Nürnberger Trichter
24. April 2023 17:08 Uhr | Dr. Ulrich Kampffmeyer | Permalink
Da hat doch die Theum AG meinen alten „Nürnberger Trichter für das Wissensmanagement“ in den Essentials ausgegraben …(https://bit.ly/440SwSs). Der „Nürnberger Trichter“ als ein scherzhaftes Bild für mechanische Lernmethoden, bei dem Wissen in die Köpfe der Schüler gepresst wird, ist vielen noch aus Schulzeiten vertraut.
Das Bild hatte ich für mein Buch „Untersuchungen zur rechnergestützten Klassifikation der Form von Keramik“ 1987 (!) erstellt und 1988 veröffentlicht (https://d-nb.info/871304600). Im dortigen Kapitel zum Ausblick ging es um die Entwicklung von Expertensystemen. Der Nürnberger Trichter stand hier für die Menge an verschiedenen Informationsobjekten, die in eine – so der damalige Anspruch – „Wissens-Maschine“ gefüllt, dort ausgewertet und in Wissen verwandelt ausgegeben werden. Das Ergebnis – Wissen – hatte ich damals auf Grund der technischen Möglichkeiten mit einem großen „Fragezeichen“ versehen.
Wissensmanagement war 1988 noch kein geläufiges Schlagwort. Wir sprachen von Expertensystemen, die regelbasiert Informationen auswerten und Ergebnisse produzierten. Expertensysteme stellten einen Bereich des Arbeitsgebietes Künstliche Intelligenz dar, bei dem eine besondere Betonung auf einem Wissensschatz, der Wissensbasis, und Regeln zu dessen Erschließung gelegt wurden. Mit den damaligen technischen Mitteln – Rechner, Software, Performance, Speicher usw. – ein sehr aufwändige Verfahren. Meine Meinung damals: „Der ‚Nürnberger Trichter’ für Expertensysteme, der Informationen automatisch aufbereitet und erschließt, muss erst noch erfunden werden.„
Heute, 35 Jahre später, haben wir mannigfaltige Werkzeuge, die Inhalte erschließen und aus den Informationen Wissen generieren. Künstliche Intelligenz liefert praktikable Ergebnisse und wurde durch Anwendungen wie ChatGPT der Allgemeinheit zugänglich. Die notwendige „Knowledge Engine“ ist heute verfügbar. Für hausinterne Anwendungen sind aber Regelwerke, vorhandene Strukturen und Metadaten weiterhin sehr nützlich und erhöhen die Qualität der Ergebnisse. So sieht sich wahrscheinlich auch Theum heute in der Position der „Wissens-Maschine“, die aus den im Unternehmen vorhandenen Informationen neues Wissen generiert.
Dr. Ulrich Kampffmeyer
Translated by Deepl.com
That’s when Theum AG dug up my old „Nuremberg funnel“ for „knowledge management“ in the Essentials …(https://bit.ly/440SwSs). Many are still familiar with the „Nuremberg funnel“ as a joking image for mechanical learning methods in which knowledge is pressed into students‘ heads from school days.
I had made the picture for my book „Untersuchungen zur rechnergestützten Klassifikation der Form von Keramik“ in 1987 (!) and published it in 1988 (https://d-nb.info/871304600). The outlook chapter there was about the development of expert systems. The Nuremberg funnel stood here for the quantity of different information objects, which are filled into – so the claim at that time – a „knowledge machine“, evaluated there and output transformed into knowledge. The result – knowledge – I had provided at that time due to the technical possibilities with a large „question mark“.
Knowledge management was not yet a common buzzword in 1988. We were talking about expert systems that evaluated information and produced results based on rules. Expert systems represented an area of the artificial intelligence field of work that placed a special emphasis on a body of knowledge, the knowledge base, and rules for tapping it. With the technical means at that time – computers, software, performance, memory, etc. – a very elaborate procedure. My opinion at the time: „The ‚Nuremberg funnel‘ for expert systems, which automatically prepares and indexes information, has yet to be invented.„
Today, 35 years later, we have multiple tools that unlock content and generate knowledge from the information. Artificial intelligence delivers viable results and has been made available to the general public through applications like ChatGPT. The necessary „knowledge engine“ is available today. However, for in-house applications, rule sets, existing structures and metadata are still very useful and increase the quality of the results. Thus, Theum probably also sees itself today in the position of the „knowledge engine“ that generates new knowledge from the information available in the company.
Dr. Ulrich Kampffmeyer
