Knowledge Graph

Ein Wissensgraph ist eine strukturierte Darstellung von Entitäten der realen Welt und der Beziehungen zwischen ihnen. Im Gegensatz zu einer Standarddatenbank, die Daten in starren Zeilen und Spalten speichert, organisiert ein Wissensgraph Informationen als Netzwerk aus Knoten (die Objekte, Personen oder Konzepte repräsentieren) und Kanten (die die Verbindungen oder Interaktionen zwischen diesen Knoten repräsentieren). Diese Struktur ahmt die Art und Weise nach, wie Menschen Informationen organisieren, und ermöglicht es Systemen der künstlichen Intelligenz (KI), Kontext zu verstehen, neue Fakten abzuleiten und auf eine semantischere und vernetztere Weise über Daten nachzudenken.

Link to this sectionDie Struktur verstehen#

Im Kern eines Wissensgraphen befinden sich drei Hauptkomponenten, die "Tripel" (Subjekt-Prädikat-Objekt) bilden:

• Knoten (Entitäten): Dies sind die einzelnen Datenpunkte, wie etwa "London", "Python" oder "Ultralytics YOLO26". Bei Aufgaben der Computer Vision könnten diese erkannte Objekte wie ein "Auto" oder ein "Fußgänger" repräsentieren.
• Kanten (Beziehungen): Diese markanten Linien verbinden Knoten und definieren, wie sie zueinander in Beziehung stehen. Zum Beispiel könnte eine Kante die Beziehung zwischen "London" und "UK" als "ist_Hauptstadt_von" kennzeichnen.
• Attribute (Eigenschaften): Zusätzliche Details, die einen Knoten beschreiben, wie die Einwohnerzahl einer Stadt oder der Konfidenzwert einer Objekterkennung.

Diese netzartige Struktur ermöglicht es Systemen, eine semantische Suche durchzuführen, bei der die Engine die Absicht des Nutzers versteht, anstatt nur Schlüsselwörter abzugleichen. Wenn man beispielsweise weiß, dass "Jaguar" sowohl ein Tier als auch eine Automarke ist, kann das System Ergebnisse basierend auf dem Kontext unterscheiden.

Link to this sectionIntegration mit maschinellem Lernen#

Wissensgraphen werden zunehmend entscheidend für die Verbesserung von Modellen des maschinellen Lernens (ML). Während Deep-Learning-Modelle bei der statistischen Mustererkennung hervorragend sind, fehlt ihnen oft eine faktische Grundlage. Die Integration eines Wissensgraphen ermöglicht es Modellen, auf ein verifiziertes "Weltbild" zuzugreifen.

• Retrieval-Augmented Generation (RAG): Generative Modelle können manchmal plausible, aber falsche Informationen erzeugen. Durch die Fundierung von Large Language Models (LLMs) mit einem Wissensgraphen können KI-Agenten eine verifizierte Quelle der Wahrheit abfragen, bevor sie eine Antwort generieren. Dies reduziert Halluzinationen in LLMs erheblich und verbessert die faktische Genauigkeit für Unternehmensanwendungen.
• Empfehlungssysteme: In der KI im Einzelhandel bilden Graphen komplexe Beziehungen zwischen Nutzern und Produkten ab. Wenn ein Kunde eine Kamera kauft, versteht der Graph die funktionale Verbindung zu "SD-Karten" oder "Stativen" und ermöglicht so intelligentere Vorschläge als einfache kollaborative Filterung.

Link to this sectionCode-Beispiel: Extrahieren von Entitäten für einen Graphen#

Computer-Vision-Modelle dienen als hervorragende Einstiegspunkte zum Befüllen von Wissensgraphen, indem sie physische Entitäten in der realen Welt identifizieren. Der folgende Python-Schnipsel demonstriert, wie man das Modell Ultralytics YOLO26 verwendet, um Objekte in einem Bild zu erkennen. Diese erkannten Klassen können als Knoten fungieren, die dann in einer Graphdatenbank (wie Neo4j oder Amazon Neptune) verknüpft werden können.

from ultralytics import YOLO

# Load the latest YOLO26 model (released Jan 2026)
model = YOLO("yolo26n.pt")

# Run inference on an image to find entities
results = model("https://ultralytics.com/images/bus.jpg")

# Extract unique detected object names to serve as graph nodes
# e.g., {'bus', 'person'}
detected_entities = {results[0].names[int(c)] for c in results[0].boxes.cls}

print(f"Graph Nodes: {detected_entities}")

Link to this sectionPraxisanwendungen#

1. Arzneimittelforschung im Gesundheitswesen: Forscher im Bereich KI im Gesundheitswesen nutzen Wissensgraphen, um biologische Interaktionen zu modellieren. Durch die Verknüpfung von Entitäten wie Genen, Proteinen und chemischen Verbindungen aus Datenbanken wie UniProt können Algorithmen potenzielle Wirkstoffziele und Nebenwirkungen vorhersagen und so die Entwicklung neuer Behandlungen beschleunigen.

2. Digitale Zwillinge in der Lieferkette: Logistikunternehmen setzen Wissensgraphen ein, um einen "digitalen Zwilling" ihrer Betriebsabläufe zu erstellen. Knoten repräsentieren Lieferanten, Lager und Inventar, während Kanten Versandrouten und Abhängigkeiten darstellen. Diese Struktur erleichtert Big Data-Analysen und ermöglicht es Managern, Verzögerungen vorherzusagen und Routen dynamisch zu optimieren.

Link to this sectionWissensgraphen vs. relationale Datenbanken#

Es ist wichtig, einen Wissensgraphen von einer traditionellen relationalen Datenbank (RDBMS) zu unterscheiden. Eine relationale Datenbank speichert Daten in starren Tabellen, die durch Fremdschlüssel verknüpft sind, was für strukturierte, transaktionale Daten (wie Bankbücher) effizient ist. Das Abfragen komplexer Beziehungen (z. B. "Finde Freunde von Freunden, die Science-Fiction mögen") erfordert jedoch aufwendige "Join"-Operationen.

Im Gegensatz dazu behandelt ein Wissensgraph (oft gespeichert in einer Graphdatenbank) die Beziehung als ein erstklassiges Element. Das Durchlaufen von Verbindungen erfolgt sofort, was Graphen für Aufgaben mit hochgradig vernetzten Daten, wie etwa bei der Aufdeckung von Betrugsringen oder der Analyse sozialer Netzwerke, überlegen macht. Während RDBMS bei der Speicherung und Abfrage spezifischer Datensätze glänzt, zeichnen sich Wissensgraphen durch das Entdecken von Mustern und verborgenen Erkenntnissen innerhalb der Verbindungen selbst aus.

Link to this sectionZukunftsausblick mit Multi-Modal AI#

Die Zukunft der Wissensgraphen liegt im multimodalen Lernen. Da Modelle wie Ultralytics YOLO26 bei der Objekterkennung und Pose-Schätzung weiter voranschreiten, werden sie automatisch visuellen Kontext in Graphen einspeisen. Dies schafft Systeme, die nicht nur Text "lesen", sondern die Welt "sehen" und visuelle Konzepte mit sprachlichen Definitionen verknüpfen. Unter Verwendung der Ultralytics Platform können Entwickler diese spezialisierten Vision-Modelle trainieren, um benutzerdefinierte Entitäten zu erkennen, und effektiv die Sinnesorgane für die nächste Generation wissensbasierter KI-Systeme aufbauen.