Knowledge Graphen repräsentieren Wissen. Genauer, sie repräsentieren Wissen als Verknüpfungen zwischen Objekten. In unserem Beispiel unten ist Peter mit dem Projekt PEGASUS über die Relation „arbeitet in“ verbunden, mit dem Projekt INSIGHT über eine andere Relation, nämlich „leitet“. Die Namen der Relationen wählen wir in Knowledge Graphen i.d.R. so , dass die Aussagen, die sie bilden, lesbar sind: „Peter leitet Projekt INSIGHT“. Die Gegenrichtung ist immer mit dabei – „Projekt INSIGHT wird geleitet von Peter“. Wir können eine Verknüpfung nicht etablieren ohne gleichzeitig die umgekehrte Richtung herzustellen.
Zusätzlich können Objekte Attribute haben: in unserem Beispiel hat Peter eine E-Mail, das Projekt INSIGHT ein Startdatum. Der Typ (hier durch unterschiedliche Farben und Icons gekennzeichnet) bestimmt, welche Attribute ein Objekt haben und welche Relationen es eingehen kann. Personen können Projekte leiten, Firmen können Personen beschäftigen oder Projekte beauftragen. Ein Projekt kann nicht z.B. eine Firma beschäftigen – das würden wir im Schema unseres Knowledge Graphen nicht vorsehen.
Das ist alles wie im richtigen Leben – dazu gehört auch, dass es jedes Objekt im Knowledge Graph nur einmal gibt und alle Informationen sich genau bei diesem Objekt akkumulieren. Es gibt noch ein paar weitere erwähnenswerte Grundprinzipien, dazu folgt in Kürze ein eigener Beitrag. Aber wofür ist so ein Knowledge Graph jetzt eigentlich gut?
Knowledge Graphen eignen sich hervorragend, um auf den vorhandenen Verknüpfungen Schlussfolgerung zu ziehen. So können wir aus den Verknüpfungen zwischen Personen, Projekten, Firmen und Branchen schließen, welche Firma für welche Branche tätig ist. In unserem Mini-Knowledge-Graph arbeitet die Universal AG beispielsweise für die Automobilindustrie (siehe Screenshot). Obwohl auf den Daten und ihren Verknüpfungen ein langer Weg zurückgelegt wird, ist diese Schlussfolgerung in dem Sinne trivial, dass sie im menschlichen Verständnis der Situation schon impliziert ist. Aber genau diese Fähigkeit – das, was für den Menschen bei einer Aussage mit gemeint ist, auch mit zu berücksichtigen – ist eine Kernfähigkeit von Knowledge Graphen, die in jeder Nutzungssituation gebraucht wird, sei es in Suchen, in Matching oder in Ähnlichkeitsberechnungen.
Diese Fähigkeit haben teilweise auch Large Language Models. Den Teil rechts oben kann auch ein Standard-LLM liefern. Es hat ausreichend Trainingsmaterial, das die Automobilzulieferer in die Automobilindustrie einordnet. Und wenn unsere Kundenfirma häufig genug im Zusammenhang mit dem Begriff „Automobilzulieferer“ auftaucht, wird es auch diese Verbindung ausgeben. Alles, was mit unseren Mitarbeitern und unseren Projekten zu tun hat, das ist den großen, verfügbaren Modellen natürlich nicht zugänglich.
Das ist es im Kern auch schon: Knowledge Graphen repräsentieren Wissen:
- als Objekte und Verknüpfungen
- nach natürlichen Prinzipien wie „Es gibt jedes Objekt nur einmal“
- mit Fähigkeiten wie Schlussfolgerung und Verallgemeinerung
- so intuitiv, dass das Wissen für Menschen leicht nachvollziehbar ist
- und gleichzeitig so formal, dass Computern es verarbeiten können
Das ist keine Rocket Science, im Gegenteil – Knowledge Graphen treten an um Komplexität zu reduzieren und Dinge einfacher zu machen. Aber wie so oft liegen in der Einfachheit große Herausforderungen.
Links: