Wissensgraphen gewinnen in der Datenverarbeitung an Wert
Mit einer zunehmenden Reife von Wissensgraphen finden Unternehmen neue Wege, sie in den Geschäftsbetrieb zu integrieren – auch wenn es nach wie vor Stolpersteine gibt.
von
Kathleen Walch, Cognilytica
Zuletzt aktualisiert:09 Juni 2020
Wissensgraphen (Knowledge Graph) sind mittlerweile allgegenwärtig und befeuern verschiedene Anwendungen, von Empfehlungsmaschinen (Recommendation Engines) über Suchmaschinen bis hin zur Verarbeitung natürlicher Sprache (Natural Language Processing, NLP). Anwendungen auf Basis von Wissensgraphen unterstützen sogar alle gängigen Sprachassistenten wie Siri, Alexa und Google Assistant.
Inzwischen werden Wissensgraphen von Unternehmen auch in Systemen mit künstlicher Intelligenz (KI) eingesetzt. Sie werden verwendet, um Konzepte und Ideen miteinander zu verbinden, insbesondere textbasierte Informationen, bei denen Wörter und Konzepte in Beziehung zueinander stehen. Diese Verbindung von Konzepten und ihren Beziehungen bildet eine Graphenstruktur. Mit Unterstützung von Wissensgraphen können Unternehmen Verbindungen zwischen disparaten Informationen und Beziehungen zwischen Ideen und Konzepten finden, die möglicherweise nicht miteinander verbunden oder explizit angegeben sind.
Wenn Unternehmen über Informationen verfügen, die zwischen mehreren Systemen hin und her fließen müssen, wobei die Beziehung zwischen diesen Datenentitäten erhalten bleiben, dienen Wissensgraphen als gute Möglichkeit, Daten darzustellen und zu normalisieren. Die Suche und Bearbeitung von Diagrammen ist eine schnelle und einfache Möglichkeit, um zu visualisieren, wie Informationen miteinander in Beziehung stehen.
Wie Wissensgraphen Interaktionen verbessern
Bei richtiger Anwendung sind Wissensgraphen leistungsstarke Werkzeuge. Sie bieten eine flexible Möglichkeit, die Bedeutung und Beziehung von Entitäten und Konzepten darzustellen, die als Ontologie bezeichnet wird. Die Ontologie kann leicht erweitert oder überarbeitet werden, wenn man neue Daten hinzufügt. Durch die Verwendung von menschlich kodiertem Wissen können Wissensgraphen in vielerlei Hinsicht eine vernünftige Argumentation liefern, was den meisten Machine-Learning-Systemen fehlt.
Da Wissensgraphen die Beziehungen zwischen Wörtern und ihrer Bedeutung kodieren können, ist dies ein gutes Anwendungsszenario für Sprachassistenten-Backends. Die umfangreichen Graphen ermöglichen es, die Fragen, die wir unseren Sprachassistenten stellen, einem organisierten Satz von Informationen zuzuordnen, um die Antworten auf unsere Fragen zu liefern. Auf diese Weise können Wissensgraphen das Verständnis der natürlichen Sprache (Natural Language Understanding, NLU) als Teil der Verarbeitung natürlicher Sprache (Natural Language Processing, NLP) intelligenter machen. Wissensgraphen sind in der Lage, mit maschineller Argumentation zu bestimmen, welche Entitäten innerhalb eines Satzes möglicher Antworten wirklich relevant sind und die passenden Antworten auf unsere Fragen liefern.
Wenn man einen Sprachassistenten zum Beispiel nach Kätzchen fragt, weiß er, dass man auch nach Katzen fragt, selbst wenn Sie dieses spezielle Wort nicht gesagt haben, denn Kätzchen und Katzen sind in der Wortontologie, die von Sprachassistenten verwendet werden, miteinander verwandt. Während diese Sprachassistenten derzeit noch einen langen Weg vor sich haben, bis sie in der Lage sind, komplizierte Fragen adäquat zu beantworten, ermöglichen ihnen Wissensgraphen, ihr Wissen über das Backend-System ständig zu erweitern und zu vertiefen.
Nuance, das Unternehmen hinter dem Spracherkennungssystem Dragon, setzt seit kurzem Wissensgraphen ein, um die Leistung seiner personalisierten Unterhaltungsdienste zu verbessern. In Zusammenarbeit mit Rovi hat Nuance einen Wissensgraph zu Unterhaltungsinhalten mit einer Vielzahl von Medien wie Fernsehsendungen und Filmen sowie Schauspielern und Schauspielerinnen erstellt. Rovi ist damit in der Lage, das bereits vorhandene Wissen über Zuschauer mit den Informationen im Wissensgraphen zu kombinieren, um diesen personalisierte Empfehlungen zu geben. Auf diese Weise kann das Unternehmen relevantere Suchergebnisse und empfohlene Inhalte auf der Grundlage der Ähnlichkeit oder Beziehung dieser Inhalte zu anderen Inhalten liefern.
Unternehmens-KI profitiert von Wissensgraphen
Unternehmen jeder Größe profitieren von Wissensgraphen, da sie Verknüpfungen zwischen Informationen und Inhalten liefern, die sonst nicht so leicht als verwandt identifiziert werden. Organisationen verfügen heute über mehr Daten als je zuvor, in einer Vielzahl von Strukturen, die normalerweise in einem Data Lake gesammelt werden. Es ist für ein menschliches Gehirn unmöglich, diese riesige Datenmenge zu analysieren und sinnvoll zu nutzen. Wissensgraphen, welche die eigenen Ontologien der Firma und die entdeckten Beziehungen zwischen den Entitäten darstellen, helfen Organisationen dabei, ihren verschiedenen Datenquellen einen Sinn zu geben.
Wissensgraphen verbessern die Effizienz beim Content-Management und bei der Suche, indem sie relevante Informationen für jeden Benutzer filtern. Sie sind somit in der Lage, stärker personalisierte Suchfunktionen bereitzustellen. Beispielsweise kann jemand in der Kreditorenbuchhaltung, der nach Zahlungsinformationen von einer bestimmten Organisation sucht, den Bereich der Interaktionen mit dieser Firma sehen und dabei helfen, auf der Grundlage der gesuchten Beziehung oder des gesuchten Dokumenttyps zu filtern. Anwendungen für Wissensgraphen ermöglichen es Vertriebs- und Marketing-Teams ebenfalls, Inhalte zu finden, die sich auf ihren aktuellen Bedarf beziehen, ohne dass sie die richtigen Begriffe für die Suche herausfinden oder hoffen müssen, dass der Ersteller der Inhalte die Dateien entsprechend markiert hat.
Wissensgraphen helfen bei Erklärbarkeit einer KI-Entscheidung
Eines der Probleme vieler Ansätze des maschinellen Lernens – und insbesondere der neuronalen Netze – besteht darin, dass sie eine Black-Box-Technologie sind. Benutzer dieser Technologie wissen nicht, wie das Machine-Learning-System zu seiner Entscheidung gekommen ist, da das System nicht in der Lage ist, dem Menschen irgendeine Erklärung darüber zu geben, wie es zu seiner Entscheidung kommt.
Da Wissensgraphen eine immer wichtigere Rolle im Unternehmen spielen, wird die Anzahl verschiedener Anwendungsfälle ebenfalls zunehmen.
Die Notwendigkeit der Erklärbarkeit ist in bestimmten Branchen und um bestimmte Anwendungsfälle herum besonders wichtig, wie zum Beispiel bei Kredit- und Darlehensentscheidungen, bei der Erkennung von Anomalien, bei der Aufdeckung von Betrug oder bei jeder Entscheidung, die eine Person wesentlich beeinflussen kann.
Für diese Anwendungen haben Wissensgraphen einen besonderen Wert. Da sie alle Entitäten und ihre Beziehungen zueinander identifizieren, sind sie dadurch erklärbar. Wenn Wissensgraphen von Machine-Learning-Systemen verwendet werden, um ihre Entscheidungsabläufe zu dokumentieren, lassen sich sie dazu einsetzen, den KI-Entscheidungsprozess transparenter zu machen.
Da Wissensgraphen eine immer wichtigere Rolle im Unternehmen spielen, wird die Anzahl verschiedener Anwendungsfälle ebenfalls zunehmen. Die Erstellung von Wissensgraphen von Grund auf ist jedoch eine komplizierte Angelegenheit. Unternehmen werden sich überlegen müssen, ob es am besten ist, einen eigenen Graph zu erstellen, oder ob neu entstehende branchenspezifische Wissensgraphen, die von Dritten erstellt werden, den von ihnen gewünschten Nutzen bringen. Während Organisationen weiterhin Anwendungsfälle evaluieren, müssen Zeit und Aufwand für die Erstellung eines Wissensgraphen gegen den Wert abgewogen werden, den er bei der Verbesserung der Gesamtleistung und des Wertes der KI- und Machine-Learning-Systeme bietet.
