Knowledge Graph

Ein Wissensgraph ist eine strukturierte Darstellung von Entitäten der realen Welt und den Beziehungen zwischen ihnen. Im Gegensatz zu einer Standarddatenbank, die Daten in starren Zeilen und Spalten speichert, organisiert ein Wissensgraph Informationen als ein Netzwerk aus Knoten (die Objekte, Personen oder Konzepte darstellen) und Kanten (die die Verbindungen oder Interaktionen zwischen diesen Knoten darstellen). Diese Struktur ahmt die Art und Weise nach, wie Menschen Informationen organisieren, und ermöglicht es Systemen mit künstlicher Intelligenz (KI), den Kontext zu verstehen, neue Fakten abzuleiten und Daten auf eine semantischere und vernetztere Weise zu interpretieren.

Die Struktur verstehen

Im Kern eines Wissensgraphen stehen drei Hauptkomponenten, die „Triples“ (Subjekt-Prädikat-Objekt) bilden:

• Knoten (Entitäten): Dies sind die einzelnen Datenpunkte, wie z. B. „London“, „Python“ oderUltralytics “. Bei Computer-Vision-Aufgaben können diese erkannte Objekte wie ein „Auto“ oder einen „Fußgänger“ darstellen.
• Kanten (Beziehungen): Diese deutlichen Linien verbinden Knoten und definieren, wie sie miteinander in Beziehung stehen. Beispielsweise könnte eine Kante die Beziehung zwischen „London” und „UK” als „is_capital_of” kennzeichnen.
• Attribute (Eigenschaften): Zusätzliche Details, die einen Knoten beschreiben, wie z. B. die Einwohnerzahl einer Stadt oder der Konfidenzwert einer Objekterkennung.

Diese netzartige Struktur ermöglicht es Systemen, eine semantische Suche durchzuführen, bei der die Suchmaschine die Absicht des Benutzers versteht und nicht nur Schlüsselwörter abgleicht. Wenn das System beispielsweise weiß, dass „Jaguar” sowohl ein Tier als auch eine Automarke ist, kann es die Ergebnisse je nach Kontext unterscheiden.

Integration mit maschinellem Lernen

Wissensgraphen werden für die Verbesserung von Modellen des maschinellen Lernens (ML) immer wichtiger. Deep-Learning-Modelle zeichnen sich zwar durch ihre statistische Mustererkennung aus, doch oft fehlt ihnen eine faktische Grundlage. Durch die Integration eines Wissensgraphen können Modelle auf eine verifizierte „Weltanschauung” zugreifen.

• Retrieval-Augmented Generation (RAG):Generative Modelle können manchmal plausible, aber falsche Informationen produzieren. Durch die Verknüpfung von großen Sprachmodellen (LLMs) mit einem Wissensgraphen können KI-Agenten eine verifizierte Quelle abfragen, bevor sie eine Antwort generieren. Dies reduziert Halluzinationen in LLMs erheblich und verbessert die Faktengenauigkeit für Unternehmensanwendungen.
• Empfehlungssysteme: In der KI im Einzelhandel bilden Graphen komplexe Beziehungen zwischen Nutzern und Produkten ab. Wenn ein Kunde eine Kamera kauft, erkennt der Graph die funktionale Verbindung zu „SD-Karten“ oder „Stativen“ und ermöglicht so intelligentere Vorschläge als einfache kollaborative Filterung.

Code-Beispiel: Extrahieren von Entitäten für einen Graphen

Computervisionsmodelle eignen sich hervorragend als Einstiegspunkte für die Befüllung von Wissensgraphen, indem sie physische Entitäten in der realen Welt identifizieren. Der folgende Python zeigt, wie man das Ultralytics verwendet, um detect in einem Bild detect . Diese erkannten Klassen können als Knoten dienen, die dann in einer Graphdatenbank (wie Neo4j oder Amazon Neptune) verknüpft werden können.

from ultralytics import YOLO

# Load the latest YOLO26 model (released Jan 2026)
model = YOLO("yolo26n.pt")

# Run inference on an image to find entities
results = model("https://ultralytics.com/images/bus.jpg")

# Extract unique detected object names to serve as graph nodes
# e.g., {'bus', 'person'}
detected_entities = {results[0].names[int(c)] for c in results[0].boxes.cls}

print(f"Graph Nodes: {detected_entities}")

Anwendungsfälle in der Praxis

1. Arzneimittelforschung im Gesundheitswesen: Forscher im Bereich KI im Gesundheitswesen nutzen Wissensgraphen, um biologische Interaktionen zu modellieren. Durch die Verknüpfung von Entitäten wie Genen, Proteinen und chemischen Verbindungen aus Datenbanken wie UniProt können Algorithmen potenzielle Wirkstoffziele und Nebenwirkungen vorhersagen und so die Entwicklung neuer Therapien beschleunigen.
2. Digitale Zwillinge in der Lieferkette: Logistikunternehmen verwenden Wissensgraphen, um einen „digitalen Zwilling” ihrer Abläufe zu erstellen. Knotenpunkte stehen für Lieferanten, Lagerhäuser und Bestände, während Kanten Versandwege und Abhängigkeiten darstellen. Diese Struktur erleichtert die Analyse von Big Data, sodass Manager Verzögerungen vorhersagen und Routen dynamisch optimieren können.

Wissensgraphen vs. relationale Datenbanken

Es ist wichtig, einen Wissensgraphen von einer herkömmlichen relationalen Datenbank (RDBMS) zu unterscheiden. Eine relationale Datenbank speichert Daten in starren Tabellen, die durch Fremdschlüssel miteinander verknüpft sind, was für strukturierte, transaktionale Daten (wie Bankbücher) effizient ist. Die Abfrage komplexer Beziehungen (z. B. „Finde Freunde von Freunden, die Science-Fiction mögen”) erfordert jedoch aufwendige „Join”-Operationen.

Im Gegensatz dazu behandelt ein Wissensgraph (der häufig in einer Graphdatenbank gespeichert ist) die Beziehung als einen gleichberechtigten Bestandteil. Das Durchlaufen von Verbindungen erfolgt augenblicklich, wodurch Graphen für Aufgaben mit stark vernetzten Daten, wie Betrugserkennungsringen oder Analysen sozialer Netzwerke, überlegen sind. Während RDBMS sich durch die Speicherung und den Abruf spezifischer Datensätze auszeichnen, sind Wissensgraphen hervorragend geeignet, um Muster und verborgene Erkenntnisse innerhalb der Verbindungen selbst zu entdecken.

Zukunftsaussichten mit multimodaler KI

Die Zukunft von Wissensgraphen liegt im multimodalen Lernen. Da Modelle wie Ultralytics bei der Objekterkennung und Posenschätzung immer weiter voranschreiten, werden sie automatisch visuellen Kontext in Graphen einspeisen. Dadurch entstehen Systeme, die nicht nur Text „lesen”, sondern auch die Welt „sehen” und visuelle Konzepte mit sprachlichen Definitionen verknüpfen. Mithilfe der Ultralytics können Entwickler diese spezialisierten Bildverarbeitungsmodelle trainieren , um benutzerdefinierte Entitäten zu erkennen, und so effektiv die Sinnesorgane für die nächste Generation von wissensbasierten KI-Systemen aufbauen.