This is the presentation I held during the oral exam of my Bachelor Thesis. The presentation is about where we can find expert knowledge around the internet and how we can excerpt this knowledge and use it as a basis for a Case-Based Reasoning system. The second part of the thesis shows which principles of Software Engineering are used to implement an extraction prototype into a sophisticated development tool for CBR-systems. The slides are provided in German.

1. Implementierung der
Knowledge Engineering Workbench
in myCBR
Bachelorprüfung
Alexander Hundt 24. August 2011

2. Übersicht des Vortrags
● Einführung
● Theoretische Hintergründe dieser Arbeit
● Entwicklung & Konzeption
● Implementierung
● Evaluation
● Ausblick

3. Einführung

4. Wissen als Produkt
Warum muss Wissen
heute „gemanaged“
werden?
● Fülle an unzusam-
menhängenden Daten
● Aggregation der Daten
in einem
Zusammenhang zu
Wissen

5. Experten nutzen
Ein Zusammenhang
ergibt sich auch
durch gemachte
Erfahrungen
● Rat von Experten mit
viel Erfahrung sehr
gefragt
● Aber wo finden wir
Experten?

6. Suche nach Rat im Internet
Suchmaschinen? Communities?
● Liefern (leider) doch ● „... Gruppe von
wieder Daten Menschen, die ein
gemeinsames Ziel
verfolgen, gemeinsame
Interessen pflegen ...“
[duden.de]

7. Mein Freund, der Experte
Communities bieten...
● Implizites Wissen durch ● Implizites Wissen über
eine Gemeinschaft aus Qualität der Experten
Experten

8. Vergessene Communities
Communities sind keine Neuerscheinung
des Web 2.0, siehe z.B.
● Foren
● Chats
Techniken des
Web 2.0 unterstützen
jedoch eine kollaborativere
Generierung von Wissens-
quellen

9. Motivation:
Nutzbarmachung dieses in
Web-Communities vorhandenen Wissens

10. Theoretische Hintergründe dieser
Arbeit

11. Repräsentation von Wissen
● Idealerweise dem menschlichen
Erfahrungsspeicher ähnlich
● Häufige Herangehensweise:
Ich habe ein Problem.
Ich suche eine Lösung.
Ich finde ähnliche Probleme und werde deren
Lösungen verändern um mein Problem zu lösen.
Geeignete Wahl: Case-Based Reasoning

12. Case-Based Reasoning
Aufteilung eines CBR-
Systems in Wissens-
container
● Vocabulary
Definitionen des Modell-
wissens

13. Case-Based Reasoning
Aufteilung eines CBR-
Systems in Wissens-
container
● Case base
Speichert Erfahrungs-
wissen in Fällen

14. Case-Based Reasoning
Aufteilung eines CBR-
Systems in Wissens-
container
● Adaption knowledge
Wissen über Lösungs-
transformationen

15. Case-Based Reasoning
Aufteilung eines CBR-
Systems in Wissens-
container
● Similarity measures
Wissen über Art und
Änderung von
Ähnlichkeitsmaßen

16. Befüllen der Wissenscontainer
● Gleichmäßiges ● Werkzeuge zur
Befüllen aller Befüllung benötigt
Container ratsam
● Open-Source Werkzeug
zur Erstellung von CBR-
Anwendungen

17. Befüllen der Wissenscontainer
● Gleichmäßiges ● Werkzeuge zur
Befüllen aller Befüllung benötigt
Container ratsam
● Open-Source Werkzeug
zur Erstellung von CBR-
Anwendungen

18. Nutzen der Communities in CBR
● Wissen aus den ● Prototyp bereits
Web-Communities vorhanden:
soll extrahiert
werden Knowledge
● Extrahiertes Engineering
Wissen für myCBR Workbench
[Sauer, 2010]
zugänglich machen

19. Aufgabe:
Integration der prototypischen
Implementierung direkt in myCBR

20. Notwendige Bedingungen
● Klare Abgrenzung vom prototypischen
Status
● Erreichung einer methodischen Qualitäts-
steigerung
● Einbeziehung von Prinzipien und
Techniken ingenieursmäßiger Software-
entwicklung aus dem Software
Engineering

21. Software Engineering Prinzipien
● Modularisierung
● Minimale Kopplung
● Maximale Kohäsion
● Information Hiding
● Lokalität
● Verbalisierung

22. Entwicklung & Konzeption

23. Requirements Engineering
● Analyse der bestehenden Systeme
● Erhebung der Anforderungen
● Beschreibung der Funktionalitäten
● Erstellung eines Pflichtenhefts

24. Analyse myCBR
● Trennung von funktionaler Software und
grafischem UI
MyCBR GUI
MyCBR 3.0 Beta
● Einbindung als Plug-In
● GUI basiert auf eclipse RCP Bundle
● Einbindung weiterer Bundles möglich

25. Analyse KEWo
● Grafisches UI auf Basis von AWT/Swing
KEWo
● Einbindung der GATE- SQL- GATE-
Architektur für Named Connector Connector
Entity Recognition
Forum ANNIE
● Anbindung an die SQL-
Datenbank eines Zielforums

26. Kernbestandteile der KEWo

27. Code-Review KEWo
Genereller Aufbau Die Folge
● Funktionalitäten in GUI ● Modularität
Klasse ● Minimale Kopplung
● Vorrangig „globale“ ● Maximale Kohäsion
Klassenvariablen
● Information Hiding
● Umgebungs-variablen
statisch in zusätzlicher ● Lokalität
Datei ● Verbalisierung

28. Zielbeschreibung
Zukünftiger Aufbau
eclipse RCP Bundle
● Erhaltung der
Funktionalitäten GUI KEWo Func
● Implementierung als
RCP Bundle für myCBR
SQL- GATE-
● Ergänzung um nicht- Connector Connector
funktionale
Anforderungen
(Änderbarkeit, Erweiter- Forum ANNIE
barkeit, Wartbarkeit,
etc.)

29. Implementierung

30. Aufgabenplanung
● Zerlegung der beschriebenen Ziele in
konkrete Arbeitsphasen
1. Aufbau der grafischen Bedienelemente
2. Implementierung funktionaler Anforderungen
3. Optimierung der bisherigen Implementierungen
4. Validierung der Implementierungen durch Tests

31. Aufbau der Bedienoberfläche
Funktionalität identisch
Provider
Trennung von Funktionalität GUI Func
und GUI durch Connectoren

32. Funktionale Anforderungen
● Beschrieben durch Pflichtenheft
● Umsetzung in separate Klassen
● Kappselung der einzelnen Funktionen
● Definition von Schnittstellen
kewo.func kewo.plugin kewo.plugin
.ui
Paketeinteilung

33. Optimierungen & Tests
Keine eigenständigen Prozessschritte,
sondern kontinuierliche Begleitung bei
Konzeption und Implementierung
● Optimierungen
● einheitliche Verbalisierung
● Verkürzung des Codes
● Tests
● Benutzertests
● Teilweise Codevalidierung mittels JUnit

34. Evaluation

35. Evaluation KEWo Prototyp
Evaluation soll Trefferquote der KEWo
bewerten
● Festlegung eines Testraumes
● Bewertung mittels Recall und Precision
Krankheiten Orte Medikamente

36. Evaluation KEWo Plug-In
Evaluation sollte alte Testergebnisse
erreichen
● Reproduktion der ursprünglichen Evaluation

37. Vergleich und Bewertung
Evaluation 1 Evaluation 2
● Precision: 0,846 ● Precision: 0,75
● Recall: 0,579 ● Recall: 0,447
Ergebnisse differieren um etwa 10%
Mögliche Ursachen:
● keine identischen Beiträge verwendet
● keine klare Eingrenzung welche Begriffe vom
Experten als relevant gezählt werden

38. Ausblick

39. Heute das Forum und morgen...
… ein Branchenbuch? Größere und aktuellere
Communities nutzen!

40. Vielen Dank für Ihre Aufmerksamkeit