Kommentar von Daniel Hummel und Lars Funke, Ki Reply Knowledge-Graphen – warum vernetztes Wissen die Grundlage verlässlicher KI ist

Von Daniel Hummel und Lars Funke * 4 min Lesedauer

Anbieter zum Thema

Unternehmen haben selten zu wenig Daten. Häufig fehlt ihnen jedoch der Zusammenhang. Informationen liegen in Systemen für CRM, ERP und Tickets, in Dokumentenablagen sowie in Fachdatenbanken. Jede Quelle bildet dabei nur einen Ausschnitt der Wirklichkeit ab. Wichtig ist die Verbindung zwischen Kunde, Vertrag, Produkt, Lieferant und Vorgang. Ein Knowledge Graph macht solche Beziehungen für Menschen und Maschinen explizit.

Ein Knowledge Graph organisiert Wissen als Netzwerk: Knoten und Kanten machen komplexe Datenbeziehungen explizit und bilden so die Basis für verlässliche KI-Anwendungen.(Bild:  Reply)
Ein Knowledge Graph organisiert Wissen als Netzwerk: Knoten und Kanten machen komplexe Datenbeziehungen explizit und bilden so die Basis für verlässliche KI-Anwendungen.
(Bild: Reply)

Relationale Datenbanken verwalten klar definierte Transaktionen effizient und stellen Beziehungen über Schlüssel und Abfragen her. Bei stark vernetztem Wissen werden Modelle und Abfragen allerdings schnell komplex. Ein Data Lake hingegen nimmt große Mengen strukturierter und unstrukturierter Daten auf. Allein durch die Speicherung ergibt sich noch kein gemeinsames Verständnis ihrer Bedeutung.

Ein Knowledge Graph organisiert Wissen in Form eines Netzwerks. Die Knoten repräsentieren dabei Entitäten wie Personen, Produkte, Projekte, Verträge oder Dokumente. Kanten beschreiben Beziehungen zwischen den Knoten, zum Beispiel „liefert an“, „ist verantwortlich für“ oder „basiert auf“. Eigenschaften ergänzen Angaben wie Datum, Status, Standort oder Klassifikation. Die Verbindung zwischen zwei Informationen ist somit ein fester Bestandteil des Datenmodells und nicht nur das Ergebnis einer einzelnen Abfrage.

Viele Knowledge-Graphen orientieren sich am Prinzip „Linked Data“. Entitäten erhalten eindeutige Kennungen. Standards wie Resource Description Framework (RDF) legen fest, wie Aussagen und Beziehungen maschinenlesbar beschrieben werden. So lassen sich Wissensmodelle aus verschiedenen Bereichen zusammenführen und erweitern. Eine gemeinsame Semantik für Begriffe, Beziehungen und Regeln ist und bleibt entscheidend.

Vernetztes Wissen ist wichtig für generative KI

Sprachmodelle erzeugen Antworten auf Basis statistischer Muster. Zwar können sie natürliche Sprache flexibel verarbeiten, sie verfügen allerdings nicht automatisch über geprüftes Unternehmenswissen. Erhält ein Modell gezielten Zugriff auf verlässliche Fakten, definierte Beziehungen und Herkunftsangaben, kann die Qualität seiner Antworten steigen. Der Knowledge Graph liefert dafür den nötigen strukturierten Kontext und begrenzt die Suche auf fachlich relevante Zusammenhänge.

Besonders deutlich wird der Nutzen bei Agentensystemen. Diese beantworten Fragen, recherchieren in mehreren Quellen, treffen Zwischenschritte und können Aktionen auslösen. Dafür benötigen sie eine navigierbare Karte des verfügbaren Wissens. Der Graph zeigt, welche Objekte existieren, wie sie verbunden sind und über welche Pfade sich eine Aufgabe bearbeiten lässt.

Auch Governance kann dadurch systematischer umgesetzt werden. Wenn Quelle, Gültigkeit, Verantwortlichkeit und Zugriffsrechte mit den Informationen verknüpft sind, können die Ergebnisse bis zu ihrem Ursprung zurückverfolgt werden. Das erleichtert Qualitätskontrollen, Audits und Nachweise in regulierten Anwendungen. Eine semantische Ebene kann zudem bestehende Systeme verbinden und den Bedarf an umfassenden Datenmigrationen verringern. Voraussetzung dafür sind passende Berechtigungen und Aktualisierungskonzepte.

Ein verbreiteter Ansatz, um Sprachmodelle mit unternehmenseigenem Wissen zu versorgen, ist Retrieval-Augmented Generation (RAG). Wie gut dieser Ansatz funktioniert, hängt davon ab, ob sich die benötigten Zusammenhänge über die gefundenen Textpassagen erschließen lassen.

Wo klassisches RAG an Grenzen stößt

RAG erweitert die Textgenerierung um einen gezielten Informationsabruf und versorgt ein Sprachmodell mit Inhalten aus unternehmenseigenen Quellen. Bei vielen Implementierungen werden vor allem Textpassagen gesucht, die einer Frage semantisch ähnlich sind. Bei klaren Faktenfragen ist das oft ausreichend. Schwieriger werden Aufgaben, deren Lösung mehrere Beziehungen über verschiedene Systeme hinweg voraussetzt.

Ein Beispiel hierfür ist die Frage, welche Lieferanten von einer neuen Vorgabe betroffen sind und welche Produkte von ihnen abhängen. Eine reine Ähnlichkeitssuche kann passende Dokumente finden. Die gesamte Wirkungskette lässt sich daraus jedoch nicht zuverlässig ableiten.

Graph-enhanced Retrieval-Augmented Generation (GraphRAG) ergänzt die textbasierte Suche um die Navigation im Wissensnetz. Das Verfahren kann Beziehungen über mehrere Stationen hinweg verfolgen und verbundene Quellen in den Abruf einbeziehen. Je nach Architektur werden Vektorsuche, Abfragen im Graphen und eine gemeinsame Bewertung der Ergebnisse kombiniert. Das verbessert nicht automatisch jede Antwort. Der größte Nutzen entsteht bei Fragen zu Abhängigkeiten, Hierarchien, Ursachen oder zeitlichen Abläufen.

Jetzt Newsletter abonnieren

Täglich die wichtigsten Infos zu Big Data, Analytics & AI

Mit Klick auf „Newsletter abonnieren“ erkläre ich mich mit der Verarbeitung und Nutzung meiner Daten gemäß Einwilligungserklärung (bitte aufklappen für Details) einverstanden und akzeptiere die Nutzungsbedingungen. Weitere Informationen finde ich in unserer Datenschutzerklärung. Die Einwilligungserklärung bezieht sich u. a. auf die Zusendung von redaktionellen Newslettern per E-Mail und auf den Datenabgleich zu Marketingzwecken mit ausgewählten Werbepartnern (z. B. LinkedIn, Google, Meta).

Aufklappen für Details zu Ihrer Einwilligung

Sechs Schritte zum tragfähigen Knowledge Graph

Die Einführung sollte mit einem klar abgegrenzten Problem beginnen. Ein vollständiges Abbild des Unternehmens ist weder nötig noch realistisch. Ein fokussiertes Vorgehen verbindet fachlichen Nutzen mit beherrschbarem Aufwand.

  • 1. Einen konkreten Anwendungsfall wählen: Geeignet sind Aufgaben mit hohem Suchaufwand, mehreren Datenquellen und relevanten Beziehungen. Beispiele hierfür sind die Analyse von Lieferketten, die Prüfung regulatorischer Auswirkungen oder der Zugang zu technischem Erfahrungswissen.
  • 2. Erfolg messbar machen: Die Kennzahlen sollten vor Projektbeginn feststehen. Dazu zählen die Zeit für die Informationssuche, der Anteil unbelegter Antworten der KI, die Dauer von Audits oder der Aufwand für die Einarbeitung neuer Mitarbeiter.
  • 3. Quellen und Begriffe priorisieren: Für einen ersten Machbarkeitsnachweis genügen oft zwei oder drei bislang getrennte Systeme. Fachbereiche und IT müssen klären, welche Begriffe eindeutig sind, wo Synonyme existieren und welche Quelle im Konfliktfall Vorrang hat.
  • 4. Ein erweiterbares Wissensmodell entwickeln: Das Modell beschreibt zentrale Entitäten, Beziehungen und Regeln. Es sollte den gewählten Anwendungsfall präzise unterstützen und offen für weitere Datenquellen bleiben. Zu viele Details zu Beginn erhöhen den Pflegeaufwand und den Abstimmungsbedarf.
  • 5. Herkunft und Qualität integrieren: Für relevante Aussagen sind Angaben zu Quelle, Aktualität und Verantwortlichkeit erforderlich. Die automatische Extraktion aus Dokumenten kann den Aufbau beschleunigen. Fachliche Freigaben, Stichproben und klare Qualitätsregeln bleiben dabei unerlässlich.
  • 6. Betrieb und Weiterentwicklung planen: Ein Knowledge Graph ist kein statisches Verzeichnis. Neue Dokumente, geänderte Prozesse und zusätzliche Systeme müssen kontinuierlich einfließen. Zuständigkeiten, Zugriffsrechte, Monitoring und Versionierung gehören deshalb von Anfang an zum Betriebskonzept.

Fazit: Verlässliche KI braucht nachvollziehbare Zusammenhänge

Knowledge-Graphen schließen eine zentrale Lücke moderner Datenarchitekturen. Sie erfassen einzelne Informationen und machen zugleich deren Bedeutung und Beziehungen maschinenlesbar. Darin liegt ihr besonderer Wert für generative KI und autonome Systeme. Der Aufbau beginnt am besten mit einem begrenzten, messbaren Anwendungsfall und wenigen relevanten Quellen. Wer die Aspekte Datenqualität, Semantik, Governance und Betrieb berücksichtigt, schafft eine Grundlage für eine präzisere Suche und belastbare Anwendungen mit GraphRAG. So wird aus verteilten Daten nutzbares Wissen. Herkunft und fachliche Logik bleiben überprüfbar.

* Daniel Hummel ist Partner bei Ki Reply und Lars Funke ist Senior Manager bei Ki Reply

Artikelfiles und Artikellinks

(ID:50961024)