:00 min : Begrüßung
  • 01:07 min : persönliche Einführung und Vorstellung
  • 01:35 min : Einstieg ins Thema & Grundlagen der Studienarbeit
  • 06:41 min : Praxisbeispiel Mercedes Benz
  • 12:50 min : Vorgehen der Studie
  • 28:40 min : Lösungs-Findung
  • 34:00 min : Praxistest
  • 35:35 min : Fazit: Learnings Beginn

Fragen & Antworten

  • 39:40 min : Wie lange waren die einzelnen Workshops?
  • 40:40 min : Wie geht es nach der Studie weiter?
  • 42:10 min : Gab es Schwierigkeiten, die Mitarbeitenden aus der Werkhalle von einer IT-Lösung wie die der Wissensdokumentation zu überzeugen?
  • 44:05 min : Wie war die Altersstruktur und hatte das einen Einfluss auf die Annahmebereitschaft?
  • 44:50 min : Welche Rolle spielt das Thema Schichtbetrieb im lösungsorientierten Gruppengespräch? Wie schwer war es theoretische Konzepte einzubringen?
  • 48:15 min : Welche Zusammensetzung hatte das Team während des Design Thinking Prozesses?
  • 48:40 min : Gab es Überlegungen den Prototypen anders oder weiter auszuarbeiten?
  • 50:00 min : Abschluss und Danksagung

Kommentare/Hinweise:
Wir freuen uns über Ergänzungs- oder Änderungsvorschläge. Gerne per eMail (unbedingt mit dieser URL) an uns Autoren (Gabriele Vollmar und/oder Dirk Liesch).

Zero Bullshit Knowledge Management (Live Session)

Wissensmanagement so einfach wie möglich, aber nicht einfacher!

mit Dr. Karsten Ehms (Experte für Wissensmanagement und Digitale Zusammenarbeit, Gesellschaft für Wissensmanagement / Siemens AG)

Karsten Ehms versucht in seinem Ansatz eines Zero Bullshit KM seine relevanten Erfahrungen aus über 20 Jahren Wissensmanagement verständlich zu bündeln. Es geht ihm dabei darum, faktenbasiert, seriöse Vereinfachung zu betreiben und dabei auch auf veränderte Rahmenbedingungen einzugehen.(Dauer: 59:43 min)

Index zum Video:

  • 00:00 min : Begrüßung
  • 00:34 min : Vorstellung und persönliche Einführung ins Feld Wissensmanagement
  • 04:09 min : Definition von Wissen + Management. Balanceakt zwischen Personifizierung- und Kodifizierungsstrategie
  • 09:02 min : Warum Zero Bullshit Knowledge Management?
  • 12:26 min : Frage: Vereinfachung von Knowledge Management Theorien? Was ist relevantes Wissen?
  • 13:01 min : Wissensmanagement vereinfachen – Die Struktur von Zero Bullshit Knowledge Management
  • 18:28 min : Frage: Welche Probleme können bei der Kodifizierung und der Weitergabe des Wissens entstehen?
  • 18:55 min : Die Herausforderung, sich auf die Person gegenüber einzulassen sowie weiteres Wissen und Hintergründe einzubeziehen
  • 22:35 min : Tassit Knowledge (Polani) – Stillschweigendes Wissen in geschäftlichen Szenarien
  • 28:07 min : Rückfragen und Ergänzungen
  • 35:37 min : Methoden des Wissensmanagemnts
  • 40:07 min : Wissenstrategie Knowledge Portfolios
  • 42:21 min : Die Bloomsche Taxonomie – Wissenstypen erklärt
  • 45:43 min : Interdisziplinär und weitere „Blind Spots“
  • 49:28 min : Quellen
  • 49:48 min : Fazit und Erfahrungsberichte
  • 56:11 min : Frage: Gibt es aktuelle Theorien im Fach Wissensmanagement?

Kommentare/Hinweise:
Wir freuen uns über Ergänzungs- oder Änderungsvorschläge. Gerne per eMail (unbedingt mit dieser URL) an uns Autoren (Gabriele Vollmar und/oder Dirk Liesch).

Von der Terminologie zum Wissensgraph (Live Session)

mit Thiemo von Gillhaußen (Head of Business Unit Congree Content Analytics, Congree Language Technologies GmbH)

Achtung: Wir entschuldigen uns für Tonstörungen, die während des Mitschnitts aufgetreten sind.

Wissensgraphen sind zu einer wichtigen Komponente der maschinellen Intelligenz geworden, die allgegenwärtige digitale Assistenten antreibt. Wir zeigen Ihnen, wie Sie toolgestützt einen Wissensgraphen aus vorhandener Terminologie ableiten können.

Stichpunkte zum Inhalt:

  • Was ist eine Terminologie ?
  • Was ist ein Wissensgraph?
  • Warum sollte ich mich mit Wissensgraphen und Ontologien beschäftigen?
  • Warum ist die Terminologie ein geeigneter Startpunkt für den Aufbau eines unternehmensweiten Wissensgraphen?

Thiemo von Gillhaußen verantwortet den Unternehmensbereich New Language Technologies bei Congree. Darunter fallen auch die Themen rund um Information Extraction, Content Classification, Text Mining bis hin zum Knowledge- und Ontologieaufbau. Bei seinen früheren Tätigkeiten beschäftigte er sich mit modularer Informationserstellung, der Aufbereitung und Analyse von Massendaten sowie dem bestmöglichen Zugang zu diesen Inhalten. Eines der Kernthemen ist dabei schon immer die Strukturierung von Daten zur Bereitstellung der enthaltenen Informationen.(Dauer: 48:05 min):

Index zum Video:

  • 00:00 min : Begrüßung
  • 00:49 min : persönliche Einführung und Vorstellung
  • 02:01 min : Wie kommen wir von der Terminologie zu einem Wissensgraphen
  • 03:20 min : Was ist Terminologie?
  • 11:34 min : Terminologisches Beispiel: Antriebswellengehäuse
  • 15:22 min : Semantische Analyse
  • 16:48 min : Veranschulichter Knowledge Graph/Wissensgraph
  • 18:59 min : Wie geht es weiter
  • 20:27 min : Ablaufdiagramm
  • 22:52 min : Fazit & Konkreter Nutzen

Beginn Fragen & Antworten

  • 24:50 min : Was ist der Unterschied zwischen einem terminologischen Knowledge Graphen und einer Ontologie?
  • 26:11 min : Wie ist die Zusammenarbeit von ChatBots mit einem Knowledge Graphen?
  • 27:39 min : Inwiefern kommt dann zusätzliches Wissen in Verbindung mit dem Knowledge Graphen?
  • 28:35 min : Wie geht eine Einbindung dieser Terminologien und Knowledge Graphen in die Praxis?
  • 31:01 min : Können auch Synonyme innerhalb der Terminologie verwendet werden?
  • 32:33 min : Wie lassen sich die Begriffe der Terminologie in das tatsächlich Gesprochene einbinden?
  • 34:48 min : Wie ist die Beziehung des Knowledge Graphen zu anderen wissenschaftlichen Objekten, wie beispielsweise Textdokumenten oder Tabellen?
  • 36:40 min : Wie ist die Akzeptanz bei der Implementierung der geprägten Begriffe? Zum Beispiel gegenüber einem vorhandenen internen Wording
  • 39:28 min : Wie gestaltet sich eure Arbeit als TerminologInnen innerhalb eines Unternehmens?
  • 42:44 min : In welchen Bereichen besteht ein hohes Interesse für Terminologien?
  • 45:31 min : Lessons Learned?
  • 47:22 min : Danksagung

Kommentare/Hinweise:
Wir freuen uns über Ergänzungs- oder Änderungsvorschläge. Gerne per eMail (unbedingt mit dieser URL) an uns Autoren (Gabriele Vollmar und/oder Dirk Liesch).