Glossar

Glossar

Dieses Glossar erklärt die wichtigsten Begriffe und Konzepte, die wir auf dieser Website verwenden. Das Verständnis dieser Konzepte hilft Ihnen, das Beste aus unseren interaktiven Demos und unserer Methodik herauszuholen.

KI-Assistent

Ein KI-Assistent ist ein intelligenter Software-Agent, der natürlichsprachliche Fragen verstehen und relevante Antworten auf Basis einer Wissensbasis liefern kann. In unserem Fall nutzt der KI-Assistent einen Wissensgraphen als Wissensbasis und kann Fragen zu Unternehmensstrukturen, Prozessen und Beziehungen beantworten.

Kernfähigkeiten:

  • Versteht Fragen in natürlicher Sprache
  • Durchsucht Wissensgraphen nach relevanten Informationen
  • Liefert kontextbezogene Antworten mit unterstützenden Details
  • Kann komplexe Beziehungen über mehrere Entitäten hinweg erkunden

Beispiel: “Welche Systeme unterstützen die Kundenservice-Abteilung?” - Der KI-Assistent durchsucht den Wissensgraphen und gibt alle mit dem Kundenservice verbundenen Systeme zurück.

Generative KI

Generative KI bezieht sich auf künstliche Intelligenzsysteme, die neue Inhalte erstellen können – Text, Bilder, Code oder andere Ausgaben – basierend auf Mustern, die aus Trainingsdaten gelernt wurden. Large Language Models (LLMs) wie GPT-4 oder Claude sind Beispiele für generative KI.

Hauptmerkmale:

  • Erstellt menschenähnliche Antworten auf Fragen
  • Versteht Kontext und Nuancen in Gesprächen
  • Kann komplexe Konzepte einfach erklären
  • Funktioniert am besten in Kombination mit genauem, domänenspezifischem Wissen

In unserem Kontext: Wir nutzen generative KI, um konversationelle Schnittstellen zu betreiben, die Unternehmenswissen durch natürlichen Dialog zugänglich machen.

Wissensgraph

Ein Wissensgraph ist eine strukturierte Darstellung von Informationen, die Entitäten (Dinge, Konzepte oder Objekte) und die Beziehungen zwischen ihnen modelliert. Anders als traditionelle Datenbanken, die Daten in Tabellen speichern, speichern Wissensgraphen Daten als Knoten (Entitäten) und Kanten (Beziehungen), was es einfach macht, Verbindungen zu durchlaufen und Muster zu entdecken.

Hauptmerkmale:

  • Entitäten: Einzelne Objekte oder Konzepte (z.B. “Kundenservice-Abteilung”, “CRM-System”)
  • Beziehungen: Verbindungen zwischen Entitäten (z.B. “nutzt”, “unterstützt”, “verwaltet”)
  • Eigenschaften: Attribute von Entitäten (z.B. Name, Beschreibung, Status)
  • Schema-Flexibilität: Einfach erweiterbar mit neuen Entitätstypen und Beziehungen

Vorteile:

  • Deckt verborgene Verbindungen in Ihrer Organisation auf
  • Unterstützt komplexe Abfragen über mehrere Dimensionen
  • Ermöglicht Graph-Algorithmen für Analyse und Optimierung
  • Bietet Kontext für KI-gestützte Erkenntnisse

Beispiel: In unserer Carsharing-Demo verbindet der Wissensgraph Abteilungen → Prozesse → Systeme → Ziele und ermöglicht Fragen wie “Wie unterstützt das Flottenkontrollsystem unser CO₂-Reduktionsziel?”

Ontologie

Eine Ontologie ist eine formale Spezifikation der Konzepte, Entitäten und Beziehungen innerhalb einer bestimmten Domäne. Sie definiert, welche Dinge existieren, welche Eigenschaften sie haben und wie sie zueinander in Beziehung stehen. Man kann sie sich als Blaupause oder Schema zur Organisation von Wissen vorstellen.

Hauptkomponenten:

  • Klassen: Kategorien von Dingen (z.B. “Prozess”, “System”, “Ziel”)
  • Eigenschaften: Attribute, die Dinge haben können (z.B. “Name”, “Verantwortlicher”, “Status”)
  • Beziehungen: Wie Dinge verbunden sind (z.B. “implementiert”, “unterstützt”, “liefert”)
  • Regeln: Einschränkungen und Logik darüber, wie Dinge zusammenarbeiten

Unterschied zum Wissensgraphen:

  • Ontologie = Das Schema/die Struktur (was existieren kann und wie)
  • Wissensgraph = Die tatsächlichen Daten (was tatsächlich existiert)

Beispiel: Unsere Carsharing-Ontologie definiert, dass “Prozesse von Systemen implementiert werden” und “Ziele durch Prozesse erreicht werden”. Der Wissensgraph enthält dann spezifische Instanzen wie “Autovermietungsprozess wird vom Vermietungssystem implementiert”.

Retrieval Augmented Generation (RAG)

Retrieval Augmented Generation (RAG) ist eine Technik, die die Kraft der generativen KI mit der Genauigkeit der Informationssuche kombiniert. Anstatt sich nur auf die Trainingsdaten der KI zu verlassen, ruft RAG zunächst relevante Informationen aus einer Wissensbasis (wie einem Wissensgraphen) ab und verwendet diese Informationen dann, um genaue, kontextbezogene Antworten zu generieren.

Funktionsweise:

  1. Nutzer stellt eine Frage → “Welche Prozesse bearbeitet die Kundenservice-Abteilung?”
  2. Abruf-Schritt → Wissensgraph nach relevanten Entitäten und Beziehungen durchsuchen
  3. Anreicherungs-Schritt → Die abgerufenen Informationen als Kontext für die KI bereitstellen
  4. Generierungs-Schritt → Die KI generiert eine natürlichsprachliche Antwort basierend auf den abgerufenen Fakten

Vorteile:

  • Genauigkeit: Antworten basieren auf tatsächlichen Unternehmensdaten, nicht auf KI-Halluzinationen
  • Aktualität: Wissen ist immer auf dem neuesten Stand mit Ihren aktuellen Daten
  • Nachvollziehbarkeit: Antworten können zu Quell-Entitäten im Wissensgraphen zurückverfolgt werden
  • Domänenspezifisch: KI hat tiefes Wissen über Ihr spezifisches Unternehmen

Unsere Implementierung: Wenn Sie mit unserem KI-Assistenten chatten, nutzt er RAG, um den Neo4j-Wissensgraphen zu durchsuchen, relevante Unternehmenselemente abzurufen und genaue Antworten basierend auf Ihrem tatsächlichen Geschäftsmodell zu generieren.

Wie diese Konzepte zusammenwirken

In unserem KI-gestützten Transformationsansatz:

  1. Ontologie liefert die Struktur für Ihr Unternehmenswissen
  2. Wissensgraph speichert Ihre tatsächlichen Unternehmensdaten gemäß dieser Struktur
  3. RAG ruft relevante Informationen aus dem Wissensgraphen bei Bedarf ab
  4. Generative KI erstellt natürliche, konversationelle Antworten
  5. KI-Assistent bringt alles in einer interaktiven Erfahrung zusammen

Diese Kombination ermöglicht es Ihnen, natürliche Gespräche mit Ihren Unternehmensdaten zu führen und Erkenntnisse und Zusammenhänge aufzudecken, die mit traditionellen Tools schwer zu entdecken wären.

Weiterführende Informationen

Wie es funktioniert