Knowledge Graph

Ein Wissensgraph ist eine strukturierte Darstellung realer Entitäten 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 darstellen) und Kanten (die Verbindungen oder Interaktionen zwischen diesen Knoten darstellen). Diese Struktur ahmt nach, wie Menschen Informationen organisieren, und ermöglicht es künstliche Intelligenz (AI)-Systemen, Kontext zu verstehen, neue Fakten abzuleiten und Daten auf semantischere und stärker vernetzte Weise zu verarbeiten.

Die Struktur verstehen#

Im Zentrum eines Wissensgraphen stehen drei Hauptkomponenten, die sogenannte „Tripel“ (Subjekt-Prädikat-Objekt) bilden:

• Knoten (Entitäten): Dies sind die einzelnen Datenpunkte, etwa „London“, „Python“ oder „Ultralytics YOLO26“. Bei Aufgaben der Computer Vision können sie erkannte Objekte wie ein „Auto“ oder einen „Fußgänger“ darstellen.
• Kanten (Beziehungen): Diese einzelnen Linien verbinden Knoten und definieren, wie sie miteinander in Beziehung stehen. Beispielsweise kann eine Kante die Beziehung zwischen „London“ und „UK“ als „is_capital_of“ beschriften.
• Attribute (Eigenschaften): Zusätzliche Details, die einen Knoten beschreiben, etwa die Einwohnerzahl einer Stadt oder der Konfidenzwert einer Objekterkennung.

Diese netzartige Struktur ermöglicht semantische Suche, bei der die Suchmaschine die Absicht des Benutzers versteht, anstatt lediglich Schlüsselwörter abzugleichen. Wenn das System beispielsweise weiß, dass „Jaguar“ sowohl ein Tier als auch eine Automarke ist, kann es Ergebnisse anhand des Kontexts unterscheiden.

Integration in maschinelles Lernen#

Wissensgraphen werden zunehmend wichtiger, um Modelle für maschinelles Lernen (ML) zu verbessern. Während Deep-Learning-Modelle hervorragend statistische Muster erkennen, fehlt ihnen oft die faktische Grundlage. Durch die Integration eines Wissensgraphen erhalten Modelle Zugriff auf ein verifiziertes „Weltbild“.

• Retrieval-Augmented Generation (RAG): Generative Modelle können mitunter plausible, aber falsche Informationen erzeugen. Indem große Sprachmodelle (LLMs) mit einem Wissensgraphen verankert werden, können KI-Agenten vor der Erstellung einer Antwort eine verifizierte Quelle der Wahrheit abfragen. Dadurch werden Halluzinationen in LLMs deutlich reduziert und die faktische Genauigkeit für Unternehmensanwendungen verbessert.
• Empfehlungssysteme: Im Bereich KI im Einzelhandel bilden Graphen komplexe Beziehungen zwischen Benutzern und Produkten ab. Wenn ein Kunde eine Kamera kauft, erkennt der Graph die funktionale Verbindung zu „SD-Karten“ oder „Stativen“ und ermöglicht dadurch bessere Empfehlungen als eine einfache kollaborative Filterung.

Codebeispiel: Entitäten für einen Graphen extrahieren#

Computer-Vision-Modelle eignen sich hervorragend als Einstiegspunkt zum Befüllen von Wissensgraphen, da sie physische Entitäten in der realen Welt identifizieren. Das folgende Python-Codefragment zeigt, wie du das Modell Ultralytics YOLO26 verwendest, um Objekte in einem Bild zu erkennen. Diese erkannten Klassen können als Knoten dienen, die anschließend in einer Graphdatenbank (etwa Neo4j oder Amazon Neptune) miteinander 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}")

Anwendungen in der Praxis#

1. Arzneimittelforschung im Gesundheitswesen: Forschende im Bereich KI im Gesundheitswesen nutzen Wissensgraphen, um biologische Wechselwirkungen zu modellieren. Durch die Verknüpfung von Entitäten wie Genen, Proteinen und chemischen Verbindungen aus Datenbanken wie UniProt können Algorithmen potenzielle Angriffspunkte für Medikamente und Nebenwirkungen vorhersagen und so die Entwicklung neuer Behandlungsmethoden beschleunigen.

2. Digitale Zwillinge der Lieferkette: Logistikunternehmen setzen Wissensgraphen ein, um einen „digitalen Zwilling“ ihrer Abläufe zu erstellen. Knoten stellen Lieferanten, Lagerhäuser und Bestände dar, während Kanten Versandrouten und Abhängigkeiten repräsentieren. Diese Struktur erleichtert die Big-Data-Analyse und ermöglicht es Managern, Verzögerungen vorherzusagen und Routen dynamisch zu optimieren.

Wissensgraphen im Vergleich zu relationalen Datenbanken#

Es ist wichtig, einen Wissensgraphen von einer herkömmlichen relationalen Datenbank (RDBMS) zu unterscheiden. Eine relationale Datenbank speichert Daten in starren Tabellen, die über Fremdschlüssel miteinander verknüpft sind, was für strukturierte Transaktionsdaten (etwa Bankbuchungen) 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 (der häufig in einer Graphdatenbank gespeichert wird) die Beziehung als gleichberechtigtes Kernelement. Das Durchlaufen von Verbindungen erfolgt unmittelbar, wodurch Graphen sich besser für Aufgaben mit stark vernetzten Daten eignen, etwa die Erkennung von Betrugsnetzwerken oder die Analyse sozialer Netzwerke. Während RDBMS bei der Speicherung und dem Abruf bestimmter Datensätze besonders leistungsfähig ist, eignen sich Wissensgraphen besonders gut dafür, Muster und verborgene Erkenntnisse in den Verbindungen selbst aufzudecken.

Zukunftsperspektiven mit multimodaler KI#

Die Zukunft von Wissensgraphen liegt im multimodalen Lernen. Während Modelle wie Ultralytics YOLO26 die Objekterkennung und Posenschätzung weiter verbessern, werden sie automatisch visuellen Kontext in Graphen einspeisen. Dadurch entstehen Systeme, die nicht nur Text „lesen“, sondern auch die Welt „sehen“ und visuelle Konzepte mit sprachlichen Definitionen verknüpfen. Mit der Ultralytics Platform können Entwickler diese spezialisierten Vision-Modelle trainieren, um benutzerdefinierte Entitäten zu erkennen und damit effektiv die Sinnesorgane für die nächste Generation wissensbewusster KI-Systeme zu entwickeln.