Unser Ziel ist es, die Art und Weise, wie SIE Dokumente benutzen, um zu verstehen, wer SIE sind, und wer ANDERE sind, völlig zu verändern.

  • WER WIR SIND
    Wir sind ein Ingenieurbüro mit dem Arbeitsgebiet TextAnalytics. Für unsere Arbeit benutzen wir technische Dokumente, um komplexe Zusammenhänge sichtbar zu machen
    WARUM
    Ergebnisse werden nachvollziehbar
    ERGÄNZUNG
    Als Ergänzung oder Ersatz eines Brainstormings
  • Was wir tun
    Wir betreiben Explorative Dokumentanalyse (Mustererkennung und maschinelles Lernen), um das zu finden, was Sie sich durch klassisches Lesen sonst mühsam erarbeiten müssten.
    90 Millionen
    Werkstoffnamen finden wir ebenso wie Reaktionsgleichungen, Formeln, Herstellungsverfahren oder Normen
    90 Mess
    größen in ca. 3000 Schreibweisen können wir erkennen und ineinander umwandeln.
  • WIR LIEFERN ANTWORTEN
    Anstatt Experten zu befragen, die Sie zuerst suchen müssten, liefern wir Antworten aus Dokumenten, die von Experten weltweit verfasst worden sind.
    80 %
    geringerer Zeitaufwand
    200 %
    und mehr Steigerung der Ergebnissqualität
  • MASCHINELLES LESEN
    Wir haben Zugriff auf Millionen von Dokumenten mir regelmässigem Update des Datenbestands.
    450
    Millionen Dokumente
    UPDATES
    jede Woche

arxiv org 2606 14814 672x320

5 196 Klassen in 44 Modulen, 167 348 OWL-Axiome, 1 172 SHACL-Regeln, 163 Kompetenzfragen mit lauffähigen SPARQL-Tests: keine weitere Werkstoffontologie, sondern eine Architektur, die drei strukturelle Probleme der Materialwissenschafts-Digitalisierung in einem Wurf adressiert. Erprobt am Pilotmaterial BNT-BT, ausgelegt für beliebig viele weitere Werkstoffklassen, begleitet von einem arXiv-Preprint (Pannek & Grond, 2026).

Kulmbach, im Juni 2026. Eine systematische Bestandsaufnahme der Werkstoffontologien (Norouzi et al., 2024) zählt 94 Vokabulare — über
vierzig davon untereinander strukturell inkompatibel. Jedes neue Förderprojekt fängt von vorn an, modelliert Laborabläufe, Geräte und
Messmethoden zum x-ten Mal, modelliert obendrein materialspezifisches Wissen — und am Ende spricht keine Ontologie mit der anderen. Genau diese Bestandsaufnahme ist der Ausgangspunkt, an dem Numberland in Kulmbach mit der OCO eine andere Antwort versucht: nicht die 95. Ontologie, sondern eine Architektur, die die ersten 94 in vielen Fällen überflüssig macht.

Eine Plattform-Architektur für Materials-Science-Ontologien

Die OCO adressiert drei Probleme gleichzeitig. Erstens die horizontale Fragmentierung. Statt jede Material-Domain als neue
Ontologie aufzusetzen, trennt die OCO konsequent zwischen einer material-unabhängigen Laborbuch-Schicht (L1, frei nachnutzbar) und einer material-spezifischen Schicht (L2). Was an einer Probe gemessen wird, wie sie identifiziert wird, wer die Messung ausgeführt hat — diese Fragen sind für jede Werkstoffklasse gleich. Was sich von Klasse zu Klasse ändert - die Materialfamilien, die Eigenschafts-Effekte, die Mechanismen - ist streng auf L2 begrenzt und mehrfach instanziierbar: für Keramik, Glas, Polymere, Batterien, Verbundwerkstoffe.

Zweitens der regulatorische Druck. Mit CSRD, CSDDD, PPWR, CBAM, der Right-to-Repair-Richtlinie, dem AI Act und dem ESPR (Ecodesign for Sustainable Products Regulation) verlangt die EU digitale Produktpässe, in denen Werkstoff-, Fertigungs-, Lieferketten- und Lebenszyklus-Daten zusammenfließen. Eine Werkstoffontologie, die nur die Werkstoffachse abdeckt, ist für diese Anwender unvollständig. Die OCO unterscheidet daher zwischen zwei Konsumenten-Sichten: Werkstoff- und Compliance-Audience, beide bedient aus demselben Datenbestand, jede mit ihrer eigenen Sicht-Logik.

Drittens die Erklärungstiefe. Ein Vokabular, das BNT-BT mit d₃₃ ≈ 580 pC/N speichert, kennt eine Zahl. Ein Vokabular, das auch erfasst,
*warum* - Bismut-6s²-Lone-pair-Aktivität, weiche Phononen-Moden an der morphotropen Phasengrenze, Sauerstoff-Leerstellen-Chemie, Hall-Petch-Korngrenz-Effekte, Mn-Akzeptor-Pinning der Domänenwand-Beweglichkeit - leistet etwas anderes. Die OCO ordnet diese Erklärungstiefe systematisch in sieben Stufen: Symmetrie, Energie/DFT, Thermodynamik/CALPHAD, Kinetik, Mikrostruktur, Defektchemie, Bindung. Dieses Sieben-Schichten-Gerüst ist auf L2 internalisiert und auf jedes kristalline Oxid-System anwendbar.

In Zahlen: 5 196 Klassen in 44 Modulen, 167 348 OWL-Axiome — davon 40 454 logisch und 5 920 reifizierte Neumann-Tensor-Restriktionen. 1 674 Properties, 829 Brücken-Mappings auf 40 externe Ontologien (BFO, PMDco, EMMO, QUDT, PROV-O, CHMO und weitere), 1 172 SHACL-Shapes für Daten-Validierung, 163 publizierte Kompetenzfragen mit 52 ausführbaren SPARQL-Tests, die alle bestehen. Die OCO ist damit eine der derzeit umfangreichsten Domain-Ontologien für Funktionskeramik — und gleichzeitig die erste, deren materialunabhängige Schicht ohne weiteres an Polymer-, Batterie-, Glas- oder Verbundontologien angedockt werden kann.

Ein wichtiges Architekturmerkmal ist das Open-Core-Modell. L0-Brücken sind unter CC-BY 4.0 vollständig offen verfügbar. Die materialunabhängige Laborbuch-Schicht L1 (ohne das Lieferanten-Modul) ist unter CC-BY-SA 4.0 offen. Die material-spezifische L2-Schicht, das Lieferanten-Modul und die kategoriale Reasoning-Schicht L3 sind unter Projekt-Vertraulichkeit entwickelt und werden in Forschungskooperationen oder kommerziellen Lizenzen bereitgestellt. Wer nur die offenen Module braucht, hat unter https://w3id.org/oco/ einen funktionierenden Werkstoff-Wissensstack. Wer den vollen Mechanismus-Tiefgang braucht, geht direkt auf Numberland zu.

Als Referenz-Pilotmaterial dient BNT-BT (Bismut-Natrium-Titanat / Bariumtitanat) — eine bleifreie Piezokeramik, die in allen sieben
Erklärungstiefen-Schichten durchmodelliert ist. Als zweites Material ist eine ferritische Hochleistungskeramik in aktiver Entwicklung; sie
soll im Lauf von 2027 mit derselben Tiefe verfügbar sein. Version 1.0 ist ausdrücklich reserviert für den Stand, nachdem die OCO in der Industriepraxis verprobt wurde - Rückmeldungen aus dem Einsatz fließen in v1.0 ein, nicht umgekehrt.

„Wir wollten keine 95. Werkstoffontologie schreiben, sondern eine, die viele der ersten 94 überflüssig macht. Der Trick liegt nicht im
Vokabular, sondern in der Trennung der Achsen: Abstraktionsebene und Konsumenten-Sicht. Wenn diese beiden Achsen sauber getrennt sind, wird material-spezifisches Wissen automatisch klein, und materialunabhängiges Wissen automatisch wiederverwendbar. v0.94 ist die
Version, die diesen Bauplan zum ersten Mal vollständig umsetzt - und die wir jetzt der Praxis vorlegen." - Dr. Wolfgang Grond, Inhaber Numberland

Zahlen, Daten, Fakten

EXPLORE
Forschungseinrichtung: finden von Werkstoffnamen
(Werkstoffe für die thermische Energiespeicherung).
NAVIGATE
Forschungseinrichtung: finden von Märkten,
auf denen Werkstoffe aus Metallschaum gebraucht werden.
IDEATE
Unternehmen: finden von Möglichkeiten, um den
Abfüllvorgang einer hochviskosen Flüssigkeit zu beschleunigen.
EXPLORE
Kommune mit > 500.000 Einwohnern: finden von regionalen
IT-Unternehmen und clustern der Interessen
REMEMBER
Unternehmen: automatisches Verschlagworten
von Dokumenten im Intranet
COMPARE
Unternehmen: Vergleich des internen Wissens
mit dem Wissen von Wettbewerbern.
LOCATE
EU-Projekt einer Landesentwicklungsgesellschaft:
Verfahren, um Regionen mit gleichen Kenntnissen und
Interessen sichtbar zu machen.
EXPLORE
IHK: finden von regionalen Automobilzulieferern
und clustern der Interessen
BLEND
Hochschule: finden von passenden Partnern
für ein EU-Entwicklungsvorhaben.
CHANGE
Unternehmen: Innovationsaudit zur Ausrichtung
der Unternehmensstrategie auf Megatrends.
REMEMBER
Ablagesystem für studentische Abschlussarbeiten
Combine
Expansion und / oder Marktanpassung im Verlauf einer Unternehmensnachfolge