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 ein Netzwerk aus Knoten (die Objekte, Personen oder Konzepte repräsentieren) und Kanten (die die Verbindungen oder Interaktionen zwischen diesen Knoten repräsentieren). Diese Struktur ahmt nach, wie Menschen Informationen organisieren, und ermöglicht es Systemen der artificial intelligence (AI), Kontext zu verstehen, neue Fakten abzuleiten und auf semantischere und stärker vernetzte Weise über Daten zu schlussfolgern.

Die 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 etwa die Einwohnerzahl einer Stadt oder der confidence score einer Objekterkennung.

Diese netzwerkartige Struktur versetzt Systeme in die Lage, semantic search 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.

Integration mit maschinellem Lernen#

Wissensgraphen werden zunehmend entscheidend für die Verbesserung von machine learning (ML)-Modellen. Während Deep-Learning-Modelle hervorragend in der statistischen Mustererkennung sind, fehlt ihnen oft die faktische Verankerung. Die Integration eines Wissensgraphen ermöglicht es Modellen, auf ein verifiziertes „Weltbild“ zuzugreifen.

• Retrieval-Augmented Generation (RAG): Generative Modelle können manchmal plausible, aber inkorrekte Informationen erzeugen. Indem Large Language Models (LLMs) mit einem Wissensgraphen verankert werden, können KI-Agenten eine verifizierte Wahrheitsquelle abfragen, bevor sie eine Antwort generieren. Dies reduziert hallucinations in LLMs signifikant und verbessert die faktische Genauigkeit für Unternehmensanwendungen.
• Recommendation Systems: Im Bereich AI in retail 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.

Code-Beispiel: Extrahieren von Entitäten für einen Graphen#

Computer-Vision-Modelle dienen als hervorragende Einstiegspunkte für das Befüllen von Wissensgraphen, indem sie physische Entitäten in der realen Welt identifizieren. Das folgende Python-Snippet demonstriert, wie man das Ultralytics YOLO26-Modell 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}")

Praxisanwendungen#

1. Arzneimittelforschung im Gesundheitswesen: Forscher im Bereich AI in healthcare 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. Supply-Chain-Digital-Twins: Logistikunternehmen setzen Wissensgraphen ein, um einen „digitalen Zwilling“ ihrer Abläufe zu erstellen. Knoten repräsentieren Lieferanten, Lagerhäuser und Bestände, während Kanten Versandwege und Abhängigkeiten repräsentieren. Diese Struktur erleichtert Big Data-Analysen und versetzt Manager in die Lage, Verzögerungen vorherzusagen und Routen dynamisch zu optimieren.

Wissensgraphen 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 (der oft in einer Graph Database gespeichert ist) die Beziehung als Bürger erster Klasse. Das Durchlaufen von Verbindungen erfolgt in Echtzeit, was Graphen überlegen macht für Aufgaben mit stark vernetzten Daten, wie Betrugserkennungsringen oder der Analyse sozialer Netzwerke. Während relationale Datenbanken (RDBMS) sich durch die Speicherung und Abfrage spezifischer Datensätze auszeichnen, glänzen Wissensgraphen beim Entdecken von Mustern und versteckten Erkenntnissen innerhalb der Verbindungen selbst.

Zukunftsausblick mit Multi-Modal AI#

Die Zukunft von Wissensgraphen liegt im multi-modal learning. Da Modelle wie Ultralytics YOLO26 sich bei der Objekterkennung und pose estimation kontinuierlich weiterentwickeln, speisen sie automatisch visuellen Kontext in Graphen ein. Dadurch entstehen Systeme, die Text nicht nur „lesen“, sondern die Welt „sehen“ und visuelle Konzepte mit sprachlichen Definitionen verknüpfen. Mithilfe der Ultralytics Platform können Entwickler diese spezialisierten Vision-Modelle trainieren, um benutzerdefinierte Entitäten zu erkennen, und so effektiv die Sinnesorgane für die nächste Generation wissensbasierter KI-Systeme aufbauen.