Seminar eccenca Corporate Memory – Datenqualität mit SHACL, OWL und Validierung

Datenqualität in einem Wissensgraphen umfasst Struktur, Werte, Beziehungen und logische Konsistenz. Einzelne Pflichtfeldprüfungen reichen nicht aus, wenn Regeln über mehrere Ressourcen oder Graphen hinweg gelten.

Das Seminar verbindet SHACL-Shapes, OWL-Konsistenzprüfungen und workflowbasierte Validierung zu einem abgestuften Qualitätskonzept. Regelentwurf, Ausführung, Fehlerklassifikation und Freigabe werden an realistischen Qualitätsfällen umgesetzt.

Inhaltsübersicht

1. Seminarziel
2. Zielgruppe
3. Voraussetzungen
4. Seminarinhalte
   1. Schritt 1: Qualitätsdimensionen und Regelkatalog
   2. Schritt 2: SHACL-Grundstruktur
   3. Schritt 3: Beziehungen und komplexe Bedingungen
   4. Schritt 4: SPARQL-basierte Constraints
   5. Schritt 5: OWL-Konsistenz und Reasoning
   6. Schritt 6: Validierungsaufgaben in Build
   7. Schritt 7: Fehleranalyse und Korrekturprozess
   8. Schritt 8: Qualitäts-Gates und Betrieb
5. Praxisübungen
6. Arbeitsweise

Seminarziel

• Qualitätsanforderungen in maschinenprüfbare Regeln übersetzen
• Node Shapes, Property Shapes und SPARQL-basierte Constraints erstellen
• OWL-Konsistenz und SHACL-Validierung sinnvoll voneinander abgrenzen
• Validierung in Build-Workflows, Freigaben und Betriebsüberwachung integrieren

Zielgruppe

Knowledge Engineers, Data Stewards, Datenqualitätsmanager, Ontologieentwickler, Data Engineers und technische Verantwortliche für Freigabeprozesse.

Voraussetzungen

Grundkenntnisse in RDF, Klassen und Eigenschaften. SPARQL-Grundkenntnisse sind für die fortgeschrittenen Constraints hilfreich.

Seminarinhalte

Schritt 1: Qualitätsdimensionen und Regelkatalog

Fachliche Anforderungen werden nach Vollständigkeit, Gültigkeit, Eindeutigkeit, Konsistenz und Aktualität geordnet. Für jede Regel werden Geltungsbereich, Schweregrad und verantwortliche Stelle festgelegt.

• Qualitätsdimensionen
• Regelmetadaten und Verantwortlichkeit
• Fehler- und Warnklassen

Schritt 2: SHACL-Grundstruktur

Node Shapes, Zieldefinitionen und Property Shapes werden aufgebaut. Datentypen, Kardinalitäten, Wertebereiche und Muster bilden die erste Schicht der Qualitätsprüfung.

• Targets und Shape-Struktur
• minCount, maxCount und datatype
• Pattern, in und class

Schritt 3: Beziehungen und komplexe Bedingungen

Abhängigkeiten zwischen Eigenschaften, qualifizierte Kardinalitäten und logische Kombinationen werden modelliert. Wiederverwendbare Teilshapes verhindern doppelte Regelpflege.

• and, or, not und xone
• qualified value shapes
• verschachtelte und wiederverwendbare Shapes

Schritt 4: SPARQL-basierte Constraints

Regeln, die nicht deklarativ ausdrückbar sind, werden als SPARQL-Constraints umgesetzt. Fokus liegt auf klarer Zielmenge, verständlichen Meldungen und vertretbarer Laufzeit.

• SELECT-basierte Prüfungen
• Meldungen und Variablen
• Leistung und Begrenzung

Schritt 5: OWL-Konsistenz und Reasoning

OWL-Prüfungen werden für Klassenlogik, Disjunktheit und Eigenschaftscharakteristika eingesetzt. Die Übungen zeigen, wann logische Inkonsistenz und wann Datenverletzung vorliegt.

• Klassenaxiome und Disjunktheit
• Domain, Range und Eigenschaftsmerkmale
• Reasoning versus Validierung

Schritt 6: Validierungsaufgaben in Build

Entity- und Graphvalidierung werden in Workflows eingebunden. Fehlerdaten, Berichte und Abbruchregeln werden so gestaltet, dass Qualität messbar und der Lauf kontrollierbar bleibt.

• Validate Entities und Validate Knowledge Graph
• pySHACL und OWL-Prüfung
• Abbruch, Warnung und Fehlerausgabe

Schritt 7: Fehleranalyse und Korrekturprozess

Validierungsberichte werden nach Regel, Ressource und Schweregrad ausgewertet. Korrektur, Ausnahmegenehmigung und erneute Prüfung werden als nachvollziehbarer Prozess definiert.

• Berichtsinterpretation
• Quarantäne und Korrektur
• Ausnahmen und Nachprüfung

Schritt 8: Qualitäts-Gates und Betrieb

Regeln werden versioniert und in Entwicklungs-, Test- und Produktionsabläufe eingebunden. Kennzahlen und Trends zeigen, ob Datenqualität dauerhaft steigt oder nur punktuell repariert wird.

• Freigabe-Gates
• Regressionstests für Shapes
• Qualitätskennzahlen und Monitoring

Praxisübungen

1. Erstellung eines Shape-Katalogs mit Pflichtfeldern, Wertebereichen und Beziehungsregeln
2. Implementierung eines SPARQL-Constraints für eine graphübergreifende Geschäftsregel
3. Einbindung der Prüfungen in einen Workflow mit Fehlerausgabe und Freigabeentscheidung

Arbeitsweise

Die Themen werden in aufeinander aufbauenden Arbeitsschritten vermittelt. Fachliche Einordnung, Demonstration, angeleitete Konfiguration und selbstständige Übungen wechseln sich ab. Jeder größere Arbeitsschritt wird mit einer Prüfung des erzeugten Ergebnisses und einer kurzen technischen Dokumentation abgeschlossen.