Ursprünglich auf Französisch verfasst. Von KI übersetzt — der Sinn wurde bewahrt, nicht der Stil.
Ich hatte es hier noch nicht angekündigt: ich schreibe gerade ein Buch über Contexte.
Das Cover des Buches, das gerade entsteht.
Contexte ist die Methode, die ich baue, damit ein Mensch und eine KI dauerhaft an einer Mission arbeiten können, ohne bei jedem Gespräch bei null anzufangen, und dabei Folgendes bewahren:
- die Quellen;
- das erzeugte Wissen;
- die Entscheidungen;
- den Stand der Arbeit und das, was ihre spätere Wiederaufnahme erlaubt.
Das Buch ist inzwischen fast fertig.
An diesem Punkt hätte ich weiter Korrektur lesen, einige Formulierungen glätten, die Beispiele ergänzen und die Veröffentlichung vorbereiten können.
Stattdessen habe ich mir eine ziemlich unangenehme Frage gestellt:
Was habe ich darin wirklich erfunden?
Nicht „erfunden“ in dem Sinn, dass man jede Idee für sich beanspruchen müsste.
Die Frage war viel einfacher:
Präsentiere ich gerade als neue Methode etwas, das es längst gibt und das ich schlicht neu erfunden habe, ohne es zu merken?
Das ist vor allem eine Frage der wissenschaftlichen Kultur des Zweifels.
Wenn man monatelang an etwas baut, sucht man sehr leicht unbewusst nach allem, was bestätigt, dass die eigene Idee gut, anders oder originell ist.
Ich habe das Gegenteil versucht.
Methodisch nach allem suchen, was diese Überzeugung zerlegen könnte.
In allem, was ich als Methode Contexte vorstelle:
- Was gab es schon?
- Was habe ich bewusst übernommen?
- Was habe ich angepasst?
- Was habe ich wiederentdeckt, ohne es zu wissen?
- Was war anderswo schon zusammengesetzt worden?
- Und was bleibt möglicherweise eigen an der Art, wie ich das Ganze zusammengeführt habe?
Anfangs dachte ich, ich würde einfach eine Recherche nach Vorläufern machen.
In der Praxis habe ich vor allem gelernt, meine eigenen Gewissheiten Schritt für Schritt zu zerlegen.
Ich wusste bereits, dass ich nicht bei null angefangen hatte
Manche Einflüsse waren offensichtlich.
Der bounded context aus dem Domain-Driven Design ist eine eingestandene Inspiration.
Die atomaren Notizen haben mich zwangsläufig zu Zettelkasten geführt.
PARA und das Second Brain haben mein Nachdenken über Wissensräume geprägt.
Im technischeren Teil hatte ich außerdem bewusst Intuitionen aus Git aufgegriffen — vor allem rund um Trennung, Kopie und Merge — sowie das Observer-Muster für bestimmte Beziehungen zwischen Contextes.
Die Frage war also nicht:
„Sind alle meine Ideen neu?“
Das wusste ich schon: nein.
Was mich interessierte, war eher das Zusammenspiel.
Ein Contexte ist im Buch ein Raum, der durch eine Mission begrenzt wird. Er enthält Quellen, aus diesen Quellen erzeugtes Wissen, einen aktuellen Stand, eine Geschichte, Entscheidungen, Widersprüche, Aktionen, Lieferergebnisse. Er muss unterbrochen und dann wieder aufgenommen werden können. Er muss im Lauf der Arbeit Wissen anhäufen. Und mehrere Contextes müssen Austausch pflegen können, ohne ihre Autonomie zu verlieren.
Ich sagte mir also: Die Bausteine kommen sicher von anderswo.
Aber vielleicht ist ihre Kombination besonders.
Genau diese Hypothese habe ich angefangen, zu Fall bringen zu wollen.
Erster Fehler: mit meinen eigenen Wörtern suchen
Das erste Problem taucht sofort auf, wenn man die Vorläufer einer Methode sucht.
Niemand ist verpflichtet, dein Vokabular benutzt zu haben.
Nach "Contexte" + KI + Gedächtnis zu suchen sagt dir fast nichts über die Existenz eines ähnlichen Mechanismus.
Ein Ärzteteam kann seit fünfzig Jahren etwas tun, das deinem handoff ähnelt, ohne dieses Wort je zu verwenden.
Ein Archivsystem kann Provenienz, Quelle und Interpretation formalisiert haben, ohne von knowledge management zu sprechen.
Eine Software aus den 1990er-Jahren kann ein Kopier- und Abhängigkeitsproblem gelöst haben, von dem du glaubst, du seist ihm 2026 mit KI-Agenten begegnet.
Ich musste also aufhören, nach Contexte zu suchen.
Ich habe damit angefangen, das Buch zu zerlegen.
Mit ChatGPT haben wir 24 Konzepte und 12 strukturierende Beziehungen herausgezogen.
Die Idee war, das Buch in Objekte zu verwandeln, die einfach genug sind, um Fragen stellen zu können.
Nicht nur:
Hat schon einmal jemand einen dauerhaften Arbeitsraum gedacht?
Sondern auch:
Hat schon einmal jemand die rohe Quelle vom abgeleiteten Wissen getrennt?
Unterscheidet ein System die Gegenwart vom historischen Tagebuch?
Gibt es eine Tradition, in der die Arbeit an einem Problem eine für die folgenden Probleme wiederverwendbare Basis anreichert?
Was passiert, wenn ein Wissen aus einem autonomen Raum in einen anderen kopiert wird?
Das verändert die Recherche vollständig.
Erste Überraschung: fast alle Bausteine waren schon da
Sobald das System zerlegt war, tauchten die Vorläufer überall auf.
Ein paar Beispiele:
- zur Provenienz gab es natürlich eine ganze Literatur, bis hin zu Standards wie W3C PROV; W3C — PROV-O: The PROV Ontology
- Event Sourcing liefert eine Art, einen aktuellen Stand aus der Geschichte der Ereignisse zu rekonstruieren;
- die Architecture Decision Records bewahren eine Entscheidung, ihren Kontext und ihren Grund, auch wenn sie später ersetzt wird; Michael Nygard — Documenting Architecture Decisions
- die Truth Maintenance Systems arbeiteten schon in den 1980er-Jahren mit mehreren, potenziell unvereinbaren Annahmemengen. Johan de Kleer — An assumption-based TMS
An diesem Punkt hat mich nichts davon wirklich überrascht.
Eine komplexe Methode besteht selten aus Mechanismen, die aus dem Nichts aufgetaucht sind.
Der erste Schluss wirkte recht bequem:
Die Bausteine sind nicht neu, aber die Zusammensetzung ist es vielleicht.
Das war ein vernünftiger Schluss.
Er hielt nicht sehr lange.
Zweite Iteration: die Funktion suchen, nicht das Konzept
Wir haben die Methode gewechselt.
Statt nach den Konzepten des Buches zu suchen, haben wir angefangen, nach den Problemen zu suchen, auf die sie antworten.
- Wie nimmt man eine Arbeit nach einer Unterbrechung wieder auf?
- Wie übergibt man einen Vorgang gut genug, damit eine andere Person weitermachen kann?
- Wie verwandelt man Tausende Informationsstücke in Belege und dann in Hypothesen?
- Wie hält man mehrere konkurrierende Erklärungen offen, ohne künstlich eine davon zu wählen?
- Wie behält ein Arbeitsraum gleichzeitig seinen operativen Stand und ein wiederverwendbares Wissen?
Diesmal verließ die Recherche sehr schnell die Software.
Sie führte uns zu: - dem Nachrichtendienst; - dem Recht; - der Medizin; - dem Incident-Management; - den Kognitionswissenschaften; - dem Archivwesen; - der wissenschaftlichen Forschung.
Das Modell des sensemaking von Peter Pirolli und Stuart Card zum Beispiel beschreibt einen Prozess, in dem der Analyst von externen Quellen ausgeht, die relevanten Informationen auswählt, Belegelemente bildet, Schemata und Hypothesen konstruiert und dann das Ergebnis seiner Analyse erzeugt. Pirolli & Card — The sensemaking process and leverage points for analyst technology
Das ist offensichtlich nicht Contexte.
Aber die Nähe des Mechanismus war interessant.
Dasselbe beim Activity-Based Computing von Jakob Bardram.
2005 beschreibt Bardram eine Infrastruktur, in der die zentrale Einheit nicht mehr die Anwendung ist, sondern die menschliche Aktivität, mit den zugehörigen Aufgaben und IT-Ressourcen. Die Architektur ist unter anderem darauf angelegt, Mobilität, Zusammenarbeit und die Kontinuität der Aktivität über Umgebungen hinweg zu ermöglichen. Aarhus University — Activity-Based Computing: Support for Mobility and Collaboration
Anders gesagt: Die Idee, dass man für die Kontinuität der Arbeit etwas Reicheres als ein Dokument bewahren muss, hatte offensichtlich nicht auf KI-Agenten gewartet.
Auch die Medizin, die Leitstellen und das Incident-Management haben ihre eigenen Handoff-Mechanismen.
Da fing das Gebiet schon an zu schrumpfen.
Die Wiederaufnahme war nichts Besonderes.
Der handoff auch nicht.
Selbst die Kette:
Quelle → Interpretation → Schlussfolgerung → Produktion
hatte sehr solide Vorläufer.
Also eine neue Hypothese:
Vielleicht liegt das Besondere in der Verbindung zwischen dem lebenden Vorgang und dem Wissensbestand.
Anders gesagt: an einem Problem arbeiten und dabei etwas bauen, das das Problem überdauert.
Diese Hypothese hielt noch kürzer.
Der Umweg, der die Recherche am meisten verändert hat: das Englische verlassen
Bis dahin blieben wir, selbst beim Wechsel der Disziplin, weitgehend in einem westlichen und englischsprachigen Korpus gefangen.
Wir haben deshalb Recherchen auf Japanisch, Chinesisch, Russisch und Arabisch gestartet.
Da wurde die Recherche wirklich interessant.
In Japan bin ich auf das KJ法 gestoßen, die KJ法-Methode von Jirō Kawakita.
Kawakita beschreibt eine Bottom-up-Methode, bei der man von Felddaten ausgeht, sie auf frei bewegliche Karten schreibt und sie dann nach ihrer Bedeutung schrittweise annähert und kombiniert, damit eine Struktur entsteht. J-STAGE — Emergence and Essence of the KJ Method, Interview mit Jirō Kawakita
Und da hatte ich einen ziemlich amüsanten Moment.
Einige Monate zuvor hatte ich, ohne das KJ法 zu kennen, selbst angefangen, mit dem zu arbeiten, was ich Säulenkarten nenne.
Ich habe kürzlich hier davon erzählt: Säulenkarten: das Gedächtnis pflegen, um weiterdenken zu können
Das ist nicht dieselbe Methode.
Das KJ法 dient vor allem dazu, von verstreutem Material auszugehen und durch Gruppierungen und Rekombinationen schrittweise eine Struktur entstehen zu lassen.
Meine Säulenkarten haben eher die Funktion, einige strukturierende Ideen lebendig zu halten, sie wieder aufzusuchen und sie weiter mit dem zu konfrontieren, was ich lese und erlebe.
Aber es gibt dennoch eine Familienähnlichkeit, die mich sehr interessiert hat:
- Denkeinheiten aus dem Kopf herausholen;
- sie handhabbar machen;
- sie als relativ autonome Objekte erhalten;
- sie annähern und rekombinieren;
- diese Annäherungen nutzen, um weiterzudenken.
Und vor allem: Ich habe das KJ法 lange nach der Einführung dieser Praxis entdeckt.
Genau so etwas wollte ich mit dieser Recherche finden.
Nicht, um sagen zu können: „Ich hatte dieselbe Idee.“
Im Gegenteil.
Um festzustellen, dass man aufrichtig etwas für sich bauen kann und danach entdeckt, dass eine andere Tradition einen verwandten Mechanismus seit Jahrzehnten erkundet.
Wir haben außerdem Tadao Umesao gefunden, der schon 1969 ein System unabhängiger Karten beschreibt, die rekombiniert werden sollen, wobei das durch diese Rekombination erzeugte neue Wissen selbst wieder in das System eingehen kann.
Anders gesagt:
bestehender Bestand → Rekombination → neues Wissen → angereicherter Bestand
Das war schon nicht mehr weit weg.
Dann sind wir in China angekommen.
Und dort habe ich den Hall for Workshop of Meta-Synthetic Engineering entdeckt, kurz HWMSE.
HWMSE: der Moment, in dem die Hypothese wirklich zu fallen begann
Die Meta-Synthesis wird Anfang der 1990er-Jahre rund um Qian Xuesen entwickelt, um komplexe Systeme zu behandeln.
HWMSE wird zu der Umgebung, die sie in die Praxis bringen soll.
Seine Architektur kombiniert ausdrücklich: - menschliche Experten; - Maschinensysteme; - Wissenssysteme.
Das Ziel ist nicht nur, bestehendes Wissen zu nutzen.
Die Autoren sprechen auch von Wissenserzeugung.
Sie unterscheiden ein System allgemeinen Wissens von einem System des Wissens über den untersuchten Gegenstand und erklären, dass Letzteres sich durch seine Nutzung fortlaufend anreichern können muss. Yu, Zhou & Feng — Man-machine collaborated knowledge creation in HWMSE
Das ähnelte schon sehr dem, was ich mit Contexte zu formulieren versuchte.
Und es war nicht bloß ein konzeptuelles Schema.
Die Arbeiten zu HWMSE haben zu Prototypen und experimentellen Anwendungen geführt, unter anderem rund um makroökonomische Entscheidungen. JAIST — Knowledge System Construction and Knowledge Creation in HWMSE
Die bequeme Unterscheidung:
Vorgangssysteme verwalten die Arbeit, Wissenssysteme verwalten den Bestand,
Contexteführt beides zusammen
hielt nicht mehr wirklich.
Andere hatten bereits Systeme gebaut, die einen erheblichen Teil dieser beiden Dimensionen zusammenführen.
Ich musste noch eine Ebene tiefer.
Dritte Iteration: die architektonischen Konkurrenten suchen
Wir haben aufgehört zu fragen:
„Welches Konzept ähnelt Contexte?“
Stattdessen haben wir einige Signaturen definiert: - Verwaltet das System eine Arbeit, die sich um ein Problem herum ansiedelt? - Verwandelt es Informationen in Wissen? - Kann dieses Wissen anderen Fällen dienen? - Unterscheidet es mehrere Gedächtnisarten? - Können mehrere Räume kooperieren und dabei autonom bleiben?
Diese Recherche hat mehrere Systeme sichtbar gemacht, die viel näher lagen als erwartet.
Experience Factory
Die Experience Factory, entwickelt rund um die Arbeiten von Victor Basili und die Erfahrung des Software Engineering Laboratory der NASA, trennt ausdrücklich zwei Funktionen.
Auf der einen Seite führt die Projektorganisation ihr Projekt durch.
Auf der anderen Seite übernimmt die Experience Factory: - sie sammelt die erzeugte Erfahrung ein; - sie analysiert sie; - sie synthetisiert sie; - sie verwandelt sie in wiederverwendbare Einheiten; - sie stellt sie künftigen Projekten wieder zur Verfügung.
Das Software Engineering Laboratory der NASA Goddard wurde schon 1992 als operatives Beispiel einer Experience Factory beschrieben, nach fünfzehn Jahren Betrieb und mehreren Hundert Studien. NASA — The Software Engineering Laboratory: An operational software experience factory
Basili und Caldiera beschreiben die Experience Factory anschließend ausdrücklich als eine von den Projekten getrennte Organisation, deren Aufgabe es ist, Erfahrung zu kapitalisieren und wiederzuverwenden. NASA — The Experience Factory: Strategy and Practice
Das griff direkt eine andere Idee an, die ich für wichtig hielt:
Das Lieferergebnis ist nicht der Bestand; die Arbeit des Projekts muss etwas anreichern, das es überdauert.
Die Experience Factory sagte das bereits.
Knowledge-Centered Service
Dann lieferte Knowledge-Centered Service, kurz KCS, eine weitere Fassung desselben Mechanismus.
In KCS soll das Wissen nicht in einem von der Arbeit getrennten Prozess entstehen.
Die Lösungsschleife besteht unter anderem darin: - das bestehende Wissen zu suchen; - es wiederzuverwenden; - es bei der Nutzung zu verbessern; - neues Wissen zu erfassen, wenn es nötig ist.
Das Consortium for Service Innovation fasst die Idee in einer besonders klaren Formel zusammen: reuse is review. Das Wissen wird im Fluss der Arbeit selbst geprüft und verbessert. Consortium for Service Innovation — The Solve Loop
Noch eine Reduktion.
Selbst:
die laufende Arbeit zu einer Maschine machen, die wiederverwendbares Wissen erzeugt und verbessert
war bereits formalisiert worden.
Vierte Iteration: die letzten Details angreifen
An diesem Punkt hatte es nicht mehr viel Sinn, weiter große Analogien anzuhäufen.
Wir haben deshalb einige Elemente ausgewählt, die noch relativ besonders wirkten:
- die strikte Trennung zwischen roher Quelle und abgeleitetem Wissen;
- die Trennung state / history / synthesis / handoff;
- die atomare Notiz als belegte Aussage, die gestützt oder bestritten werden kann;
- der Unterschied zwischen dem Referenzieren einer Information und dem Kopieren mit anschließender Pflegeverantwortung.
Selbst dort fielen die Mauern eine nach der anderen.
Die nanopublications und micropublications stellten bereits kleine Aussagen dar, begleitet von Provenienz, Stützelementen und manchmal Widerspruch.
Föderierte Datenbanksysteme arbeiteten seit Langem am Unterschied zwischen einem entfernten Datum und einer lokalen Kopie, die abweichen kann.
Die kognitiven Architekturen unterschieden Arbeitsgedächtnis, episodisches Gedächtnis und semantisches Gedächtnis.
Die Praktiken des forensic computing bewahren das Original und arbeiten an Kopien, um den Beweis zu erhalten.
Jedes Mal wurde etwas, das noch besonders schien, zu einer Rekombination bekannter Mechanismen.
Der letzte echte Fund: ScholOnto und SWAN
Trotzdem musste geklärt werden, ob wir am Ende angekommen waren oder nur müde vom Suchen.
Wir haben deshalb ein Kriterium ergänzt.
Eine neue Quelle zählte nicht mehr einfach deshalb, weil sie Contexte ähnelte.
Sie musste die Kartierung verändern.
Zum Beispiel:
- älter sein als das, was wir schon gefunden hatten;
- deutlich näher liegen;
- mehrere bis dahin getrennte Mechanismen zusammenführen;
- oder uns zwingen, unseren Schluss zu ändern.
Diese Regel erlaubte es, weiterzumachen, ohne in das Spiel zu verfallen, jede beliebige Analogie zu erzwingen.
Zwei Systeme haben diesen Test noch bestanden.
ScholOnto
Das Projekt ScholOnto, ab 2000 finanziert und Anfang der 2000er-Jahre aktiv, wollte eine Infrastruktur bauen, die es Forschenden erlaubt, claims zu veröffentlichen, sie mit der Literatur zu verknüpfen und sie zu bestreiten.
Sein System ClaiMaker erlaubte es, diese Netze aus claims und Argumenten zu bauen und zu durchlaufen. Knowledge Media Institute — ScholOnto / ClaiMaker
SWAN
Dann ging SWAN in der biomedizinischen Forschung noch weiter.
SWAN unterschied ausdrücklich die externen wissenschaftlichen Ressourcen von den im System erzeugten Diskurselementen.
Ein Research Statement konnte aus einem Artikel oder einer anderen Ressource abgeleitet werden, seine Provenienz behalten und über Beziehungen wie supports, refutes oder alternativeTo mit anderen statements verbunden werden.
Das System bewahrte auch die früheren Fassungen, wenn ein statement sich weiterentwickelte. Ciccarese et al. — The SWAN Scientific Discourse Ontology
In diesem Moment wurde die Nähe zu meinen atomaren Notizen schwer zu ignorieren: - eigenständige Quelle; - Interpretation; - Aussage; - Provenienz; - Stützung; - Widerspruch; - Wiederverwendung; - Entwicklung über die Zeit.
Und auch hier handelte es sich nicht bloß um eine theoretische Ontologie: Die Autoren beschreiben einen Workbench und einen Browser, mit denen diese Wissensbasis gebaut und durchlaufen wurde. PubMed — The SWAN biomedical discourse ontology
Die meisten Teile waren schon da.
Und dann haben die Ergebnisse aufgehört, den Schluss zu verändern
Das ist wahrscheinlich der wichtigste Teil der Methode.
Irgendwann muss man aufhören.
Nicht, weil man bewiesen hätte, dass kein weiterer Vorläufer existiert.
Das ist unmöglich.
Sondern weil die neuen Recherchen anfangen, immer dieselben Familien zu liefern.
Ein neuer Artikel verbessert ein Datum.
Eine andere Quelle ergänzt ein Beispiel.
Ein System benutzt ein anderes Vokabular, deckt aber einen bereits identifizierten Mechanismus ab.
Oder schlimmer: Man muss anfangen, zehn Zeilen lang zu erklären, warum etwas vage vergleichbar sein könnte.
In diesem Moment gibt es ein Risiko.
Man versucht nicht mehr, seine Hypothese zu prüfen.
Man fängt an, die Ähnlichkeit herzustellen, die man finden wollte.
Wir haben deshalb angenommen, dass die Recherche eine vernünftige Sättigung erreicht hatte.
Also, was ist originell?
Der Schluss ist nicht der, den ich mir anfangs vorgestellt hatte.
Ich halte es nicht mehr für sehr nützlich, „die neue Idee“ im Inneren von Contexte zu suchen.
Fast alle wichtigen Bausteine haben Vorläufer.
Viele Beziehungen zwischen diesen Bausteinen auch.
Und mehrere frühere Systeme setzen davon bereits große Stücke zusammen.
Zum Beispiel: - HWMSE führt Menschen, Maschinen, Problemlösung und Wissenskapitalisierung zusammen; - Experience Factory trennt das Projekt von dem organisatorischen Mechanismus, der seine Erfahrung in Bestand verwandelt; - KCS integriert Wissenserzeugung und -verbesserung direkt in die laufende Arbeit; - Project Memory arbeitet an der Geschichte und dem Kontext des Projekts; - ScholOnto und SWAN strukturieren Aussagen, Quellen, Provenienz und Widersprüche; - die föderierten Systeme arbeiten an Autonomie, Import, Kopie und Abhängigkeit.
Das heißt nicht, dass Contexte nichts beiträgt.
Es heißt, dass sein Beitrag woanders liegt.
Ich würde es heute so formulieren:
Contexte ist eine ausdrückliche Auswahl, Kombination und Normierung von Mechanismen aus mehreren Traditionen, zusammengeführt in einer operativen Methode, um dauerhaft mit einer KI zu arbeiten.
Das System besitzt unter anderem: - sein Vokabular; - seine Objekte; - seine Beschränkungen; - seine Abläufe; - seine besondere Art, Quelle, Wissen, Stand, Geschichte, Zusammenfassung, Entscheidung, Widerspruch, handoff und Lieferergebnis zu trennen; - seine Regeln, um Information zwischen mehreren autonomen Contextes zirkulieren zu lassen.
Ich habe kein historisches System gefunden, das genau diese ganze Grammatik besitzt.
Aber fast jede Komponente dieser Grammatik hat eine Geschichte vor Contexte.
Und letztlich ist das eine Antwort, die mir sehr viel besser passt.
Die wissenschaftliche Kultur des Zweifels
Am Anfang sah die Frage ungefähr so aus:
Ist meine Idee wirklich originell?
Im Rückblick ist das wahrscheinlich nicht die beste Frage.
Die Recherche nach Vorläufern hat mir vor allem erlaubt zu verstehen, woraus meine Idee gemacht ist.
Welche Intuitionen aus Traditionen kamen, die ich kannte.
Welche in Bereichen existierten, auf die ich nie gekommen wäre.
Welche Stücke schon zusammengesetzt worden waren.
Und welcher Teil meiner Arbeit vor allem darin bestand, verstreute Mechanismen zu übersetzen, zu vereinfachen, zu rekombinieren und nutzbar zu machen.
Das ist vor allem eine gute Veranschaulichung dessen, was ich mit wissenschaftlicher Kultur des Zweifels meine.
Ich hatte eine implizite Hypothese:
Vielleicht ist dieser Teil von
Contexteneu.
Die richtige Art, sie zu prüfen, war nicht, nach Gründen zu suchen, sie zu glauben.
Sie war, das bestmögliche Gegenbeispiel zu suchen.
Und dann, wenn wir eines fanden, die Hypothese zu ändern.
Mit jeder Iteration schrumpfte das Gebiet, das ich vernünftigerweise als spezifisch darstellen konnte: - zuerst die Bausteine; - dann bestimmte Zusammensetzungen; - dann die Idee, die Arbeit selbst zu einem Kapitalisierungsmechanismus zu machen; - dann ein Teil der informationellen Grammatik selbst.
Paradoxerweise ist der Vorschlag dadurch klarer geworden.
Ich sage lieber:
Das übernehme ich, das passe ich an, das kombiniere ich, und das ist die Form, die ich daraus mache
als zu erzählen, eine Idee sei neu, nur weil ich ihren Vorfahren nie begegnet war.
Die Methode, die ich wiederverwenden würde
Müsste ich eine solche Recherche zu einer anderen Idee noch einmal machen, würde ich nicht wieder so anfangen wie diesmal.
Ich würde direkt Folgendes tun:
- die Idee in Komponenten und Beziehungen zerlegen;
- die Mechanismen suchen, nicht ihr Vokabular;
- Komponenten, Beziehungen, Zusammensetzungen und Zwecke getrennt vergleichen;
- die Ursprungsdisziplin schnell verlassen;
- in mehreren Sprachen suchen;
- auf die tatsächlich gebauten Systeme schauen, nicht nur auf die Theorien;
- die Bibliografie der besten Quellen zurückverfolgen und dann die Arbeiten anschauen, die sie zitieren;
- absichtlich die Gegenbeispiele suchen, die den aktuellen Schluss zu Fall bringen können;
- festlegen, was ein neuer Fund verändern muss, um als wichtig zu gelten;
- aufhören, sobald die neuen Quellen nur noch Varianten bereits kartierter Vorläufer liefern.
Die Arbeit, die Referenzen einer guten Quelle zurückzuverfolgen und dann den Veröffentlichungen zu folgen, die sie zitiert haben, wird manchmal snowballing genannt.
Das Wort ist weniger wichtig als der Mechanismus.
Eine gute Quelle wird zum Eingangstor zu einem ganzen Vokabular und einer ganzen Tradition, die eine Stichwortsuche vielleicht nie gefunden hätte.
Der letzte Punkt — zu wissen, wann man aufhört — ist wahrscheinlich der schwierigste.
Eine Recherche kann immer weitergehen.
Es wird immer geben: - einen neuen Artikel; - ein neues Patent; - eine neue Disziplin; - eine andere Sprache; - ein neues Stichwort.
Die Frage ist nicht, ob alles gefunden wurde.
Die Frage ist:
Verändert das Weitersuchen die Antwort noch?
Die Grenzen
Diese Methode beweist offensichtlich nicht das Fehlen eines Vorläufers.
Sie hängt ab: - von den Suchmaschinen; - von den Sprachen, an die man denkt; - von den Dokumenten, die digitalisiert wurden; - von den noch zugänglichen Veröffentlichungen; - von ihrer Indexierung; - von dem Vokabular, das ihre Autoren gewählt haben; - und von unserer eigenen Fähigkeit, denselben Mechanismus hinter zwei verschiedenen Vokabularen zu erkennen.
Sie hängt auch von dem Urteil ab, mit dem entschieden wird, dass zwei Mechanismen wirklich vergleichbar sind.
Eine Ähnlichkeit ist keine Identität.
Eine in einem Kernkraftwerk verwendete Technik ist nicht der direkte Vorfahr eines Gedächtnissystems für KI, bloß weil sie einen handoff besitzt.
Genauso bedeutet die nachträgliche Entdeckung, dass eine japanische Methode Karten verwendet, nicht, dass meine Säulenkarten KJ法 sind.
Man muss beides sagen können:
Das ist nah genug, um interessant zu sein
und:
Das ist nicht dasselbe.
Auch deshalb muss ein fehlendes Ergebnis ein fehlendes Ergebnis bleiben.
Und nicht werden zu:
Das hatte noch nie jemand gemacht.
Was ich daraus mitnehme
Ich hatte diese Recherche begonnen, um herauszufinden, was ich erfunden hatte.
Ich beende sie mit einer leicht anderen Frage:
Was habe ich aus all dem gebaut, was es schon gab?
Die Antwort erscheint mir interessanter.
Contexte ist wahrscheinlich nicht deshalb interessant, weil es Folgendes entdeckt hätte:
- die Provenienz;
- die atomaren Notizen;
- den handoff;
- das organisationale Gedächtnis;
- die begrenzten Räume;
- die Wissenskapitalisierung.
All das gab es.
Es wird interessant, wenn die Zusammensetzung diese Mechanismen einfach und stimmig genug macht, damit ein Mensch und eine KI wochen- oder monatelang zusammenarbeiten können, ohne zu verlieren, was sie lernen.
Ich bin aus dieser Recherche also nicht mit einem jungfräulichen Gebiet herausgekommen, in das man eine Flagge pflanzt.
Ich bin mit einer Karte herausgekommen.
Und um zu verstehen, was man baut, ist eine gute Karte wahrscheinlich sehr viel mehr wert als eine Flagge.