Knowledge Graph

Ein Wissensgraph ist eine strukturierte Darstellung realer Entitäten und ihrer Beziehungen zueinander. Anders als eine herkömmliche Datenbank, die Informationen in festen Zeilen und Spalten speichert, ordnet ein Wissensgraph die Informationen als Netzwerk aus Knoten (für Objekte, Personen oder Konzepte) und Kanten (für Verbindungen oder Interaktionen zwischen diesen Knoten) an. Diese Struktur ähnelt der menschlichen Informationsorganisation und ermöglicht es Systemen der künstlichen Intelligenz (AI), Kontext zu verstehen, neue Fakten abzuleiten und Daten semantisch verknüpft zu erschließen.

Die Struktur verstehen#

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

• Knoten (Entitäten): Einzelne Datenpunkte wie „London“, „Python“ oder „Ultralytics YOLO26“. Bei Aufgaben der Computer Vision können Knoten erkannte Objekte wie ein „Auto“ oder einen „Fußgänger“ darstellen.
• Kanten (Beziehungen): Diese Verbindungslinien verknüpfen Knoten und legen fest, in welcher Beziehung sie zueinander stehen. Beispielsweise kann eine Kante die Beziehung zwischen „London“ und „UK“ als „ist_Hauptstadt_von“ kennzeichnen.
• Attribute (Eigenschaften): Zusätzliche Angaben zu einem Knoten, etwa die Einwohnerzahl einer Stadt oder der Konfidenzwert einer Objekterkennung.

Diese netzartige Struktur ermöglicht semantische Suche, bei der die Suchmaschine die Absicht der Nutzer versteht, statt nur Schlüsselwörter abzugleichen. Da das System beispielsweise weiß, dass „Jaguar“ sowohl ein Tier als auch eine Automarke bezeichnet, kann es die Ergebnisse je nach Kontext unterscheiden.

Integration mit maschinellem Lernen#

Wissensgraphen sind zunehmend wichtig, um Modelle des maschinellen Lernens (ML) zu verbessern. Deep-Learning-Modelle sind zwar sehr gut darin, statistische Muster zu erkennen, verfügen aber oft über keine 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 ausgeben. Werden große Sprachmodelle (LLMs) durch einen Wissensgraphen mit Fakten unterlegt, können KI-Agenten vor der Erstellung einer Antwort eine verifizierte Quelle abfragen. Dadurch werden Halluzinationen in LLMs deutlich reduziert und die faktische Genauigkeit bei Unternehmensanwendungen verbessert.
• Empfehlungssysteme: Im Bereich der KI im Einzelhandel bilden Graphen komplexe Beziehungen zwischen Nutzern und Produkten ab. Kauft ein Kunde eine Kamera, erkennt der Graph die funktionale Verbindung zu „SD-Karten“ oder „Stativen“ und ermöglicht dadurch bessere Vorschläge als eine einfache kollaborative Filterung.

Codebeispiel: Entitäten für einen Graphen extrahieren#

Modelle für Computer Vision eignen sich hervorragend als Ausgangspunkt zum Aufbau von Wissensgraphen, da sie reale physische Entitäten erkennen. Das folgende Python-Beispiel zeigt, wie du mit dem Modell Ultralytics YOLO26 Objekte in einem Bild erkennst. Die erkannten Klassen können als Knoten dienen, die sich anschließend in einer Graphdatenbank (wie Neo4j oder Amazon Neptune) verknüpfen lassen.

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 nutzen KI im Gesundheitswesen, um biologische Wechselwirkungen in Wissensgraphen abzubilden. Indem sie Entitäten wie Gene, Proteine und chemische Verbindungen aus Datenbanken wie UniProt miteinander verknüpfen, können Algorithmen potenzielle Angriffspunkte für Medikamente und Nebenwirkungen vorhersagen und so die Entwicklung neuer Therapien beschleunigen.

2. Digitale Zwillinge für Lieferketten: Logistikunternehmen nutzen Wissensgraphen, um einen „digitalen Zwilling“ ihrer Abläufe zu erstellen. Knoten stehen für Lieferanten, Lagerhäuser und Bestände, während Kanten Versandwege und Abhängigkeiten abbilden. Diese Struktur erleichtert die Analyse von Big Data und ermöglicht es Verantwortlichen, Verzögerungen vorherzusagen und Routen dynamisch zu optimieren.

Wissensgraphen im Vergleich zu relationalen Datenbanken#

Es ist wichtig, einen Wissensgraphen von einer herkömmlichen relationalen Datenbank (RDBMS) abzugrenzen. Eine relationale Datenbank speichert Daten in festen Tabellen, die über Fremdschlüssel miteinander verknüpft sind. Das ist effizient für strukturierte Transaktionsdaten wie Bankbücher. Abfragen zu komplexen Beziehungen (z. B. „Finde Freunde von Freunden, die Science-Fiction mögen“) erfordern jedoch aufwendige „Join“-Operationen.

Ein Wissensgraph (der oft in einer Graphdatenbank gespeichert wird) behandelt Beziehungen dagegen als eigenständige Elemente. Verbindungen lassen sich sofort durchlaufen, weshalb Graphen für Aufgaben mit stark vernetzten Daten besser geeignet sind, etwa zur Erkennung von Betrugsnetzwerken oder zur Analyse sozialer Netzwerke. Relationale Datenbanken eignen sich gut zum Speichern und Abrufen bestimmter Datensätze; Wissensgraphen hingegen sind besonders gut darin, Muster und verborgene Zusammenhänge in den Verbindungen selbst aufzudecken.

Ausblick: multimodale KI#

Die Zukunft von Wissensgraphen liegt im multimodalen Lernen. Mit den Fortschritten von Modellen wie Ultralytics YOLO26 bei der Objekterkennung und Posenschätzung werden visuelle Informationen automatisch in Graphen eingespeist. So entstehen Systeme, die nicht nur Texte „lesen“, sondern auch die Welt „sehen“ und visuelle Konzepte mit sprachlichen Definitionen verknüpfen. Mit der Ultralytics Platform können Entwickler diese spezialisierten Bildverarbeitungsmodelle trainieren, damit sie benutzerdefinierte Entitäten erkennen und so die Sinnesorgane der nächsten Generation wissensgestützter KI-Systeme aufbauen.