Das erste Mal, dass ich von “Wissensgraphen” hörte, stellte ich mir diese Theorien des Komplotts mit roten Fäden vor, die Fotos und Zeitungsartikel verbinden. Es stellt sich heraus, dass das keine schlechte Analogie ist — nur dass Wissensgraphen organisiert, maschinenlesbar und tatsächlich nützlich sind.
Meine Einführung in Wissensgraphen war zufällig. Ich baute ein RAG-System für eine Anwaltskanzlei — Sie wissen schon, so ein System, bei dem Sie Dokumente einer KI zuführen und sie Fragen dazu beantwortet. Das System funktionierte nicht allzu schlecht für einfache Fragen. Aber als ein Anwalt fragte: “Welche unserer Kunden waren in Rechtsstreitigkeiten mit Unternehmen verwickelt, die anschließend von unseren anderen Kunden übernommen wurden?” hatte das RAG-System Schwierigkeiten. Es konnte die Punkte über mehrere Beziehungen hinweg nicht verbinden.
Hier kommen die Wissensgraphen ins Spiel. Zwei Wochen später lieferte die gleiche Frage eine Liste von sieben relevanten Situationen, jede mit der Kette von Beziehungen, die sie verbinden. Der Senior Partner bezeichnete dies als “wirklich nützlich”, was für einen 30 Jahre alten Anwalt praktisch einer stehenden Ovation gleichkommt.
Warum sie für KI wichtig sind
LLMs sind gut in Sprache. Sie sind nicht gut im strukturierten Denken über Beziehungen hinweg. Bitten Sie ChatGPT um ein Dokument — großartig. Bitten Sie ihn, die Eigentumskette zwischen fünf Unternehmen über drei Fusionen hinweg in zehn Jahren nachzuvollziehen — schrecklich.
Wissensgraphen schließen diese Lücke. Sie organisieren Informationen als Entitäten (Personen, Unternehmen, Konzepte), die durch Beziehungen (“arbeitet bei”, “übernommen von”, “sitzt in”) verbunden sind. Diese Struktur macht mehrstufiges Denken natürlich: Beginnen Sie bei Entität A, folgen Sie den Beziehungen, gelangen Sie zu Entität D und erklären Sie den Weg.
Das RAG wird deutlich besser. Das Standard-RAG ruft Textstellen ab, die semantisch mit Ihrer Frage übereinstimmen. Das durch einen Wissensgraphen verbesserte RAG ruft verbundene Entitäten und deren Verbindungen ab. Der Unterschied: Das Standard-RAG findet relevante Absätze. Das durch einen Wissensgraphen verbesserte RAG findet relevante Fakten und die Beziehungen zwischen ihnen.
Ich habe eine Verbesserung von 40 % der Qualität der Antworten auf komplexe, beziehungsreiche Fragen festgestellt, nachdem ich einen Wissensgraphen zu einem RAG-System hinzugefügt habe. Für einfache Fakt Fragen war die Verbesserung minimal. Der Wissensgraph zeigt seinen Nutzen, wenn die Fragen Verbindungen beinhalten.
Halluzinationen nehmen messbar ab. Wenn die KI eine Behauptung anhand eines Wissensgraphen mit überprüften Fakten überprüfen kann, ist sie weniger geneigt, Dinge zu erfinden. “Einstein arbeitete in Princeton” — überprüfen Sie den Graphen, ja, diese Beziehung existiert. “Einstein arbeitete am MIT” — überprüfen Sie den Graphen, keine solche Beziehung. Melden Sie das.
Wie man einen baut (es ist einfacher als Sie denken)
Neo4j ist der Ort, an dem die meisten Leute anfangen, und das aus guten Gründen. Es ist das PostgreSQL der Graphdatenbanken — ausgereift, gut dokumentiert und mit der größten Community. Die Abfragesprache Cypher liest sich fast wie Englisch: MATCH (p:Person)-[:WORKS_AT]->(c:Company) WHERE c.name = "Acme" RETURN p.name
Ich habe Neo4j für drei Produktionsprojekte verwendet. Die Lernkurve beträgt etwa eine Woche, um produktiv zu sein, einen Monat, um sich wohlzufühlen. Das kostenlose Niveau (Neo4j Aura) ist ausreichend für die Entwicklung und kleine Projekte.
Für schnelles Prototyping funktioniert pgvector + PostgreSQL tatsächlich erstaunlich gut, wenn Sie bereits Postgres ausführen. Sie nutzen nicht die umfassenden Fähigkeiten von Neo4j zur Graphdurchquerung, aber für einfache Entität-Relation-Anfragen mit vektorähnlicher Suche ist es ausreichend und ein Tool weniger zu verwalten.
Der KI-gestützte Shortcut
Hier ist der Teil, der mir Wochen hätte sparen können, wenn mir jemand früher gesagt hätte: Sie können LLMs verwenden, um automatisch Ihren Wissensgraphen zu erstellen.
Speisen Sie Ihre Dokumente in ein LLM mit einer Anfrage wie: “Extrahieren Sie alle Entitäten (Personen, Organisationen, Technologien) und die Beziehungen aus diesem Text. Ausgeben in Form von JSON-Tripletts: {Subjekt, Prädikat, Objekt}.” Das LLM macht erstaunlich gute Arbeit — vielleicht 85 % Genauigkeit bei der Extraktion von Entitäten und 70 % bei den Beziehungen. Reinigen Sie die verbleibenden 15-30 % manuell, und Sie haben einen Wissensgraphen in wenigen Stunden anstelle von Monaten erstellt.
Ich habe diesen Ansatz verwendet, um einen Wissensgraphen mit 50.000 Entitäten aus einem Korpus von 10.000 Dokumenten zu erstellen. Das dauerte zwei Tage Rechenzeit und einen Tag manuelle Bereinigung. Die Alternative — manuelle Wissensingenieurarbeit — hätte Monate für ein Team gebraucht.
Wo ich Wissensgraphen hin sehen kann
Die Kombination von Wissensgraphen und LLMs steht noch am Anfang. Die meisten KI-Anwendungen heute sind reines RAG — eingehender Text, ausgehender Text. Aber die Teams, mit denen ich spreche und die eine ernsthafte Unternehmens-KI aufbauen, fügen alle Wissensgraphen hinzu. Sie haben erkannt, dass strukturierte Beziehungen das fehlende Puzzlestück sind, das KI-Anwendungen tatsächlich zuverlässig für komplexe Bereiche macht.
Unternehmen im Gesundheitswesen bauen Wissensgraphen auf, die Gene, Proteine, Krankheiten, Medikamente und Nebenwirkungen verbinden. Finanzunternehmen kartografieren die Beziehungen zwischen Unternehmen, Eigentumsstrukturen und regulatorischen Verbindungen. Legal-Tech verbindet Fälle, Gesetze, Richter und Präzedenzfälle.
Die Werkzeuge sind ausgereift. Neo4j gibt es seit 15 Jahren. Die Integrationsmodelle für KI sind erprobt. Der Mangel liegt in der Sensibilisierung — die meisten Entwickler, die KI-Anwendungen bauen, haben einfach nicht daran gedacht, einen Wissensgraphen hinzuzufügen.
Wenn Ihre KI-Anwendung Fragen zu den Beziehungen zwischen Dingen beantworten soll, wird ein Wissensgraph dies erheblich verbessern. Wenn sie einfach nur faktenbasierte Fragen aus Dokumenten beantworten soll, ist ein Standard-RAG ausreichend. Wissen Sie, den Unterschied zu machen, und wählen Sie entsprechend.
🕒 Published: