Wissensgraphen erklärt: So funktionieren sie, Beispiele und Anwendungsfälle im Bereich der KI

Unternehmen generieren mehr Daten als je zuvor, doch diese Daten befinden sich oft in voneinander getrennten Systemen, verwenden uneinheitliche Geschäftsbegriffe und es fehlt an einer klaren Zuständigkeit. Das macht es schwierig, selbst einfache Fragen zuverlässig zu beantworten.

Wissensgraphen tragen zur Lösung dieses Problems bei, indem sie Daten, Bedeutung und Kontext miteinander verknüpfen. Anstatt Informationen als isolierte Datensätze zu betrachten, bildet ein Wissensgraph die Beziehungen zwischen Personen, Produkten, Richtlinien, Berichten und Datenbeständen ab.

In diesem Leitfaden erklären wir, was Wissensgraphen sind, wie sie funktionieren, wie sie sich von verwandten Konzepten wie Graphdatenbanken und Ontologien unterscheiden und welche Rolle sie in der modernen Analytik und KI spielen.

Was ist ein Wissensgraph?

Ein Wissensgraph ist eine strukturierte Methode zur Darstellung von Informationen, bei der Entitäten, Beziehungen und Attribute miteinander verknüpft werden. Er zeigt nicht nur, was etwas ist, sondern auch, wie es mit anderen Dingen zusammenhängt.

Im Grunde umfasst ein Wissensgraph Folgendes:

• Entitäten: Die Personen, Orte, Produkte, Berichte, Systeme oder Geschäftsbegriffe, die beschrieben werden.
• Beziehungen: Die Verbindungen zwischen diesen Entitäten, wie beispielsweise „gehört“, „enthält“, „nutzt“ oder „hängt ab von“.
• Attribute: Angaben zu jeder Entität, wie beispielsweise Name, Status, Eigentümer, Standort oder Erstellungsdatum.

Zum Beispiel:

• Entität: Kunde
• Beziehung: platziert
• Entität: Bestellung

Und dieser Beschluss kann außerdem:

• Ein Produkt enthalten.
• Lassen Sie sich von einem Lager überzeugen.
• In einem Bericht erscheinen.
• Halten Sie sich an eine Richtlinie.

Diese vernetzte Struktur verleiht Daten einen Kontext. Genau dieser Kontext macht Wissensgraphen für die Erkundung, Suche, Governance, Analyse und KI so nützlich.

Ein einfaches Beispiel für einen Wissensgraphen

Stellen Sie sich ein Unternehmens Nutzer , vor, fragt:

Welchem Umsatz dashboard en sollte ich bei aktiven Kunden in der Region Nordosten vertrauen?

Das klingt nach einer Frage zur Berichterstattung, doch um sie zuverlässig zu beantworten, müssen möglicherweise verschiedene Arten von Informationen miteinander verknüpft werden:

• Geschäftsbegriff aktiver Kunde.
• Anerkannte Definition dieses Begriffs.
• Quelltabelle und Felder, die zu ihrer Berechnung herangezogen wurden.
• Dashboard das diese Felder verwendet.
• Verantwortlicher Betreiber der Website dashboard.
• Richtlinie zur Zugriffskontrolle.
• Status der Datenqualität der zugehörigen Pipeline.

In einem Wissensgraphen könnten diese Beziehungen etwa so aussehen:

• Geschäftsbegriff: Aktiver Kunde.
  → Definiert durch: Standard für Kundenkennzahlen.
  → Quelle: CRM.Customer_Status.
  → Verwendet in: Regionaler Umsatz Dashboard.
  → Verantwortlich: Sales Analytics Team.
  → Bezogen aus: Tägliche Kundenpipeline.
  → Qualitätsstatus: Hat die letzten Prüfungen bestanden.

Anstatt in verschiedenen Tools und Dokumentationen suchen zu müssen, kann ein „ Nutzer “ den Beziehungspfad verfolgen und so Folgendes nachvollziehen:

• Was der Begriff bedeutet.
• Woher die Daten stammen.
• Wem gehört es?
• Ob es aktuell und zuverlässig ist.

Das ist der Kernwert eines Wissensgraphen: Er verknüpft Fakten auf eine Weise, die Menschen verstehen und auf deren Grundlage sie handeln können.

Wie funktioniert ein Knowledge Graph?

Ein Wissensgraph entsteht, indem Informationen aus verschiedenen Quellen gesammelt, die wesentlichen Aspekte dieser Informationen ermittelt, miteinander verknüpft und diese Verknüpfungen über einen längeren Zeitraum hinweg gepflegt werden.

Dateneingang

Wissensgraphen können Daten aus vielen Quellen beziehen, darunter:

• Relationale Datenbanken.
• Cloud .
• Datenkataloge.
• Wirtschaftsglossare.
• Dashboards und Berichte.
• Dokumente und Richtlinien.
• Abstammungssysteme.
• Nutzungs- und Zugriffsprotokolle.

Einige dieser Daten sind stark strukturiert, andere hingegen halbstrukturiert oder unstrukturiert. Das Ziel besteht darin, relevante Fakten in ein gemeinsames Modell einzubringen.

Erkennung und Extraktion von Entitäten

Anschließend ermittelt das System die relevanten Entitäten.

Dazu könnten gehören:

• Kunden
• Produkte
• Verträge
• Datensätze
• Spalten
• Geschäftsbedingungen
• Berichte
• Dateneigentümer

In unstrukturierten Quellen kann dies die Extraktion von Entitäten aus dem Text beinhalten. In strukturierten Systemen sind Entitäten möglicherweise bereits explizit angegeben.

Entitätsauflösung und Verknüpfung

Einer der wichtigsten Schritte besteht darin, herauszufinden, wann sich verschiedene Datensätze auf dieselbe Sache beziehen.

Zum Beispiel:

• „Northeast Revenue Dashboard“
• „NE-Umsatzbericht“
• „Regionaler Vertriebs Dashboard“

Dabei kann es sich um drei Bezeichnungen für ein und dasselbe Objekt handeln, oder aber um verschiedene Objekte. Ein nützlicher Wissensgraph muss diese Identitäten so genau wie möglich auflösen und sie mit dem richtigen Knoten verknüpfen.

Beziehungserkennung

Nachdem die Entitäten identifiziert wurden, veranschaulicht der Graph, in welcher Beziehung sie zueinander stehen.

Beispiele hierfür sind:

• Ein Bericht verwendetDatensatz.
• Ein Begriff wird durch einen Glossareintrag definiert.
• Eine Tabelle versorgtdashboard.
• Eine Richtlinie gilt für ein Datenprodukt.
• Ein Steward besitzt eine Domain.

Diese Beziehungen können aus „ Metadaten “, der Abstammung, der Modellierung, der Dokumentation oder Systemintegrationen stammen.

Kontext und Semantik

Ein Wissensgraph ist umso nützlicher, je mehr er nicht nur Verbindungen, sondern auch Bedeutungen widerspiegelt.

Beispielsweise der Ausdruck „aktiver Kunde“ kann in verschiedenen Abteilungen unterschiedliche Bedeutungen haben. Wenn der Graph diesen Begriff mit einer genehmigten Definition, einer Quelllogik, einem Verantwortlichen und der nachgelagerten Verwendung verknüpft, können Nutzer nachvollziehen, welche Bedeutung in welchem Kontext gilt.

Das ist es, was einen Wissensgraphen von einer einfachen Liste miteinander verknüpfter Datensätze unterscheidet.

Schlussfolgerung und logisches Denken

Wissensgraphen können zudem das Schlussfolgern auf der Grundlage bekannter Beziehungen unterstützen.

Wenn ein Graph beispielsweise Folgendes weiß:

• Dashboard A nutzt „ Datensatz “ von B.
• Datensatz B wird von Pipeline C erzeugt.
• Pipeline C ist heute Morgen ausgefallen.

Dann kann das System daraus schließen, dass Dashboard A möglicherweise betroffen ist.

Diese Art des beziehungsbasierten Denkens kann Teams dabei helfen, Auswirkungen zu bewerten, Abhängigkeiten nachzuvollziehen und mehrstufige Fragen schneller zu beantworten.

Wissensgraph vs. Ontologie vs. Graphdatenbank

Diese Begriffe hängen zwar zusammen, sind aber nicht austauschbar.

Wissensgraph vs. Ontologie

Eine Ontologie definiert die Konzepte und Beziehungen in einem Fachgebiet. Sie fungiert als Modell oder Vokabular.

Ein Wissensgraph nutzt dieses Modell, um reale Entitäten und Fakten miteinander zu verknüpfen.

Einfach ausgedrückt:

• Ontologie: Der Entwurf.
• Wissensgraph: Das mit Daten gefüllte Netzwerk.

Eine Ontologie kann beispielsweise festlegen, dass ein Bericht einen „ Datensatz “ verwenden und einem Team zugeordnet sein kann. Der Wissensgraph enthält die konkreten Berichte, Datensätze und Teams.

Wissensgraph vs. Graphdatenbank

Eine Graphdatenbank ist eine Speicher- und Ver abfragen stechnologie, die für graphförmige Daten entwickelt wurde.

Ein Wissensgraph ist das Informationsmodell und die vernetzte Darstellung von Bedeutung.

Man kann einen Wissensgraphen in einer Graphdatenbank speichern, aber beides ist nicht dasselbe. Das eine ist das Konzept und die Struktur des Wissens, das andere ist eine mögliche Umsetzung.

Wissensgraph vs. semantische Ebene

Eine semantische Ebene trägt dazu bei, dass Daten für Geschäftsanwender und Anwendungen leichter verständlich werden, indem einheitliche Definitionen und geschäftsrelevante Bedeutungen verwendet werden.

Ein Wissensgraph kann eine semantische Ebene stärken, indem er Begriffe, Datenbestände, Herkunftsdaten, Richtlinien und Verantwortliche miteinander verknüpft. In Unternehmensumgebungen ergänzen sich beide oft gegenseitig.

Schnellvergleich

Wie Wissensgraphen in Unternehmen Governance und Discovery unterstützen

In Unternehmensumgebungen ist ein Wissensgraph besonders nützlich, wenn er technisches Wissen Metadaten mit dem geschäftlichen Kontext verknüpft.

Dazu kann auch das Einfügen von Links gehören:

• Geschäftsbegriffe gemäß den genehmigten Definitionen.
• Datensätze an die Eigentümer und Datenverwalter.
• Berichte an Quellsysteme.
• Richtlinien für verwaltete Vermögenswerte.
• Qualitätsprüfungen an Rohrleitungen.
• Rückverfolgbarkeit bis zur Endnutzung.
• Zugriffsberechtigungen für sensible Daten.

Dies hilft den Nutzern dabei, praktische Fragen zu beantworten, wie zum Beispiel:

• Was bedeutet diese Kennzahl?
• Woher stammt diese Zahl?
• Wer ist Eigentümer dieses Datensatz?
• Welchen Bericht soll ich verwenden?
• Welche nachgelagerten Vermögenswerte sind von einer Änderung betroffen?
• Ist dieser Vermögenswert reguliert und aktuell?

Ohne diese Verknüpfungen können Nutzer zwar immer noch Daten finden, wissen aber möglicherweise nicht, ob sie diesen vertrauen oder sie wiederverwenden sollten.

Warum Unternehmensführung wichtig ist

Ein zusammenhängender Graph ist nicht automatisch ein vertrauenswürdiger Graph.

Beziehungen können mit der Zeit an Aktualität verlieren. Definitionen können sich teamübergreifend verschieben. Datenquellen können sich ändern. Doppelte Entitäten können falsch verknüpft sein. Berechtigungen können fehlen oder veraltet sein.

Deshalb ist Governance so wichtig. In der Praxis sind Wissensgraphen in Unternehmen leistungsfähiger, wenn sie Folgendes umfassen:

• Verantwortungsbewusste Eigentümer.
• Zuverlässige Quellen.
• Definitionen mit Versionsangaben.
• Herkunft und Herkunftsgeschichte.
• Zugriffskontrollen.
• Prozesse überprüfen und anpassen.
• Qualitätsindikatoren.

Die Grafik soll den Menschen helfen zu verstehen, was nicht nur miteinander verbunden ist, sondern auch, was zugelassen, aktuell und einsatzfähig ist.

Wie Wissensgraphen eingesetzt werden

Wissensgraphen unterstützen eine Vielzahl von Anwendungsfällen, sind jedoch besonders wertvoll, wenn die Antwort von Beziehungen zwischen mehreren Systemen oder Bereichen abhängt.

Suchen und Daten-Discovery

Wissensgraphen verbessern die Suche, indem sie Begriffe mit ihrem Kontext verknüpfen.

Ein „ Nutzer “, der nach „Kundenabwanderung“ sucht, findet möglicherweise Folgendes:

• Die genehmigte Definition der Kennzahl.
• Die dahinter stehende, sorgfältig zusammengestellte „ Datensatz “.
• Verwandte Dashboards.
• Der Eigentümer der Metrik.
• Abstammung zu den Quellsystemen.

Das ist nützlicher als eine reine Keyword-Übereinstimmung.

Analytik und Entscheidungsfindung

Analysten müssen Zahlen oft bis zu ihrer logischen Grundlage und ihrer geschäftlichen Bedeutung zurückverfolgen.

Ein Wissensgraph kann ihnen helfen, Folgendes zu verstehen:

• Welche Quellen wurden herangezogen?
• Welche Transformationen wurden angewendet?
• Ob es bereits ähnliche Kennzahlen gibt.
• Welche Assets sind zertifiziert oder weit verbreitet?

Empfehlungen

Wissensgraphen können Empfehlungsprozesse unterstützen, indem sie Nutzer, Produkte, Verhaltensweisen, Kategorien und Ergebnisse miteinander verknüpfen.

Dadurch lassen sich Fragen wie die folgenden leichter beantworten:

• Welche Produkte werden häufig zusammen gekauft?
• Welche Inhalte beziehen sich auf dieses Thema?
• Welche Datenbestände werden häufig gemeinsam genutzt?

Virtuelle Assistenten und Copiloten für Unternehmen

Wissensgraphen können Assistenten dabei helfen, geschäftliche Fragen mit mehr Kontext zu beantworten.

Anstatt beispielsweise eine allgemeine Antwort auf die Frage „Was ist die Bruttomarge?“ zu geben, könnte ein System Folgendes ausgeben:

• Die anerkannte Definition.
• Die entsprechende Berechnungslogik.
• Die von der Finanzabteilung genehmigte Quelle.
• Die „ dashboard “, in der sie verwendet wird.

Gesundheitswesen

Im Gesundheitswesen können Wissensgraphen Patienten, Symptome, Erkrankungen, Medikamente, Leistungserbringer und Forschungskonzepte miteinander verknüpfen.

Damit lassen sich beispielsweise folgende Anwendungsfälle realisieren:

• Mögliche Zusammenhänge in den Krankengeschichten der Patienten aufdecken.
• Symptome mit Referenzinformationen verknüpfen.
• Ermittlung potenzieller Wechselwirkungen oder Abhängigkeiten.

Finanzdienstleistungen

Im Finanzbereich können Wissensgraphen Konten, Kunden, Transaktionen, Händler, Standorte, Geräte und Richtlinien miteinander verknüpfen.

Dies kann Teams helfen:

• Untersuchen Sie verdächtige Beziehungen.
• Muster über verschiedene Entitäten hinweg erkennen.
• Verstehen Sie die Zusammenhänge zwischen Exposition und Abhängigkeitsketten.
• Den Kundenkontext verbessern.

Wissensgraphen und KI: Wo sie helfen

Wissensgraphen spielen im Bereich der KI eine immer größere Rolle, da sie Struktur und Kontext liefern, die bei der reinen Textsuche möglicherweise verloren gehen.

Wo sie helfen können

Wissensgraphen sind nützlich, wenn eine Frage von Beziehungen abhängt, wie zum Beispiel:

• In welchen Dashboards wird eine Kennzahl verwendet, die von einer geänderten Definition betroffen ist?
• Welche Kundenkonten sind mit dieser übergeordneten Organisation verknüpft?
• Welche Berichte hängen von den Pipelines ab, die heute ausgefallen sind?

Das sind Fragen, die mehrere Schritte erfordern. Die Antwort findet sich nicht immer in einem einzigen Dokument oder einer einzigen Zeile. Möglicherweise müssen miteinander verbundene Entitäten durchlaufen werden.

Wissensgraphen in Suchabläufen

Bei der „Retrieval-Augmented Generation“ ruft ein System häufig Dokumente oder Textpassagen ab, die für eine Frage relevant sind. Ein Wissensgraph kann diesen Prozess ergänzen, indem er explizite Beziehungen zwischen Konzepten, Ressourcen und Fakten hinzufügt.

Dies kann nützlich sein für:

• Synonyme und Fachbegriffe miteinander verknüpfen.
• Antworten auf der Grundlage anerkannter Definitionen.
• Quellsysteme und Datenherkunft nachverfolgen.
• Von einer verwandten Entität zur nächsten navigieren.

Ein hybrider Abruf ist oft sinnvoll

Nicht jede Frage erfordert eine Graphdurchquerung.

Für einfache Abfragen kann eine Dokumentensuche oder ein direkter „ abfragen “ ausreichen. Bei komplexeren, beziehungslastigen Fragen kann eine graphbasierte Suche einen Mehrwert bieten.

In vielen Unternehmensszenarien hat sich ein hybrider Ansatz bewährt:

• Nutzen Sie die Suche oder den Vektorabruf, um relevante Inhalte zu finden.
• Verwenden Sie Graphbeziehungen, um Kontext, Eigentumsverhältnisse und Herkunft miteinander zu verknüpfen.
• Geben Sie Ihre Antworten mit Links zu den Quellen an.

Wichtiger Hinweis

Ein Wissensgraph garantiert keine korrekten KI-Ergebnisse.

Selbst wenn das Diagramm unvollständig, veraltet oder schlecht verwaltet ist, kann es dennoch zu irreführenden Ergebnissen führen. Die Qualität des Ergebnisses hängt von der Qualität der zugrunde liegenden Definitionen, Beziehungen, Quellzuordnungen und Pflegeprozesse ab.

Ein Beispiel für einen öffentlichen Wissensgraphen

Ein bekanntes Beispiel ist Wikidata, ein gemeinschaftlich gepflegter Wissensgraphen, der in allen Wikimedia-Projekten genutzt wird.

Es verknüpft Entitäten wie Personen, Orte, Werke und Ereignisse mithilfe strukturierter Eigenschaften und Beziehungen.

Zum Beispiel:

• Entität: Leonardo da Vinci
• Verbundene Einheit: Mona Lisa
• Beziehung: Urheber von
• Angabe: geboren 1452

Öffentliche Beispiele wie dieses sind hilfreich, um das Konzept zu verstehen. In Unternehmensumgebungen gelten dieselben Prinzipien, allerdings umfassen die Entitäten dort häufig Geschäftsbegriffe, Datensätze, Pipelines, Richtlinien und Datenprodukte.

So erstellen und pflegen Sie einen Wissensgraphen

Ein nützlicher Wissensgraph beginnt in der Regel mit einem klar definierten Anwendungsbereich und nicht mit dem Versuch, alles auf einmal abzubilden.

1. Beginnen Sie mit einer Frage von hohem Wert

Wählen Sie eine geschäftliche Fragestellung, die einen zusammenhängenden Kontext erfordert, zum Beispiel:

• In welchen Berichten wird diese festgelegte Kennzahl verwendet?
• Welche nachgelagerten Anlagen sind von dieser Datenänderung betroffen?
• Wo werden sensible Kundendaten verwendet?

Dadurch bleibt das Projekt zielgerichtet.

2. Die richtigen Quellen ausfindig machen

Wählen Sie die Systeme aus, die die zur Beantwortung der Frage erforderlichen Fakten enthalten, wie zum Beispiel:

• Begriffsdefinitionen
• Katalog Metadaten
• Stammbaumunterlagen
• Dashboards
• Qualitätsprüfungen
• Zugriffsrichtlinien

3. Das Modell definieren

Entscheiden Sie, welche Entitäten und Beziehungen von Bedeutung sind.

Zum Beispiel:

• Datensatz
• Bericht
• Wirtschaftsbegriff
• Eigentümer
• Domäne
• Richtlinie
• Pipeline

Und Beziehungen wie zum Beispiel:

• Verwendungszwecke
• Im Besitz von
• Definiert durch
• Unterliegt
• Feeds
• Das hängt davon ab,

4. Identitäten sorgfältig auflösen

Stellen Sie sicher, dass dieselbe Entität nicht unter verschiedenen Namen doppelt erfasst wird und dass ähnlich benannte Objekte nicht fälschlicherweise zusammengeführt werden.

5. Mit Fachexperten abgleichen

Fach- und Technik-Experten sollten wichtige Definitionen und Zusammenhänge überprüfen, insbesondere diejenigen, die im Rahmen der regulierten Berichterstattung oder in KI-Workflows verwendet werden.

6. Governance und Wartung hinzufügen

Weisen Sie Verantwortliche zu, verfolgen Sie die Herkunft, überwachen Sie die Aktualität und legen Sie fest, wie Änderungen geprüft und veröffentlicht werden.

7. Nützlichkeit messen

Zu den sinnvollen Maßnahmen können gehören:

• Es ist an der Zeit, einen vertrauenswürdigen Partner zu finden.
• Es ist an der Zeit, einen Eigentümer zu ermitteln.
• Anzahl der noch nicht geklärten Duplikate.
• Die Aktualität wichtiger Beziehungen.
• Möglichkeit, die Auswirkungen auf nachgelagerte Bereiche nachzuverfolgen.

Einschränkungen und wann ein einfacherer Ansatz ausreicht

Wissensgraphen sind nützlich, aber nicht immer notwendig.

Häufige Einschränkungen

Zu den Herausforderungen können gehören:

• Unvollständiger Quell Metadaten.
• Abgleich mehrdeutiger Entitäten.
• Veraltete Beziehungen.
• Uneinheitliche Geschäftsdefinitionen.
• Laufende Wartungsarbeiten.
• Erhöhte Komplexität der Modellierung.

Wann ein Wissensgraph möglicherweise überflüssig ist

Ein einfacherer Ansatz kann ausreichen, wenn:

• Die Frage lässt sich anhand eines einzigen Systems beantworten.
• Die Beziehungen zwischen den Entitäten spielen keine Rolle.
• Die Domäne ist klein und stabil.
• Eine direkte Suche nach „ abfragen “ oder nach dem Dokument löst das Problem gut.

Ein praktischer Passformtest

Ein Wissensgraph eignet sich oft besonders gut, wenn Sie Fragen beantworten müssen, die Folgendes erfordern:

• Mehrere Quellen.
• Gemeinsame Definitionen.
• Beziehungsdurchlauf.
• Eigentumsverhältnisse und Führungsstruktur.
• Nachvollziehbare Herkunft.

Wenn diese Anforderungen nicht gegeben sind, ist möglicherweise eine schlankere Lösung praktischer.

Verbessern Sie Datenbeziehungen und die Datenermittlung mit Actian

Wissensgraphen können Unternehmen dabei helfen, isolierte Datenbestände in vernetzte, nutzbare Zusammenhänge umzuwandeln. Der Unternehmensnutzen ergibt sich jedoch nicht allein aus der Verknüpfung von Datensätzen. Er entsteht durch die Verknüpfung von Daten mit Definitionen, Eigentumsverhältnissen, Herkunftsdaten, Richtlinien und Nutzungsinformationen.

Actian Data Intelligence-Plattform Es unterstützt Unternehmen dabei, ihre Datenverwaltung ( Daten-Discovery ) und ihr Verständnis zu verbessern, indem es geschäftliche und technische Daten Metadaten en durch semantischen Kontext, Suche und beziehungsorientierte Erkundung miteinander verknüpft. Dies kann Datennutzern helfen, relevante Datenelemente schneller zu finden und zu verstehen, in welchem Zusammenhang diese mit geschäftlichen Zusammenhängen, Governance und der weiteren Nutzung stehen.

Um mehr zu erfahren, sehen Sie sich die Actian Data Intelligence-Plattform oder fordern Sie eine „ Demo “ an.

Über den Autor

Über Actian Germany GmbH

Actian ermöglicht es Unternehmen, Daten in großem Umfang sicher verwalten zu steuern. Unternehmen vertrauen auf Datenmanagement Data-Intelligence-Lösungen von Actian, um komplexe Datenumgebungen zu optimieren und die Bereitstellung von KI-fähigen Daten zu beschleunigen. Die auf Flexibilität ausgelegten Lösungen von Actian lassen sich nahtlos integrieren und arbeiten zuverlässig in On-Premises, Cloud und Hybridumgebungen. Erfahren Sie mehr über Actian, den Daten- und KI-Geschäftsbereich von HCL Software, unter actian.com.