Themen / Wissensgraphen & KI
Was ist ein Knowledge Graph einfach erklärt?
Das Problem als Graph
Hier siehst du einen winzigen Knowledge Graph: Entitäten, verbunden durch benannte Relationen. Genau so legt eine Maschine Wissen ab — nicht als Fließtext, sondern als Knoten und Kanten. Die leere Relation ist eine Verbindung, die das System noch nicht „weiß" und erst aktivieren (lernen) müsste. Das ist eine Linse aufs Thema.
Graph als Text
- Berlin → Deutschland (aktiv)
- Deutschland → Europa (passiv)
- Sprachmodell (LLM) → Berlin (aktiv)
- Sprachmodell (LLM) → Deutschland (aktiv)
- Sprachmodell (LLM) → Geprüfte Quelle (leer)
Schritt für Schritt
- Wähle ein Stück Wissen und zerlege es in Entitäten: Welche „Dinge" kommen vor (Orte, Personen, Begriffe)? Das werden deine Knoten.
- Benenne die Relationen dazwischen — nicht nur „hängt zusammen", sondern konkret: ist-Hauptstadt-von, wurde-erstellt-von, gehört-zu. Eine benannte Kante ist der Kern jedes Knowledge Graphs.
- Markiere den Zustand: aktiv = das System nutzt diese Relation gerade, passiv = gespeichert, aber still, leer = noch nie gelernt.
- Suche eine leere Relation als Umlenk-Ziel — etwa eine Verknüpfung zu einer geprüften Quelle, die ein LLM noch nicht zieht, aber ziehen könnte.
- Lenke Energie dorthin: Statt das Modell nur „mehr raten" zu lassen, aktiviere die Relation zur Quelle (Retrieval). So wird aus geratenem Text nachschlagbares Wissen.
- Zoome heraus: Viele solcher Knoten-Kanten-Tripel ergeben einen ganzen Graphen — die gemeinsame Sprache von Suchmaschinen, semantischer KI und diesem Modell.
So sieht das mit dem Modell aus
Stell dir vor, du willst einer Maschine beibringen: „Berlin ist die Hauptstadt von Deutschland." Ein Mensch liest den Satz. Eine Maschine speichert lieber ein Tripel: Knoten „Berlin", Relation „ist-Hauptstadt-von", Knoten „Deutschland". Genau diese drei Teile — zwei Entitäten und eine benannte Relation — sind das kleinste Stück eines Knowledge Graphs.
Nimm nun an, du fügst „Deutschland liegt-in Europa" hinzu. Schon kann das System schließen, ohne dass du es ihm direkt gesagt hast: Berlin liegt (mittelbar) in Europa. Die Relation Deutschland–Europa war passiv, gespeichert und still; eine Frage aktiviert sie. So „denkt" semantische KI: nicht in Sätzen, sondern in Knoten und Kanten, die aufleuchten, wenn eine Frage sie anstößt.
Ein Sprachmodell (LLM) wie hinter modernen Chatbots arbeitet zunächst anders — es schätzt das nächste Wort aus Mustern. Verbindet man es aber mit einem Knowledge Graph oder einer geprüften Quelle (Retrieval), aktiviert man die bisher leere Relation „LLM–Quelle": Aus geratenem Text wird nachschlagbares Wissen. Das zeigt, dass die Alltags-Denkweise dieser Seite und echte KI-Technik dasselbe Gerüst teilen — als gemeinsame Linse, nicht als Gleichsetzung.
Häufige Fragen
Was ist ein Knowledge Graph einfach erklärt?
Ein Knowledge Graph ist Wissen als Netzwerk: Entitäten sind Knoten (Dinge, Orte, Personen), Relationen sind benannte Kanten dazwischen (ist-Hauptstadt-von, gehört-zu). Statt Sätze zu speichern, legt eine Maschine so Tripel ab und kann daraus neue Verbindungen erschließen. Es ist dieselbe Knoten-Kanten-Logik, die auch dieses Modell für den Alltag nutzt.
Wie denken KI-Systeme in Entitäten und Relationen?
Semantische KI speichert nicht Fließtext, sondern Knoten und benannte Kanten. Eine Frage wirkt wie eine Schwingung: Sie aktiviert die passenden Relationen, die dann „aufleuchten", während der Rest still bleibt. Standards wie W3C PROV ordnen die Welt in Entity, Activity und Agent — eine maschinenlesbare Fassung genau der Entität-Relation-Denkweise.
Wie hängen Knowledge Graphs und LLMs zusammen?
Ein LLM schätzt aus Mustern das nächste Wort und kann dabei raten. Ein Knowledge Graph liefert geprüfte Knoten und Kanten. Verbindet man beide (Retrieval), aktiviert man eine bisher leere Relation zwischen Modell und Quelle: Aus wahrscheinlichem Text wird nachschlagbares Wissen. Eine mögliche Lesart — ein praktischer Weg, beide Stärken zu koppeln.
Weiterdenken
Begriffe dazu: Entität, Relation, Netzwerkebene