Knowledge Graph

Ein Knowledge Graph ist ein Modell, das Informationen aus verschiedenen Quellen organisiert und miteinander verbindet, um Wissen über eine Domäne auf strukturierte, menschenähnliche Weise darzustellen. Im Gegensatz zu einer traditionellen Datenbank, die Daten in Tabellen speichert, erfasst ein Knowledge Graph Informationen als ein Netzwerk von Entitäten (realen Objekten, Ereignissen, Situationen oder abstrakten Konzepten) und den Beziehungen zwischen ihnen. Diese Struktur ermöglicht es KI-Systemen, den Kontext zu verstehen, Schlussfolgerungen zu ziehen und komplexe Fragen effektiver zu beantworten, als durch einfaches Abgleichen von Schlüsselwörtern. Das Konzept ist eine Kernkomponente des Semantic Web mit dem Ziel, Internetdaten maschinenlesbar zu machen.

Die Struktur eines Knowledge Graph besteht aus Knoten (Entitäten), Kanten (Beziehungen) und Eigenschaften (Attribute, die Entitäten beschreiben). In einem Graph über Filme wäre beispielsweise "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. Prominente öffentliche Knowledge Graphs sind Googles Knowledge Graph und Open-Source-Projekte wie DBpedia.

Anwendungen in KI und maschinellem Lernen

Knowledge Graphs sind integraler Bestandteil zahlreicher intelligenter Anwendungen:

• Semantische Suche: Suchmaschinen verwenden Wissensgraphen, um die Absicht hinter Anfragen zu verstehen und relevantere, kontextbezogene Ergebnisse über einfache Keyword-Übereinstimmungen hinaus bereitzustellen. Dies ermöglicht es ihnen, direkte Fragen wie „Wer ist der CEO von Apple“ zu beantworten, indem sie den Graphen durchlaufen.
• Recommendation Systems: Durch die Modellierung von Beziehungen zwischen Benutzern, Artikeln und deren Attributen ermöglichen Wissensgraphen anspruchsvollere und personalisierte Empfehlungen in Bereichen wie KI im Einzelhandel und Content-Streaming.
• Question Answering und Chatbots: Wissensgraphen bieten strukturiertes Wissen, das es KI-Systemen ermöglicht, komplexe Fragen durch die Navigation von Entitätsbeziehungen zu beantworten und so die Fähigkeiten von Conversational AI zu verbessern.
• Datenintegration: Knowledge Graphs können Daten aus unterschiedlichen Quellen vereinheitlichen und so eine konsistente und vernetzte Sicht auf Informationen im gesamten Unternehmen schaffen. Dies ist entscheidend für Big Data-Analysen und wird oft mit Sprachen wie SPARQL abgefragt.
• Verbesserung anderer KI-Modelle: Wissensgraphen können Kontextwissen für andere KI-Aufgaben bereitstellen. In Computer Vision (CV) könnte beispielsweise ein Graph Objekte, die von Modellen wie Ultralytics YOLO11 identifiziert wurden, mit Informationen über ihre Eigenschaften oder Funktionen verknüpfen, was zu einem umfassenderen Szenenverständnis führt. Plattformen wie Ultralytics HUB verwalten die Datensätze und Modelle, die dieses strukturierte Wissen nutzen können.

Beispiele aus der Praxis

1. E-Commerce-Personalisierung: Ein Online-Händler verwendet einen Knowledge Graph, der Kunden, Produkte, Marken, Kategorien, den Ansichtsverlauf und Kaufdaten miteinander verbindet. Wenn ein Benutzer nach "Laufschuhen" sucht, hilft der Graph dem System, verwandte Konzepte (z. B. "Marathon", "Trailrunning") und Benutzerpräferenzen zu verstehen, um hochgradig personalisierte Ergebnisse und Empfehlungen für ergänzende Produkte bereitzustellen. Dies verbessert das gesamte Kundenerlebnis.
2. KI-Lösungen im Gesundheitswesen: Eine medizinische Forschungseinrichtung erstellt einen Knowledge Graph, der Krankheiten, Symptome, Gene, Medikamente und Forschungspublikationen aus Quellen wie PubMed miteinander verbindet. Dies ermöglicht es Forschern, komplexe Beziehungen abzufragen, wie z. B. "Finde Medikamente, die auf Protein X abzielen und zur Behandlung von Krankheit Y eingesetzt werden", was die Wirkstoffforschung beschleunigt und die diagnostische Unterstützung 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 Knowledge Graph verwendet eine flexible Graphstruktur (Knoten und Kanten), die besser geeignet ist, um 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 basierend auf der Nähe ihrer Vektor-Einbettungen. Während Vektordatenbanken sehr effizient für Ähnlichkeitssuchen sind, speichern sie Beziehungen nicht explizit wie ein Knowledge Graph. Knowledge Graphs definieren explizite Verbindungen, während die Vektorsuche implizite Verbindungen basierend auf gelernten Merkmalen findet.
• Large Language Models (LLMs): LLMs speichern Wissen implizit in ihren Parametern, nachdem sie auf riesigen Textmengen trainiert wurden. Knowledge Graphs speichern Wissen explizit und überprüfbar. Sie können zusammen verwendet werden; ein LLM könnte eine Anfrage beantworten, indem er zuerst faktische Informationen aus einem Knowledge Graph abruft, um Halluzinationen zu reduzieren und die Genauigkeit sicherzustellen, eine Technik, die für die Retrieval-Augmented Generation (RAG) von zentraler Bedeutung ist.