KAllgemein

Knowledge Graph (Wissensgraph)

Graphstruktur zur Verknüpfung und Abfrage von Unternehmenswissen.

Ein Knowledge Graph (Wissensgraph) ist eine Graphstruktur, die Unternehmenswissen als Knoten (Entitäten) und Kanten (Beziehungen) modelliert, um Informationen kontextbezogen zu verknüpfen, zu durchsuchen und abzufragen. Statt Daten nur in Tabellen oder Dokumenten abzulegen, bildet ein Wissensgraph Bedeutungen ab – z. B. „Kunde A arbeitet in Firma B“, „Produkt X gehört zur Kategorie Y“ oder „Ticket Z betrifft Service S“.

Was bedeutet „Knowledge Graph“ (Wissensgraph)?

„Knowledge“ steht für Wissen über Dinge (Personen, Produkte, Prozesse, Dokumente) und „Graph“ für die Darstellung als Netzwerk. Ein Wissensgraph verbindet strukturierte Daten (z. B. CRM-Felder) und unstrukturierte Inhalte (z. B. PDFs, Wikis, E-Mails) über gemeinsame Entitäten. So entsteht ein „Wissensnetz“, das Zusammenhänge sichtbar macht und maschinell nutzbar wird – besonders für KI- und Automatisierungs-Use-Cases.

Wie funktioniert ein Knowledge Graph?

  • 1) Entitäten definieren: Relevante Objekte identifizieren (z. B. Kunde, Vertrag, Produkt, Mitarbeiter, Richtlinie, System).
  • 2) Beziehungen modellieren: Kanten festlegen (z. B. „nutzt“, „ist verantwortlich für“, „gehört zu“, „ersetzt“, „verweist auf“).
  • 3) Daten integrieren: Informationen aus Quellen zusammenführen (CRM, ERP, Ticketing, DMS, Confluence etc.).
  • 4) Anreichern & Normalisieren: Dubletten auflösen, Synonyme mappen, IDs/Taxonomien vereinheitlichen.
  • 5) Abfragen & Anwendungen: Per Graphabfrage (z. B. „Zeige alle Systeme, die von Prozess P abhängen“) oder als Kontextlieferant für KI.

Beispiele aus dem Unternehmensalltag

  • IT & Betrieb: „Welche Services sind betroffen, wenn System A ausfällt?“ – Der Graph verknüpft Systeme, Abhängigkeiten, Owner und SLAs.
  • Vertrieb: „Welche Kunden haben ähnliche Use Cases wie Kunde X?“ – Beziehungen über Branche, Produktpaket, Vertragslaufzeit, Pain Points.
  • Compliance: „Welche Richtlinien gelten für Datenkategorie Y?“ – Verknüpfung von Datenarten, Prozessen, Verantwortlichen und Dokumenten.

Warum ist ein Wissensgraph wichtig – besonders für KI?

Moderne KI-Systeme wie Large Language Model (LLM) und ChatGPT sind stark im Formulieren, aber ohne verlässlichen Kontext anfällig für Halluzinationen (Hallucinations). Ein Knowledge Graph liefert überprüfbare, strukturierte Fakten und Beziehungen, die ein Modell für Antworten, Empfehlungen oder Entscheidungen heranziehen kann. In Kombination mit RAG (Retrieval-Augmented Generation) kann der Graph gezielt relevante Entitäten und Pfade liefern („welche 3 Dokumente + welche 2 Experten sind für diese Frage zentral?“) – oft präziser als reine Volltextsuche. Zusätzlich kann man Graphdaten mit Embeddings kombinieren, um semantische Ähnlichkeit und explizite Beziehungen zusammenzubringen.

Knowledge Graph vs. Vektordatenbank: Was ist der Unterschied?

Eine Vektordatenbank (Vector Database) findet Inhalte über semantische Ähnlichkeit („klingt wie“), ein Knowledge Graph über explizite Beziehungen („hängt zusammen mit“). In der Praxis ergänzen sie sich: Vektorsuche findet passende Textstellen, der Wissensgraph liefert Struktur, Verantwortlichkeiten, Abhängigkeiten und „Single Source of Truth“-Beziehungen.

Wozu wird ein Knowledge Graph in Automation & Agents genutzt?

In Automationen (z. B. mit n8n oder Automatisierung (Automation)) kann der Wissensgraph als Entscheidungs- und Routing-Schicht dienen: „Wenn Tickettyp = X und betroffenes System = Y, dann weise an Owner Z zu und starte Runbook R.“ Für AI Agents (KI-Agenten) ist er zudem ein „Gedächtnis“ über Tools, Zuständigkeiten und Regeln – ideal in Verbindung mit Function Calling / Tool Use für nachvollziehbare, auditierbare Aktionen.

Was kostet ein Knowledge Graph?

Die Kosten hängen stark von Datenlage, Integrationen, Modellierungstiefe und Governance ab. Typische Treiber sind: Anzahl der Datenquellen, Qualität/Normalisierung, benötigte Ontologie (Fachmodell), Betriebsmodell (Cloud/On-Prem) sowie Anforderungen an Datenschutz und Nachvollziehbarkeit (z. B. Datenschutz (DSGVO/GDPR) & KI und AI Governance). Viele Projekte starten als MVP mit einem klaren Use Case (z. B. Support-Wissenssuche) und wachsen iterativ.