Seminar metaphactory – AI-gestützte semantische Modellierung

Das zweitägige Seminar behandelt den kontrollierten Einsatz AI-gestützter Modellierungsfunktionen in metaphactory. Fachliche Anforderungen werden in überprüfbare Vorschläge für Klassen, Beziehungen, Attribute und Modellstrukturen überführt, wobei menschliche Freigabe, Nachvollziehbarkeit und Qualitätskontrolle verbindlich bleiben.

Inhaltsübersicht

• Lernziele und fachliche Einordnung
• Schrittweise Seminarinhalte
• Praxisübungen und Laborszenarien
• Zielgruppe und Voraussetzungen
• Didaktik und Arbeitsweise

Lernziele

• Geeignete und ungeeignete Einsatzfelder AI-gestützter Modellierung unterscheiden.
• Modellierungskontext, Terminologie und fachliche Anforderungen für hochwertige Vorschläge vorbereiten.
• Vorschläge für Klassen, Relationen, Attribute und Dokumentation systematisch erzeugen und prüfen.
• AI-Unterstützung mit bestehenden Ontologien, Vokabularen und Modellierungsmustern verbinden.
• Evaluations-, Freigabe- und Governance-Verfahren für produktive Modellierungsprozesse etablieren.

Schrittweise Seminarinhalte

1. Einsatzrahmen und Human-in-the-Loop

Schwerpunkt: Nutzen, Grenzen, Verantwortlichkeit, Vertraulichkeit, Halluzinationsrisiken, fachliche Freigabe und dokumentierte Entscheidungen.

1. Ausgangslage, fachliche Anforderungen und messbare Akzeptanzkriterien für den Themenblock „Einsatzrahmen und Human-in-the-Loop“ erfassen.
2. Relevante Ressourcen, Rollen, Datenobjekte und Abhängigkeiten anhand von Nutzen, Grenzen, Verantwortlichkeit, Vertraulichkeit, Halluzinationsrisiken, fachliche Freigabe und dokumentierte Entscheidungen modellieren.
3. Die erforderliche Konfiguration oder Arbeitsfolge in der metaphactory-Laborumgebung beziehungsweise im Prozessmodell schrittweise umsetzen.
4. Funktion, Berechtigungen, Datenqualität, Protokollierung und Fehlerverhalten mit definierten Positiv- und Negativfällen prüfen.
5. Als Arbeitsergebnis einen fachlich geprüften und wiederholbaren Standard für „Einsatzrahmen und Human-in-the-Loop“ dokumentieren.

2. Kontextaufbereitung und Modellierungsauftrag

Schwerpunkt: Use Case, Kompetenzfragen, Terminologie, Modellgrenzen, vorhandene Ontologien, Zielgruppen und Akzeptanzkriterien.

1. Ausgangslage, fachliche Anforderungen und messbare Akzeptanzkriterien für den Themenblock „Kontextaufbereitung und Modellierungsauftrag“ erfassen.
2. Relevante Ressourcen, Rollen, Datenobjekte und Abhängigkeiten anhand von Use Case, Kompetenzfragen, Terminologie, Modellgrenzen, vorhandene Ontologien, Zielgruppen und Akzeptanzkriterien modellieren.
3. Die erforderliche Konfiguration oder Arbeitsfolge in der metaphactory-Laborumgebung beziehungsweise im Prozessmodell schrittweise umsetzen.
4. Funktion, Berechtigungen, Datenqualität, Protokollierung und Fehlerverhalten mit definierten Positiv- und Negativfällen prüfen.
5. Als Arbeitsergebnis einen fachlich geprüften und wiederholbaren Standard für „Kontextaufbereitung und Modellierungsauftrag“ dokumentieren.

3. AI-gestützte Modellentwürfe

Schwerpunkt: Klassen, Beziehungen, Attribute, Beschreibungen, Benennungsregeln, Strukturvorschläge und iterative Verfeinerung.

1. Ausgangslage, fachliche Anforderungen und messbare Akzeptanzkriterien für den Themenblock „AI-gestützte Modellentwürfe“ erfassen.
2. Relevante Ressourcen, Rollen, Datenobjekte und Abhängigkeiten anhand von Klassen, Beziehungen, Attribute, Beschreibungen, Benennungsregeln, Strukturvorschläge und iterative Verfeinerung modellieren.
3. Die erforderliche Konfiguration oder Arbeitsfolge in der metaphactory-Laborumgebung beziehungsweise im Prozessmodell schrittweise umsetzen.
4. Funktion, Berechtigungen, Datenqualität, Protokollierung und Fehlerverhalten mit definierten Positiv- und Negativfällen prüfen.
5. Als Arbeitsergebnis einen fachlich geprüften und wiederholbaren Standard für „AI-gestützte Modellentwürfe“ dokumentieren.

4. Abgleich mit Standards und Wiederverwendung

Schwerpunkt: RDF, OWL, SHACL, Modellierungsmuster, öffentliche Ontologien, kontrollierte Vokabulare und Importabhängigkeiten.

1. Ausgangslage, fachliche Anforderungen und messbare Akzeptanzkriterien für den Themenblock „Abgleich mit Standards und Wiederverwendung“ erfassen.
2. Relevante Ressourcen, Rollen, Datenobjekte und Abhängigkeiten anhand von RDF, OWL, SHACL, Modellierungsmuster, öffentliche Ontologien, kontrollierte Vokabulare und Importabhängigkeiten modellieren.
3. Die erforderliche Konfiguration oder Arbeitsfolge in der metaphactory-Laborumgebung beziehungsweise im Prozessmodell schrittweise umsetzen.
4. Funktion, Berechtigungen, Datenqualität, Protokollierung und Fehlerverhalten mit definierten Positiv- und Negativfällen prüfen.
5. Als Arbeitsergebnis einen fachlich geprüften und wiederholbaren Standard für „Abgleich mit Standards und Wiederverwendung“ dokumentieren.

5. Evaluation, Review und Governance

Schwerpunkt: Qualitätsmetriken, Testfälle, Vergleich von Varianten, fachliches Review, Freigabestatus, Änderungsnachweis und kontinuierliche Verbesserung.

1. Ausgangslage, fachliche Anforderungen und messbare Akzeptanzkriterien für den Themenblock „Evaluation, Review und Governance“ erfassen.
2. Relevante Ressourcen, Rollen, Datenobjekte und Abhängigkeiten anhand von Qualitätsmetriken, Testfälle, Vergleich von Varianten, fachliches Review, Freigabestatus, Änderungsnachweis und kontinuierliche Verbesserung modellieren.
3. Die erforderliche Konfiguration oder Arbeitsfolge in der metaphactory-Laborumgebung beziehungsweise im Prozessmodell schrittweise umsetzen.
4. Funktion, Berechtigungen, Datenqualität, Protokollierung und Fehlerverhalten mit definierten Positiv- und Negativfällen prüfen.
5. Als Arbeitsergebnis einen fachlich geprüften und wiederholbaren Standard für „Evaluation, Review und Governance“ dokumentieren.

Praxisübungen und Laborszenarien

• Erstellung eines strukturierten Modellierungsauftrags aus Kompetenzfragen und Fachbegriffen.
• Vergleich mehrerer AI-generierter Modellentwürfe anhand definierter Qualitätskriterien.
• Aufbau eines Review- und Freigabeprozesses mit dokumentierter menschlicher Entscheidung.

Zielgruppe und Voraussetzungen

Zielgruppe: Knowledge-Graph-Engineering, Ontologiemodellierung, Data Governance, Fachmodellierung und Enterprise Architecture.

Voraussetzungen: Grundkenntnisse in RDF, OWL und SHACL sowie praktische Erfahrung mit semantischer Modellierung oder dem Visual Ontology Editor.

Didaktik und Arbeitsweise

Kurze Fachimpulse werden unmittelbar durch Demonstrationen, strukturierte Konfigurationsschritte, Praxisübungen und kontrollierte Fehlerfälle vertieft. Jede Übung verwendet definierte Ausgangswerte, Prüfpunkte und Dokumentationsanforderungen, damit die erarbeiteten Abläufe als reproduzierbarer Arbeits- oder Betriebsstandard einsetzbar bleiben.