Was ist ein Knowledge Graph? Entitäten und Beziehungen erklärt

Was ist ein Knowledge Graph und was heißt „Dinge, nicht Zeichenketten“?

Ein Knowledge Graph ist ein Datenmodell, das Entitäten (Personen, Produkte, Orte, Konzepte) als Knoten und ihre Beziehungen als Kanten speichert. Zudem hat jede Aussage die Form Subjekt, Prädikat, Objekt. Dadurch liest ein System verbundene Fakten statt loser Texte und beantwortet Fragen, indem es Beziehungen folgt.

Was ist ein Knowledge Graph im Alltag? Stellen Sie sich einen Stadtplan vor. Konkret sind Gebäude Knoten und Straßen die Verbindungen dazwischen. Sie lernen also keine Adressen auswendig, sondern folgen den Straßen von einem Ort zum nächsten. Somit verknüpft ein Knowledge Graph Informationen nach demselben Prinzip.

Google hat bei der Vorstellung seines Knowledge Graph den Satz „things, not strings“ verwendet, auf Deutsch also „Dinge, nicht Zeichenketten“. Laut dem offiziellen Beitrag von Google versteht das System reale Entitäten und ihre Beziehungen. Zum Beispiel kann „taj mahal“ ein Bauwerk, einen Musiker oder ein Restaurant meinen. Daher unterscheidet das System das auf Ebene der Entität, nicht auf Ebene des Wortes.

Deshalb erklären wir in diesem Ratgeber den Begriff auf Konzeptebene. Talha Aslan und Team konzentrieren sich darauf, was Sie entscheiden müssen: wann ein Graph hilft, wann nicht und wie Sie anfangen. Werkzeugnamen, Versionen und Preise lassen wir bewusst weg, denn sie veralten schnell. Prüfen Sie aktuelle Angaben deshalb in der offiziellen Dokumentation des Anbieters.

Welches Problem löst ein Knowledge Graph?

Unternehmensdaten liegen meist an getrennten Orten. Produkte stehen in einer Tabelle, Kundennotizen im Postfach und technische Unterlagen in einem gemeinsamen Ordner. Die Verbindungen dazwischen tragen oft Menschen im Kopf. Verlässt jemand das Unternehmen, geht die Verbindung also mit.

Die Stichwortsuche stößt hier an Grenzen, weil dieselbe Entität mehrere Namen hat. Eine Kundin erscheint zum Beispiel als „A. Schmidt“ im Kundenstamm, als „Anna Schmidt“ auf Rechnungen und nur als „Frau Schmidt“ in Nachrichten. Allerdings hält der reine Textvergleich das für drei verschiedene Personen.

Dann führt ein Knowledge Graph die drei Datensätze in einem Knoten zusammen. Danach verbindet er diese Person mit ihren gekauften Produkten, ihren Supportanfragen und ihrem Unternehmen. So wird eine mehrstufige Frage wie „Welche Produkte nutzt das Unternehmen dieser Kundin?“ zu einem einzigen Gang durch den Graphen.

Kurz gesagt macht ein Knowledge Graph versteckte Beziehungen sichtbar. Er ordnet Tabellenzeilen und Dokumentabsätze um eine Frage herum neu: Wer oder was hängt womit zusammen, und wie? Diese Struktur lesen Menschen und Systeme mit künstlicher Intelligenz gleichermaßen leichter.

Ein Beispielszenario: Das Support Team einer Softwarefirma erhält Hunderte Tickets zum selben Fehler. Jedes Ticket nutzt andere Worte, daher zählt das System sie einzeln. Im Graphen verweisen die Tickets dagegen auf einen Fehlerknoten. Das Team sieht dann auf einen Blick, welche Produktversion und welche Kunden betroffen sind.

Was ist ein Knowledge Graph konkret: Knoten, Kanten und Tripel?

Ein Knowledge Graph besteht aus drei Grundbausteinen. Wenn Sie diese verstehen, wird daher der Rest des Begriffs leicht.

• Knoten: Er steht für eine Entität. Zum Beispiel kann das eine Person, ein Produkt, eine Stadt, eine Marke oder ein abstraktes Konzept sein.
• Kante: Sie zeigt die Beziehung zwischen zwei Knoten. „Stellt her“, „gehört zu“ und „arbeitet bei“ sind Kanten.
• Tripel: Es ist die kleinste Wissenseinheit und besteht aus Subjekt, Prädikat und Objekt.

Schauen wir uns ein Tripel an. Angenommen, „Campingzelt“ ist das Subjekt, „benötigt“ das Prädikat und „Zeltunterlage“ das Objekt. Somit erzeugt diese eine Aussage zwei Knoten und eine Kante dazwischen. Liegen tausende Tripel nebeneinander, dann entsteht ein Netz.

Die RDF Einführung des W3C beschreibt diese Struktur formal. Erstens folgt jede Aussage dem Muster Subjekt, Prädikat, Objekt. Zweitens bilden Subjekte und Objekte die Knoten des Graphen, während die Prädikate die Verbindungen zwischen ihnen darstellen. Außerdem kann jede Ressource einen weltweit eindeutigen Bezeichner (IRI) tragen. Dadurch lassen sich dieselben Entitäten aus verschiedenen Datensätzen verknüpfen.

Wie funktioniert ein Knowledge Graph Schritt für Schritt?

Was ist ein Knowledge Graph in der Praxis? Seine Funktionsweise lässt sich konzeptionell in sechs Schritten erklären. Werkzeuge ändern sich, die Logik bleibt allerdings gleich. Zunächst sammeln Sie Rohdaten, dann machen Sie daraus Entitäten und Beziehungen, und schließlich machen Sie alles abfragbar.

1. Legen Sie die Datenquellen fest: Tabellen, Dokumente, Produktkatalog, Supportdaten.
2. Wählen Sie die Entitätstypen: Produkt, Kunde, Kategorie, Dokument, Person.
3. Ziehen Sie Entitäten und Beziehungen aus Texten und Tabellen. Außerdem gelingt das von Hand, mit Regeln oder mit einem Sprachmodell.
4. Führen Sie unterschiedliche Schreibweisen derselben Entität in einem Knoten zusammen. Dieser Schritt heißt daher Entity Resolution.
5. Speichern Sie die Tripel in einer Graphdatenbank.
6. Fragen Sie den Graphen ab und nutzen Sie die Ergebnisse für Suche, Empfehlungen oder Antworten mit künstlicher Intelligenz.

Der dritte Schritt birgt das größte Risiko. Eine falsche Beziehung lebt nämlich unbemerkt im Graphen weiter. Deshalb sollten Sie Stichproben prüfen und zu jedem Tripel die Quelle speichern.

Zweitens folgen Sie bei der Abfrage einem Pfad. Die Frage „Zu welcher Kategorie gehört das Produkt dieses Lieferanten?“ startet zum Beispiel beim Lieferantenknoten und läuft über zwei Kanten. In einer relationalen Datenbank braucht dieselbe Aufgabe dagegen oft mehrere Tabellenverknüpfungen.

Was ist eine Ontologie und was leistet sie im Knowledge Graph?

Eine Ontologie ist das gemeinsame Vokabular, das beschreibt, welche Entitätstypen und Beziehungen es in einem Fachgebiet gibt. Die OWL 2 Übersicht des W3C beschreibt Ontologien als formalisierte Vokabulare, die oft ein bestimmtes Gebiet abdecken und von einer Gemeinschaft geteilt werden. Außerdem nennt das Dokument OWL 2 eine Sprache, die für das Schreiben solcher Vokabulare entworfen wurde.

Ein einfacher Vergleich hilft hier weiter, denn er macht den Unterschied greifbar. Der Knowledge Graph ist die Stadt selbst, die Ontologie ist das Regelwerk der Bauplanung. Das Regelwerk sagt zum Beispiel: „Ein Produkt gehört genau zu einer Kategorie“ oder „Ein Kunde kann eine Bestellung aufgeben, aber eine Bestellung kann keinen Kunden aufgeben.“

Der Hauptnutzen ist Konsistenz. Das heißt, alle verwenden das Wort „Kunde“ im selben Sinn. Zudem kann ein System ungeschriebene Fakten aus den Regeln ableiten. Sagt eine Regel, ein Laptop sei ein Computer, und eine andere, ein Computer sei ein Elektronikprodukt, dann schließt das System, dass der Laptop ein Elektronikprodukt ist.

Allerdings braucht nicht jedes Projekt eine schwere Ontologie. Oft reicht ein kleiner Start mit wenigen Entitätstypen und Beziehungen. Danach erweitern Sie das Vokabular, sobald der Bedarf wächst.

Eine Unterscheidung ist daher wichtig. Eine Ontologie speichert Ihre Daten nicht selbst, sondern gibt ihnen einen Bedeutungsrahmen. Ohne Graph bleibt eine Ontologie also Theorie. Ohne Ontologie kann ein Graph dagegen auseinanderlaufen, weil verschiedene Teams Dinge verschieden benennen.

Worin unterscheiden sich ein RDF Graph und ein Property Graph?

Ein Knowledge Graph legt Sie nicht auf ein Format fest. In der Praxis begegnen Ihnen zwei verbreitete Modelle.

Erstens ist RDF ein Standard des W3C. Dort erscheint alles als Tripel, und Entitäten tragen weltweit eindeutige Bezeichner. Daher lassen sich Daten verschiedener Organisationen leichter kombinieren und gemeinsame Vokabulare wiederverwenden. Projekte mit offenen Daten und Standardvokabularen wählen oft diesen Weg.

Zweitens hängen Sie beim Property Graph Eigenschaften sowohl an Knoten als auch an Kanten. Zum Beispiel können Sie an einer Kante „kaufte“ das Datum und den Betrag speichern. Teams bevorzugen ihn häufig für interne Anwendungen, weil er flexibel und entwicklerfreundlich wirkt.

Welches Modell passt, hängt vom Bedarf ab. Wenn Datenaustausch und Standards zählen, ist RDF also sinnvoll. Muss dagegen eine einzelne Anwendung schnell fertig werden, genügt ein Property Graph. Beide Modelle tragen dieselbe Kernidee: Entitäten und die Beziehungen zwischen ihnen.

Wie unterscheidet sich ein Knowledge Graph von einer Vektordatenbank und einer relationalen Datenbank?

Zunächst gilt: Die drei Ansätze beantworten unterschiedliche Fragen. Daher ergänzen sie sich eher, als dass sie konkurrieren. Die folgende Tabelle fasst den Unterschied zusammen.

Wenn Sie die Vektorseite interessiert, lesen Sie unseren Beitrag zu Embeddings und Vektordatenbanken. Dort erklären wir, wie semantische Ähnlichkeit funktioniert, deshalb wiederholen wir es hier nicht.

Hier die Kurzfassung. Kurz gesagt beantwortet ein Vektor die Frage „Wem ähnelt das?“. Ein Knowledge Graph beantwortet dagegen die Frage „Womit hängt das zusammen, und wie?“. Systeme, die beides nutzen, erfassen Ähnlichkeit und Beziehung.

Was ist GraphRAG und wie hängt es mit einem Knowledge Graph zusammen?

RAG bedeutet, dass ein Sprachmodell vor der Antwort Informationen aus externen Dokumenten abruft. Die Grundlagen haben wir in unserem RAG Ratgeber behandelt. Dann ergänzt GraphRAG diesen Abrufschritt um einen Knowledge Graph.

Laut dem Abstract der Forschungsarbeit arbeitet die Methode in zwei Stufen. Zunächst baut ein Sprachmodell aus den Quelldokumenten einen Graphen aus Entitäten und bereitet Zusammenfassungen für Gruppen eng verwandter Entitäten vor. Dann erzeugt es bei einer Frage aus diesen Zusammenfassungen Teilantworten und fasst sie zu einer Endantwort zusammen.

Die Arbeit hält fest, dass klassisches RAG bei Fragen zur ganzen Sammlung Mühe hat, etwa „Was sind die Hauptthemen dieses Datensatzes?“. Deshalb zielt GraphRAG bei solchen breiten Fragen auf umfassendere und vielfältigere Antworten.

Wir halten das kurz, denn Thema dieses Ratgebers ist der Knowledge Graph. Merken Sie sich einen Punkt: GraphRAG ist ein Ansatz, kein Produktname. Prüfen Sie in der aktuellen Dokumentation des Anbieters, welche Anwendung welche Variante anbietet.

Was bringt ein Knowledge Graph bei Produktbeziehungen?

Denken Sie an einen E-Commerce Katalog. Zunächst hat jedes Produkt eine Kategorie, eine Marke, passendes Zubehör und Alternativen. Stehen diese Beziehungen als Spalten in einer Tabelle, lassen sie sich schlecht abfragen. Im Graphen ist jede Beziehung dagegen eine direkte Kante.

Ein Beispielszenario: Ein Campinggeschäft überführt seinen Katalog in einen Graphen. Der Knoten „Zelt“ verweist über die Kante „wird zusammen genutzt“ auf „Zeltunterlage“ und „Schlafsack“. Ruft ein Kunde die Zeltseite auf, dann folgt das System einem Pfad und zeigt die passenden Ergänzungen.

• Ergänzende Empfehlungen: Sie lesen zusammengehörige Produkte direkt aus der Beziehung ab.
• Alternative Empfehlungen: Sie erreichen ähnliche Produkte derselben Kategorie über eine Kante.
• Kompatibilitätsprüfung: Sie beantworten „Passt dieses Zubehör zu diesem Modell?“ aus der Beziehung.
• Konsistente strukturierte Daten: Sie speisen das Markup der Produktseiten aus denselben Beziehungen.

Produkte in Empfehlungen von Systemen mit künstlicher Intelligenz zu bringen, ist ein verwandtes Thema. Wir behandeln es in unserem Beitrag zu GEO für E-Commerce Produkte.

Der Ansatz hat allerdings eine Grenze. Sind die Katalogdaten unvollständig oder die Kategorien uneinheitlich, behebt der Graph das nicht, sondern macht das Problem nur sichtbar. Klären Sie daher Ihre Benennungsregeln, bevor Sie Produktbeziehungen in einen Graphen übertragen.

Wie hilft ein Knowledge Graph beim internen Wissensmanagement?

Im Unternehmen verteilt sich Wissen auf Richtlinien, Besprechungsnotizen, Projektdateien und Supportdaten. Deshalb verlieren Mitarbeitende Zeit bei der Suche nach dem richtigen Dokument. Oft weiß außerdem niemand genau, wer was weiß.

Ein Knowledge Graph verwandelt diese Streuung in ein Beziehungsnetz. Dokumente, Projekte, Teams, Kunden und Prozesse werden zu Knoten. Eine Frage wie „Welche Projekte hatten wir mit diesem Kunden, und wer hat sie geleitet?“ beantwortet ein einziger Gang durch den Graphen.

Ein Beispielszenario: Eine Beratungsfirma verknüpft frühere Angebote, zugehörige Verträge und Projektleitungen in einem Graphen. Wer ein neues Angebot vorbereitet, sieht daher schnell ähnliche Projekte und die beteiligten Personen. Somit beginnt niemand bei null.

Kombinieren Sie diese Struktur mit einem Sprachmodell, dann können Mitarbeitende in normaler Sprache fragen. Dann holt das Modell den passenden Kontext aus dem Graphen und antwortet mit Quellen. Mehr zu unserer Arbeit in diesem Bereich finden Sie auf der Seite zum KI Wissensassistenten.

Was ist ein Knowledge Graph in der Google Suche und wie hängt er mit dem Knowledge Panel zusammen?

Der Knowledge Graph von Google ist der Graph, den Google für reale Entitäten und Beziehungen in den Suchergebnissen pflegt. Allerdings können Sie ihn nicht wie eine öffentliche Datenbank abfragen. Sein Ergebnis sehen Sie dennoch in den Suchergebnissen.

Am sichtbarsten ist das Knowledge Panel, der Infokasten bei der Suche nach einer Marke, Person oder einem Ort. Laut der Hilfeseite von Google entstehen die Informationen im Knowledge Panel automatisch aus öffentlichen Informationen im Web.

Allerdings nennt dieselbe Seite eine wichtige Grenze. Googles aktuelle Richtlinie sieht nicht vor, Knowledge Panels manuell zu erstellen oder zu löschen. Sie können Feedback senden, und Feedback von verifizierten Vertretern wird bevorzugt geprüft. Eine Zusage für die Annahme ist das trotzdem nicht.

Das Knowledge Panel ist also eine nutzerseitige Ausgabe eines Knowledge Graph. Ihr eigener Knowledge Graph ist dagegen eine getrennte Struktur, unabhängig von Google und auf Ihr Geschäft zugeschnitten. Beide beruhen auf derselben Idee, sind aber verschiedene Systeme.

Wie können Sie Ihre Marke im Knowledge Panel richtig darstellen?

Weil das Panel automatisch entsteht, bleibt Ihnen, Ihre Angaben im Web einheitlich und überprüfbar zu halten. Zunächst gilt: Kein Schritt garantiert ein Panel. Dennoch erhöhen diese Schritte die Chance, dass das System Ihre Marke richtig versteht.

1. Schreiben Sie Markenname, Adresse und Eckdaten auf Ihrer Website und in anderen Quellen gleich.
2. Halten Sie Ihre Über uns Seite klar: Sagen Sie, wer Sie sind, was Sie tun und wo Sie sitzen.
3. Ergänzen Sie strukturierte Daten als Markup. Somit beschreiben Sie Ihre Organisation in einer Form, die Maschinen lesen.
4. Verknüpfen Sie Ihre offiziellen Social Media Profile und Ihre Website miteinander.
5. Falls ein Panel existiert und falsche Angaben enthält, nutzen Sie den Feedback Weg, den Google anbietet.

Beim Schreiben des Markups helfen Ihnen unser Ratgeber zu Schema Markup und unser Schema Generator. Was strukturierte Daten für die Suche mit künstlicher Intelligenz leisten, erklären wir in unserem Beitrag zu strukturierten Daten für GEO.

Für umfassendere Unterstützung bei der Markensichtbarkeit schauen Sie auf unsere Seite zu KI SEO und GEO.

Wie fragen Sie einen Knowledge Graph ab?

Zunächst haben Graphdatenbanken eigene Abfragesprachen. In der RDF Welt ist SPARQL, die Abfragesprache des W3C, verbreitet. Auf der Seite der Property Graphs nutzen Produkte pfadorientierte Sprachen, die sich je nach Hersteller unterscheiden. Die Syntax lassen wir hier weg, denn sie variiert von Anbieter zu Anbieter.

Konzeptionell ist eine Abfrage also ein Mustervergleich. Sie sagen zum Beispiel: „Finde einen Produktknoten, den verbundenen Kategorieknoten und den damit verbundenen Markenknoten.“ Das System liefert alle Pfade im Graphen, die zu diesem Muster passen.

Der Ansatz hat noch einen Vorteil: Die Abfrage nennt die Beziehungen offen. Daher erkennt jeder, der das Ergebnis liest, warum die Antwort so ausfällt. Außerdem fällt das Gespräch mit Fachbereichen leichter, weil Wörter wie „Produkt, Kategorie, Marke“ ohnehin zum Wortschatz aller gehören.

Für Nutzer ohne technische Erfahrung kann ein Sprachmodell dazwischen sitzen. Die Person fragt in normaler Sprache, das Modell übersetzt die Frage in eine Abfrage und formt das Ergebnis dann wieder in verständliche Sprache um. Prüfen Sie die erzeugte Abfrage vor dem Ausführen, vor allem bei Vorgängen, die Daten ändern.

Kann ein Knowledge Graph Fehler von Sprachmodellen verringern?

Sprachmodelle sprechen flüssig, nennen aber manchmal falsche Fakten mit großer Sicherheit. Man nennt dieses Verhalten daher Halluzination. Allerdings löst ein Knowledge Graph das Problem nicht allein. Er gibt dem Modell jedoch einen überprüfbaren Kontext und kann so das Risiko senken.

Der Grund ist einfach. Denn vor der Antwort holt das Modell die passenden Entitäten und Beziehungen aus dem Graphen. Dann stützt es seine Antwort auf diese konkreten Fakten. Speichern Sie außerdem zu jedem Tripel eine Quelle, können Sie die Quelle an die Antwort hängen.

Bleiben Sie trotzdem vorsichtig. Steckt im Graphen eine falsche Beziehung, dann hält das Modell sie für wahr. Daher bestimmt die Qualität des Graphen die Qualität der Antwort. Eine feste Fehlerquote können Sie zudem nicht versprechen, also testen Sie die Ergebnisse mit Ihren eigenen Daten.

• Erstellen Sie zunächst eine kleine Liste kritischer Fragen.
• Schreiben Sie zu jeder Frage die richtige Antwort von Hand auf.
• Lassen Sie das Modell mit und ohne Graph laufen und vergleichen Sie die Antworten.
• Verfolgen Sie falsche Antworten bis zu den Beziehungen im Graphen zurück und korrigieren Sie diese.

Wie hilft das Denken in Knowledge Graphs bei der SEO Inhaltsplanung?

Suchmaschinen und Systeme mit künstlicher Intelligenz lesen Seiten nicht nur als Wörter, sondern auch als die Entitäten, die sie beschreiben. Daher hilft es, die eigene Website als Entitätenkarte zu sehen. Ein Ranking garantiert das allerdings nicht. Es ist eine Sichtweise, die die Planung ordnet.

Ein Beispielszenario: Eine Website für Küchengeräte zeichnet Produkte, Einsatzzwecke und passende Rezeptarten als Knoten. Beim Blick auf die Karte fällt dem Team auf, dass „Espressomaschine“ und „Mühle“ eng zusammenhängen, es aber keinen verbindenden Ratgeber gibt.

So erkennen Sie Lücken. Sie sehen, welche Entität Inhalte hat, welche Beziehung keine Seite abdeckt und wo interne Links fehlen. Anschließend bauen Sie die internen Links entlang dieser Beziehungen auf.

Eine komplexe Graphdatenbank brauchen Sie dafür nicht. Eine Tabelle oder ein Zeichenwerkzeug genügt stattdessen. Vor allem ist entscheidend, die Entitäten und Beziehungen bewusst zu benennen.

Welche Vorteile hat ein Knowledge Graph?

Ein Knowledge Graph ist nicht für jedes Problem das richtige Werkzeug. Bei beziehungslastigen Aufgaben bringt er allerdings klare Vorteile.

• Nachvollziehbarkeit: Sie zeigen, über welche Beziehungen ein Ergebnis entstand.
• Flexibilität: Für einen neuen Beziehungstyp müssen Sie nicht das ganze Schema neu bauen.
• Datenzusammenführung: Sie bündeln dieselbe Entität aus verschiedenen Quellen in einem Knoten.
• Mehrstufige Abfragen: Sie beantworten Fragen, die über mehrere Beziehungen laufen, auf natürliche Weise.
• Unterstützung für Sprachmodelle: Sie geben dem Modell strukturierten Kontext, den Sie überprüfen können.

Vor allem die Nachvollziehbarkeit ist für viele Unternehmen der wertvollste Punkt. Fragt jemand, warum eine Empfehlung erscheint, können Sie sagen: „Dieses Produkt liegt in jener Kategorie und wird oft mit jenem Produkt genutzt.“ Das schafft deutlich mehr Vertrauen als eine undurchsichtige Vorhersage.

Welche Grenzen und Risiken hat ein Knowledge Graph?

Erstens ist die erste Grenze der Aufwand. Das Schema entwerfen, Daten bereinigen und den Graphen aktuell halten kostet laufend Arbeit. Ein Graph ist nichts, was man einmal baut und dann vergisst.

• Datenqualität: Sind die Quelldaten falsch, trägt der Graph den Fehler über Beziehungen weiter.
• Falsche Extraktion: Beziehungen, die ein Sprachmodell zieht, können falsch sein. Prüfen Sie Stichproben.
• Schema Wildwuchs: Definieren Sie zu viele Entitätstypen, kann niemand den Graphen mehr nutzen.
• Pflegeaufwand: Beziehungen ändern sich mit dem Geschäft. Benennen Sie daher eine verantwortliche Person.
• Personenbezogene Daten: Beziehungen zu Personen sind sensibel. Prüfen Sie die Datenschutzregeln, die für Sie gelten.

Zudem ist dieser Beitrag keine Rechtsberatung. Planen Sie einen Graphen mit personenbezogenen Daten, arbeiten Sie mit Ihrer Rechtsberatung zusammen. Denken Sie außerdem an Zugriffsrechte auf Beziehungsebene, denn das Ausblenden eines Knotens betrifft auch die verbundenen Kanten.

Schließlich gehört das Erwartungsmanagement dazu. Ein Graph schafft nämlich am Tag der Einführung noch keinen Wert. In den ersten Wochen ändert sich das Schema, die Daten werden bereinigt, und manche Fragen erweisen sich als schwieriger als gedacht. Sagen Sie das den Beteiligten von Anfang an, dann sinkt das Risiko eines zu frühen Abbruchs.

Wann ist ein Knowledge Graph überflüssig?

Deshalb braucht nicht jeder Datenbestand einen Graphen. Prüfen Sie zunächst, ob Ihre Frage überhaupt auf Beziehungen zielt.

Liegen Ihre Daten in geordneten Tabellen und Ihre Fragen laufen nur auf Summieren, Filtern oder Sortieren hinaus, reicht eine relationale Datenbank. Zum Beispiel braucht die Frage „Wie viele Bestellungen kamen diesen Monat?“ keinen Graphen.

Lautet Ihre Frage nur „Welche Inhalte sind diesem hier in der Bedeutung ähnlich?“, genügt die Vektorsuche oft. Ein Knowledge Graph lohnt sich dagegen, weil er vor allem dann hilft, wenn Beziehungsketten zählen.

Ein kleiner Pilot ist der gesündeste Einstieg. Wählen Sie eine einzige Frage, etwa „Welche Produkte werden zusammen genutzt?“. Probieren Sie sie mit einer einfachen Tabelle oder einem kleinen Graphen aus. Sehen Sie keinen Nutzen, dann können Sie aufhören, bevor die Investition wächst.

Stellen Sie sich bei der Entscheidung noch eine Frage: Zwischen wie vielen Tabellen oder Dokumenten muss ich springen, um die Antwort zu finden? Sind es ein oder zwei, ist ein Graph wahrscheinlich zu viel. Braucht es fünf oder sechs Schritte über verschiedene Quellen, spart die offene Modellierung der Beziehungen Zeit.

Worin unterscheiden sich verwandte Begriffe vom Knowledge Graph?

Mehrere verwandte Begriffe werden verwechselt. Die folgende Tabelle fasst zusammen, was jeder bedeutet und worin er sich vom Knowledge Graph unterscheidet.

Keiner der Begriffe in der Tabelle ersetzt allein den Knowledge Graph. Sie ergänzen sich also vielmehr. Schema Markup ist zum Beispiel das Gesicht Ihrer Website nach außen, der Knowledge Graph dagegen das ganze Beziehungsnetz im Inneren.

Welche Checkliste sollten Sie vor dem Projektstart durchgehen?

Die folgende Liste ist ein praktischer Startpunkt für Geschäftsführung und Entwicklung. Beantworten Sie die Punkte der Reihe nach.

1. Welche einzelne Geschäftsfrage wollen Sie beantworten? Schreiben Sie sie auf.
2. Braucht diese Frage wirklich Beziehungsketten, oder reicht eine Tabelle?
3. Welche Datenquellen fließen in den Graphen, und wem gehört jede davon?
4. Welche Entitätstypen und Beziehungen benötigen Sie? Erstellen Sie eine kurze Liste.
5. Wie führen Sie verschiedene Schreibweisen derselben Entität zusammen?
6. Speichern Sie zu jedem Tripel die Quelle und den Aktualisierungszeitpunkt?
7. Enthält der Graph personenbezogene Daten? Stehen Zugriffs und Aufbewahrungsregeln?
8. Wie messen Sie den Erfolg? Legen Sie für den Pilot ein klares Maß fest.
9. Wer aktualisiert den Graphen? Benennen Sie eine Person für die Pflege.

Diese Liste in einer Besprechung zu beantworten, zeigt oft den wahren Umfang des Projekts. Somit vermeiden Sie unnötige Komplexität und halten den Pilot klein.

Welche Begriffe der künstlichen Intelligenz sollten Sie nach dem Knowledge Graph lesen?

Ein Knowledge Graph ist nur ein Teil eines Systems mit künstlicher Intelligenz. Für die Nachbarbegriffe lohnen sich die anderen Beiträge dieser Reihe. Daher zeigen wir hier nur die Verbindungen.

Den offenen Standard, über den ein Sprachmodell auf externe Systeme zugreift, erklären wir in unserem MCP Ratgeber. Eine Graphabfrage als Werkzeug für ein Modell bereitzustellen, ist ein typisches Beispiel für eine solche Verbindung.

Den Moment, in dem das Modell eine Antwort erzeugt, behandelt unser Beitrag zur Inferenz bei KI. Dann erreicht der Kontext aus dem Graphen das Modell während der Inferenz. Wollen Sie auffrischen, was das Modell selbst ist, ist unser Ratgeber zu großen Sprachmodellen ein guter Start.

Den Mechanismus, mit dem ein Modell eine Abfrage im Graphen ausführt, beschreibt unser Beitrag zu Function Calling.

Wie können Sie mit unserem Team an diesem Thema arbeiten?

Bei Talha Aslan und Team prüfen wir Konzepte wie den Knowledge Graph danach, ob sie zu Ihrem Geschäft passen. Zunächst klären wir den Bedarf gemeinsam. Danach schlagen wir, falls sinnvoll, einen kleinen Pilot vor. Wir empfehlen nicht jedem Unternehmen einen Graphen, manchmal genügen Tabellen und eine gute Suche.

Für Beratung zu interner Suche mit künstlicher Intelligenz, Dokumentenassistenten oder Datenintegration schauen Sie auf unsere Seite zur KI Automatisierung.

Zusammengefasst lautet die Antwort auf „Was ist ein Knowledge Graph?“ ganz einfach: Informationen samt ihren Beziehungen speichern. Die eigentliche Arbeit besteht darin, die Beziehungen zu wählen, die Ihrem Geschäft nützen. Daher: Starten Sie klein, behalten Sie die Quelle und messen Sie die Ergebnisse.

Dieser Ratgeber wirkt am besten zusammen mit den anderen Begriffsbeiträgen der Reihe. Einen Begriff zu lernen ist zwar leicht. Der echte Wert entsteht, wenn Sie erkennen, welches Problem in Ihrem Geschäft der Begriff beantwortet. Sind Sie bereit, beginnen Sie am besten mit einer Pilotfrage.