Wissensgrafik

Ein Wissensdiagramm ist ein Modell, das Informationen aus verschiedenen Quellen organisiert und verbindet, um das Wissen über einen Bereich auf strukturierte, menschenähnliche Weise darzustellen. Im Gegensatz zu einer herkömmlichen Datenbank, die Daten in Tabellen speichert, erfasst ein Wissensgraph Informationen als ein Netzwerk von Entitäten (reale Objekte, Ereignisse, Situationen oder abstrakte Konzepte) und die Beziehungen zwischen ihnen. Diese Struktur ermöglicht es KI-Systemen, Zusammenhänge zu verstehen, Schlussfolgerungen zu ziehen und komplexe Fragen effektiver zu beantworten als durch den einfachen Abgleich von Schlüsselwörtern. Das Konzept ist eine Kernkomponente des Semantic Web, das darauf abzielt, Internetdaten maschinenlesbar zu machen.

Die Struktur eines Wissensgraphen besteht aus Knoten (Entitäten), Kanten (Beziehungen) und Eigenschaften (Attribute, die Entitäten beschreiben). In einem Graphen über Filme wäre zum Beispiel "Leonardo DiCaprio" ein Entitätsknoten, "spielte in" wäre eine Beziehungskante und "Titanic" wäre ein weiterer Entitätsknoten. Der Knoten "Leonardo DiCaprio" könnte auch Eigenschaften wie "Geburtsdatum" haben. Zu den bekanntesten öffentlichen Wissensgraphen gehören der Knowledge Graph von Google und Open-Source-Projekte wie DBpedia.

Anwendungen in AI und maschinellem Lernen

Wissensgraphen sind Bestandteil zahlreicher intelligenter Anwendungen:

• Semantische Suche: Suchmaschinen nutzen Wissensgraphen, um die Absicht hinter einer Suchanfrage zu verstehen und relevantere, kontextbezogene Ergebnisse zu liefern, die über den einfachen Abgleich von Schlüsselwörtern hinausgehen. So können sie direkte Fragen wie "Wer ist der CEO von Apple" beantworten, indem sie den Graphen durchsuchen.
• Empfehlungssysteme: Durch die Modellierung von Beziehungen zwischen Nutzern, Artikeln und deren Attributen ermöglichen Wissensgraphen anspruchsvollere und personalisierte Empfehlungen in Bereichen wie KI im Einzelhandel und Content-Streaming.
• Beantwortung von Fragen und Chatbots: Wissensgraphen bieten strukturiertes Wissen, das es KI-Systemen ermöglicht, komplexe Fragen zu beantworten, indem sie durch die Beziehungen zwischen Entitäten navigieren und so die Fähigkeiten der konversationellen KI verbessern.
• Datenintegration: Wissensgraphen können Daten aus unterschiedlichen Quellen zusammenführen und so eine konsistente und vernetzte Sicht auf die Informationen in einem Unternehmen schaffen. Dies ist für Big-Data-Analysen unerlässlich und wird häufig mit Sprachen wie SPARQL abgefragt.
• Verbesserung anderer KI-Modelle: Wissensgraphen können kontextbezogenes Hintergrundwissen für andere KI-Aufgaben liefern. In der Computer Vision (CV) könnte ein Graph beispielsweise Objekte, die von Modellen wie Ultralytics YOLO11 identifiziert wurden, mit Informationen über ihre Eigenschaften oder Funktionen verknüpfen, was zu einem umfassenderen Verständnis der Szene führt. Plattformen wie Ultralytics HUB verwalten die Datensätze und Modelle, mit denen dieses strukturierte Wissen genutzt werden kann.

Beispiele aus der Praxis

1. Personalisierung im E-Commerce: Ein Online-Einzelhändler verwendet einen Wissensgraphen, der Kunden, Produkte, Marken, Kategorien, Suchhistorie und Kaufdaten miteinander verbindet. Wenn ein Benutzer nach "Laufschuhen" sucht, hilft der Graph dem System, verwandte Konzepte (z. B. "Marathon", "Trail Running") und die Vorlieben des Benutzers zu verstehen, um hochgradig personalisierte Ergebnisse und Empfehlungen für ergänzende Produkte zu liefern. Dadurch wird das Kundenerlebnis insgesamt verbessert.
2. KI-Lösungen im Gesundheitswesen: Eine medizinische Forschungseinrichtung baut einen Wissensgraphen auf, der Krankheiten, Symptome, Gene, Medikamente und Forschungspublikationen aus Quellen wie PubMed miteinander verknüpft. Dies ermöglicht Forschern die Abfrage komplexer Zusammenhänge, z. B. "Finden Sie Medikamente, die auf Protein X abzielen und zur Behandlung von Krankheit Y eingesetzt werden", was die Arzneimittelentdeckung beschleunigt und die Diagnoseunterstützung für die medizinische Bildanalyse verbessert.

Knowledge Graph vs. Verwandte Konzepte

• Datenbank: Eine traditionelle relationale Datenbank speichert Daten in vordefinierten, starren Tabellen mit Zeilen und Spalten. Ein Wissensgraph verwendet eine flexible Graphenstruktur (Knoten und Kanten), die besser geeignet ist, komplexe, sich entwickelnde Beziehungen darzustellen und neue Verbindungen abzuleiten. Moderne Graphdatenbanken wie Neo4j sind speziell für die Verwaltung dieser Struktur konzipiert.
• Vektorsuche: Dies ist eine Methode zum Auffinden ähnlicher Elemente auf der Grundlage der Nähe ihrer Vektoreinbettungen. Während Vektordatenbanken für die Ähnlichkeitssuche sehr effizient sind, speichern sie Beziehungen nicht explizit wie ein Wissensgraph. Wissensgraphen definieren explizite Verbindungen, während die Vektorsuche implizite Verbindungen auf der Grundlage gelernter Merkmale findet.
• Große Sprachmodelle (LLMs): LLMs speichern Wissen implizit in ihren Parametern, nachdem sie auf großen Textmengen trainiert wurden. Wissensgraphen speichern Wissen explizit und nachweisbar. Sie können zusammen verwendet werden; ein LLM könnte eine Anfrage beantworten, indem es zunächst Sachinformationen aus einem Wissensgraphen abruft, um Halluzinationen zu reduzieren und Genauigkeit zu gewährleisten, eine Technik, die für Retrieval-Augmented Generation (RAG) von zentraler Bedeutung ist.