Beantwortet von der Redaktion von Business.Digital Stand
Ein Knowledge Graph ist eine strukturierte Methode, Wissen zu repräsentieren. Entitäten (Personen, Orte, Konzepte, Produkte) werden als Knoten dargestellt, Beziehungen zwischen ihnen als Kanten. Das Ergebnis ist ein Netzwerk aus Fakten: “Berlin” [ist Hauptstadt von] “Deutschland”, “Albert Einstein” [hat entwickelt] “Relativitätstheorie”, “Python” [ist eine Programmiersprache].
Das klingt simpel, ist aber enorm mächtig. Google nutzt einen Knowledge Graph, um strukturierte Informationen direkt in Suchergebnissen anzuzeigen. Wenn du nach “Einstein” suchst, siehst du links eine Infobox mit Geburtsdatum, Geburtsort, Werken und Beziehungen. Das kommt aus dem Knowledge Graph.
Wie unterscheidet sich ein Knowledge Graph von einer Datenbank?
Relationale Datenbanken speichern Daten in Tabellen mit festen Schemata. Knowledge Graphs sind flexibler: Neue Entitäten und Beziehungen können hinzugefügt werden, ohne das Schema zu ändern. Außerdem ermöglichen sie semantische Abfragen: “Zeig mir alle Physiker, die in Deutschland geboren wurden und Nobelpreisträger sind” ist in einem Knowledge Graph einfacher als in einer relationalen Datenbank.
Technisch werden Knowledge Graphs oft als RDF-Tripel gespeichert: Subjekt-Prädikat-Objekt. SPARQL ist die Abfragesprache.
Wo sind Knowledge Graphs in Unternehmen relevant?
Produktkataloge mit komplexen Beziehungen (Produktvarianten, Kategorien, Zubehörteile). Wissensdatenbanken für Kundenservice oder interne Teams. Forschungs- und Rechtsdatenbanken. Als Grundlage für RAG-Systeme, die strukturiertes Wissen in KI-Antworten einbinden.
Für viele KI-Anwendungen, die mit strukturiertem Domänenwissen arbeiten sollen, ist ein Knowledge Graph die saubere Grundlage. In einer KI-Beratung sprechen wir darüber, ob das für dein Projekt relevant ist.