Das Ziel des Teilprojekts „KI-Brainwareentwicklung“ im Rahmen des Verbundprojekts „KI-LiveS“besteht primär darin, KI-Methoden aus den Bereichen „Ontologien“ und „Case-based Reasoning“ auf die „intelligente“, computergestützte Wiederverwendung von Erfahrungswissen im Projektmanagement konzeptionell zuzuschneiden. Es geht also vorrangig nicht um spezielle KI-Hard- oder KI-Software, auf die sich die anderen Projektpartner des UA-Ruhr-Teams fokussieren, sondern um die praktische Anwendung – und möglichst auch Weiterentwicklung – von Konzepten („Brainware“) der KI-Forschung. Diese Anwendung von KI-Konzepten betrifft einerseits die Integration der bislang überwiegend getrennt behandelten Bereiche „Ontologien“ und „Case-based Reasoning“. Auf diese Weise soll die KI-Methode „Case-based Reasoning“ für das betriebswirtschaftlich besonders interessante Gebiet der fallbasierten Wiederverwendung („Knowledge Reuse“) von insbesondere natürlichsprachlich vorliegendem Wissen mittels Ontologien erschlossen werden. Andererseits ist beabsichtigt, das generische Konzept „Case-based Reasoning“ speziell auf den betrieblichen Anwendungs­-bereich (Domäne) der Wiederverwendung von Erfahrungswissen im Projektmanagement zu fokussieren. Hierzu wird eine Fülle von Erfahrungswissen hochkompetenter Projektmanager(innen) aus der betrieblichen Praxis erforderlich sein, um die branchen-, unternehmens- und projektspezifischen Besonderheiten des relevanten Erfahrungswissens über Projekte („Cases“) zu erheben. Im Hinblick auf das oben angeführte Teilprojektziel werden vor allem fünf Anliegen verfolgt.

1. Gemeinsam mit kooperierenden Unternehmen soll das erforderliche Erfahrungswissen über bereits durchgeführte Projekte erhoben und vor allem hinsichtlich der relevanten begrifflichen Konzepte und ihrer Abhängigkeiten voneinander strukturiert werden. Hierzu werden vor allem Experteninterviews dienen, aber auch andere Methoden, wie z. B. Use Cases, Story Telling und Qualitative Inhaltsanalysen. Ebenso geht es darum, die vielfältigen Quellen zu identifizieren, in denen das Erfahrungswissen eines Unternehmens über bereits durchgeführte Projekte vorgehalten wird. Dies kann von Datenbanken und Dokumentenmanagementsystemen für z. B. „Lessons Learned“ über Projektmanagement-Kollaborationssoftware bis hin zu den „Köpfen der Mitarbeiter“ (für „tacit knowledge“) reichen. In diesem Zusammenhang gilt es auch zu klären, welches projekt- und unternehmensspezifische Erfahrungswissen in welcher Form (verfremdet sowie pseudo- oder anonymisiert) in das KI-LiveS-Teilprojekt, wie z. B. ein „Data Repository“ für Projektdaten, eingebracht werden kann.
2. Das Erfahrungswissen über bereits durchgeführte Projekte muss im Hinblick auf verfügbare KI-Software in „computerkompatibler” Weise formalisiert werden. Hierzu werden Software-Tools, vor allem der international weit verbreitete Ontologie-Editor „Protégé“, eingesetzt werden.
3. Der KI-Software-Prototyp „jCORA“ für ontologiegestütztes Case-based Reasoning, der vom Institut PIM in einem früheren BMBF-Projekt konzipiert und implementiert wurde, soll bei kooperierenden Unternehmen eingesetzt werden, um die „intelligente“ Wiederverwendung von Erfahrungswissen im Projektmanagement im betrieblichen Projektalltag zu erproben, seitens der Unternehmensmitarbeiter(innen) kritisch zu bewerten und entsprechend weiterzuentwickeln.
4. Es ist beabsichtigt, Regeln zur Anpassung des Erfahrungswissens über möglichst ähnliche alte, bereits durchgeführte Projekte an neue Projekte zu ermitteln. Diese Anpassungsregeln spielen für das praktische Projektmanagement eine herausragende Rolle, bleiben jedoch zumeist „in den Köpfen“ hochkompetenter Projektmanager(innen) als implizites Wissen „eingesperrt“. Die Explizierung und Formalisierung dieses erfahrungsbasierten Anpassungswissens wird eine besondere Herausforderung für die Weiterentwicklung des KI-Software-Prototyps „jCORA“ darstellen.
5. Ein besonderes Anliegen des Teilprojekts besteht darin, nicht nur Spezialanwendungen („Lösungen“) von KI-Software für einzelne Unternehmen zu entwickeln und zu untersuchen. Vielmehr geht es auch um die möglichst breite Wiederverwendung von konzeptionellem Know-how („Brainware“) in unterschiedlichen Wirtschaftsbereichen (Branchen, Domänen). Als Anwendungsdomänen der Projektarbeiten kommen – in Abhängigkeit von den Interessen und Kompetenzen der kooperierenden Unternehmenspartner – vor allem Anlagenbau-, Digitalisierungs-, IT-Sicherheits- und Logistikprojekte in Betracht.

Erwartungen an Unternehmen, die mit dem Institut PIM zusammenarbeiten möchten:

Im Teilprojekt „KI-Brainwareentwicklung“, das auf die „intelligente“ Wiederverwendung von Erfahrungswissen im Projektmanagement mithilfe von ontologiegestützten Case-based-Reasoning-Systemen abzielt, wird es vor allem darum gehen, mit den kooperierenden Unternehmen ‒ sofern sie daran interessiert sind ‒ folgende Aspekte gemeinsam zu klären:

1. Welche betrieblichen Anforderungen werden an die innerbetriebliche Wiederverwendung von Erfahrungswissen aus alten, bereits durchgeführten Projekten für neue, in Zukunft durchzuführende Projekte aus einer Unternehmensperspektive gestellt? Diese Anforderungsanalyse wird im Zentrum der Startphase des KI-LiveS-Teilprojekts des Instituts PIM stehen.
2. Welches Erfahrungswissen liegt im Unternehmen über „mehr oder minder“ erfolgreich in der Vergangenheit gemanagte Projekte („alte Projekte“, „Cases“) in welchen Formen – z. B. als „lessons learned“, „debriefings“, „project reports“ oder auch „nur in den Köpfen“ der Projektmitarbeiter(innen) als „tacit knowledge“ – vor?
3. Welche Datenquellen stehen im Unternehmen hinsichtlich des vorgenannten Erfahrungswissens zur Verfügung, sofern das Erfahrungswissen computergestützt gespeichert wird?
4. In welchen rechtlichen Arrangements dürfen diese Datenquellen im Rahmen des Teilprojekts KI-Brainwareentwicklung“ – wie z. B. in einem „Data Repository“ – verwendet werden?
5. Wie kann dieses Erfahrungswissen über alte Projekte in Zusammenarbeit mit PIM-Teams – bestehend aus wissenschaftlichen Mitarbeiter(inne)n, Verfasser(inne)n von Bachelor-, Master- und Doktorarbeiten sowie Master-Studierenden aus der Veranstaltung „Projekt- und problemorientiertes Lernen“ (PPL) – in computergestützter Form aufbereitet werden (Experteninterviews, Use Cases, Story Telling, computergestützte Qualitative Inhaltsanalyse, „Text-to-Onto“-Ansätze usw.)?
6. Wie beurteilen einzelne Mitarbeiter(innen) im Bereich Projektmanagement die prototypische Entwicklung und den exemplarischen Einsatz des ontologiebasierten Case-based-Reasoning-Systems „jCORA“ hinsichtlich der Wiederverwendung von Erfahrungswissen aus alten Projekten für neue Projekte im betrieblichen Kontext ihrer Projektmanagement-Arbeitsplätze?
7. Welche Unterstützung wünschen sich die vorgenannten Mitarbeiter(innen) für ihre Qualifizierung hinsichtlich des Umgangs mit ontologiebasierten Case-based-Reasoning-Systemen in der betrieblichen Praxis? Insbesondere geht es darum, welche „Lernhilfen“ mit welchen Inhalten und in welcher Form – wie z. B. die mediale Aufbereitung der Inhalte, die Zeitdauer der Lerneinheiten sowie die Optionen der Lernfortschrittskontrolle – seitens der betrieblichen Praxis gewünscht werden.

Kurze Beschreibung der Besonderheiten einer „intelligenten“ Wiederverwendung von Erfahrungswissen im Projektmanagement mithilfe von ontologiegestützten Case-based-Reasoning-Systemen:

Das Case-based Reasoning (CBR) – auch als fallbasierte Schließen bezeichnet – stellt eine Methode des Knowledge Engineerings aus dem Bereich der Erforschung Künstlicher Intelligenz (KI) dar. Sie ermöglicht es, Lösungen für neue Probleme (hier synonym: Cases, Fälle, Projekte) zu planen, indem Wissen über Lösungen für möglichst ähnliche alte, bereits gelöste Probleme mittels analogen Schließens computergestützt wiederverwendet wird.

Die CBR-Methode zeichnet sich durch sechs charakteristische Merkmale aus.

1. Sie ermöglicht die „intelligente“ (vgl. Punkt 4), computergestützte Wiederverwendung von Wissen, insbesondere von Erfahrungswissen, das in früheren wissensbasierten Problemlösungsprozessen erworben wurde.
2. Die CBR-Methode erstreckt sich – im Gegensatz zu den meisten betriebswirtschaftlich etablierten Methoden des Operations Research – nicht vornehmlich auf quantitatives Wissen, das in numerischer Form relativ leicht mit konventionellen Algorithmen verarbeitet werden kann. Vielmehr fokussiert sich die CBR-Methode auf die Verarbeitung von qualitativem Wissen, das zu meist in natürlichsprachlicher Form vorliegt.
3. Die CBR-Methode eignet sich aus betriebswirtschaftlicher Sicht vor allem für die Wiederverwendung von Erfahrungswissen im Bereich des Projektmanagements, weil dieses projektbezogene Erfahrungswissen in der Gestalt von „debriefings“, „lessons learned“, „project reports“ u. Ä. in Unternehmen mit ausgeprägter Projekttätigkeit sowohl umfangreich als auch in überwiegend natürlichsprachlicher Form vorliegt.
4. Die computergestützte Wiederverwendung von Erfahrungswissen aus früher durchgeführten Projekten erfolgt in zweifacher Hinsicht auf „intelligente“ Weise.
   • Es wird versucht, möglichst viel Wissen auf die Planung eines neuen Projekts zu übertragen, indem Erfahrungswissen aus (mindestens) einem möglichst ähnlichen alten, früher durchgeführten Projekt wiederverwendet wird, sodass eine umfangreiche Neuplanung „von Grund auf“ entfallen kann. Dies ist das Grundprinzip des analogen Schließens, dem zufolge ähnliche Probleme (Projekte) auch ähnliche Lösungen (Projektplanungen) aufweisen. Dieses Grundprinzip lässt sich zwar kritisch hinterfragen, liegt jedoch der CBR-Methode als Basisprämisse zugrunde. Infolge dieses Grundprinzips braucht eine Anpassungsplanung nur in demjenigen geringen Umfang durchgeführt zu werden, in dem das neue Projekt vom ähnlichsten alten Projekt abweicht.
   • Die CBR-Methode gestattet es, Erfahrungswissen über früher durchgeführte Projekte aufgrund eines inhaltlichen Verständnisses der projektbezogenen Wissensrepräsentationen zu verarbeiten. Zu dieser inhaltlichen oder semantischen Wissensverarbeitung sind konventionelle Computertechniken, die sich nur an numerischen oder sonstigen rein formalsprachlichen (syntaktischen) Wissensaspekten orientieren, nicht in der Lage. Um das inhaltliche Wissensverständnis computergestützt zu ermöglichen, bieten sich vor allem sogenannte Ontologien an, die ebenso aus der KI-Forschung stammen.
5. Die CBR-Methode ermöglicht selbstlernende Wissensmanagementsysteme, weil der Umfang der Projektwissensbank mit jeder Bearbeitung eines neuen Projekts ansteigt, sodass das Potenzial für die Identifizierung ähnlichster alter Projekte von Projekt zu Projekt ansteigt. Dies gilt sowohl im Hinblick auf die Identifizierung von alten Projekten mit möglichst großer Projektähnlichkeit als auch in Bezug auf das Erreichen oder Überschreiten einer aus Gründen der Planungsqualität vorgegebenen Mindestähnlichkeit.
6. Die CBR-Methode ist der sogenannten „White-Box-KI“ oder „Explainable AI“ (XAI) zuzuordnen, weil sie es gestattet, ihre Empfehlungen für die Planung eines neuen Projekts auf transparente Weise zu begründen. Zu diesen Begründungen zählen vor allem das jeweils ausgewählte ähnlichste alte Projekt, die Anwendung eines Ähnlichkeitsmaßstabs für die Navigation im natürlichsprachlichen „semantischen Raum“ einer Ontologie sowie die Anpassungsregeln, die für die Anpassung eines ähnlichsten alten Projekts an das jeweils betrachtete neue Projekt eingesetzt werden. Mittels dieser Begründungsfähigkeit unterscheidet sich die CBR-Methode deutlich vom derzeit vorherrschenden Mainstream der KI-Forschung in der Gestalt von Deep Learning Networks, die aufgrund ihrer kaum nachvollziehbaren internen Funktionsweise der sogenannten „Black-Box-KI“ zugerechnet werden.

Das Ziel des Einsatzes der CBR-Methode im betrieblichen Projektmanagement besteht vor allem darin, sowohl die Effektivität als auch die Effizienz der Wiederverwendung von projektbezogenem (Erfahrungs-)Wissen zu stärken.

• Der Effektivitätsaspekt betrifft die verbesserte oder sogar erstmals ermöglichte Wiederverwendung natürlichsprachlichen Wissens über Projekte, das sonst oftmals in Dokumentenverwaltungssystemen oder in den „Köpfen der Mitarbeiter“ eingesperrt bleibt und nur in bescheidenem Ausmaß für neue Projekte genutzt wird.
• Der Effizienzaspekt erstreckt sich darauf, dass für die Planung neuer Projekte ein Großteil des Wissens über ähnlichste alte Projekte unverändert wiederverwendet werden kann und – im Vergleich zur sonst üblichen umfassenden Neuplanung von Projekten – nur ein relativ kleiner Anteil von Anpassungsplanungen erforderlich ist, um das Wissen über ähnlichste alte Projekte an neue Projekte anzupassen. Eine inhaltliche Verwandtschaft zum Net-Change-Prinzip des betriebswirtschaftlichen Operations Managements drängt sich in dieser Hinsicht unmittelbar auf, wurde aber aus wissenschaftlicher Sicht bislang kaum diskutiert.

Die instrumentelle Unterstützung der CBR-Methode lässt sich anhand des weithin bekannten „CBR-4R-Zyklus“ in Anlehnung an Aamodt und Plaza verdeutlichen; vgl. dazu die nachfolgende Abbildung:

Erläuterung des „CBR-4R-Zyklus“:

1. Zunächst wird vom Projektmanagement ein neues Projekt in der Form einer überwiegend natürlichsprachlichen Projektbeschreibung als ein Planungsauftrag (oder als ein zu lösendes Problem) spezifiziert.
2. In der Retrieve-Phase wird anhand der Projektbeschreibung in der Projektwissensbank (mindestens) ein ähnlichstes altes, früher durchgeführtes Projekt identifiziert. Wesentliche Instrumente sind hierbei Ontologien, welche die computergestützte Verarbeitung insbesondere natürlichsprachlichen Wissens ermöglichen und aufgrund ihrer Repräsentation in Ontologie-Graphen eine Ähnlichkeitsmessung zwischen begrifflichen Konzepten als Weglängen zwischen konzeptdarstellenden Knoten gestatten. Falls in der Retrieve-Phase kein altes Projekt gefunden wird, das eine benutzerseitig vorgegebene Mindestähnlichkeit aufweist, wird die Anwendung der CBR-Methode ergebnislos abgebrochen. Daher führt die CBR-Methode nicht immer zu einem erfolgreichen Ergebnis der Wissenswiederverwendung und unterscheidet sich hierdurch von konventionellen Algorithmen.
3. In der Reuse-Phase erfolgt eine Gap-Analyse hinsichtlich der Abweichungen zwischen dem (mindestens) einen ausgewählten ähnlichsten alten Projekt und dem vorgegebenen neuen Projekt. Anhand der identifizierten Abweichungen wird das Resultat aus der Planung und Durchführung für das alte Projekt mithilfe von Anpassungsregeln an das neue Projekt angepasst. Das Anpassungsergebnis – das Projektresultat – ergänzt die eingangs vorgegebene Projektbeschreibung.
4. In der Revise-Phase wird das Projektresultat hinsichtlich seiner Plausibilität überprüft („validiert“) und hinsichtlich seiner Wiederverwendungseignung evaluiert. Dies kann sowohl „manuell“ durch erfahrene Projektmanager(innen) als auch computergestützt mittels Integritäts- bzw. Generalisierbarkeitsregeln geschehen. Falls sich grundlegende Plausibilitäts- oder Wiederverwendbarkeitsanforderungen nicht erfüllen lassen, wird die Anwendung der CBR-Methode abermals ergebnislos abgebrochen. Andernfalls fließen die Erkenntnisse der Revise-Phase in die sogenannte Projektbewertung ein.
5. In der Retain-Phase wird das Tripel aus der Projektbeschreibung, dem Projektresultat und der Projektbewertung für das neue, nunmehr geplante Projekt als Wissen über ein „neues altes Projekt“ in die Projektwissensbank aufgenommen.
6. Zugleich werden das Projektresultat und die Projektbewertung als eine Handlungsempfehlung (oder als eine Problemlösung) für das neue Projekt an das Projektmanagement ausgegeben.

Aktuelle Entwicklungen: Für die computergestützte Anwendung der CBR-Methode werden mehrere Software-Produkte angeboten, wie z. B. myCBR, jColibri, jCORA und – speziell für Ontologien – Protégé. Diese Software-Produkte lassen sich jedoch für den professionellen Einsatz im betrieblichen Alltag, vor allem des Projektmanagements, allenfalls im Sinne von Prototypen benutzen, weil sie noch vielfältigen Einschränkungen hinsichtlich ihrer Praktikabilität, insbesondere ihrer Benutzerfreundlichkeit, unterliegen. Die CBR-Methode wird zurzeit vor allem in folgenden Hinsichten weiterentwickelt:

• Integration von Ontologien in die CBR-Methode für die Verarbeitung von primär natürlichsprachlichem projektbezogenem (Erfahrungs-)Wissen,
• computergestützte Konstruktion von domänen- und unternehmensspezifischen Ontologien sowie von Projektbeschreibungen, ‑resultaten und ‑bewertungen auf der Basis von unternehmensintern verfügbaren Dokumenten des Projektmanagements sowie
• Entwicklung von heuristischen Regeln für die Anpassung der Projektresultate von alten Projekten an die Projektbeschreibungen von neuen Projekten.