Kürzlich bei einem Apéro eines KI-Anlasses geriet ich in eine interessante Unterhaltung rund um Taxonomien, Ontologien & Wissensgraphen, also Schlagwörter, die in KI-Projekten überall auftauchen, bei denen man nicht so genau weiss, ob eigentlich alle vom Gleichen sprechen. 😵💫
Demnach ist auch nicht allen immer klar, was wozu gut ist. Solche strategische Unklarheiten, oder die feinen Unterschiede machen am Ende viel aus, wenn es ans Eingemachte geht.
Wir unterhielten uns also in dieser kleinen Gruppe und ich erwischte mich dabei, Ordnung in das Gespräch bringen zu wollen. Berufskrankheit… 😆
Denn je länger wir diskutierten, desto deutlicher wurde, dass viele beispielsweise Wissensgraph sagten, obwohl eigentlich Taxonomien oder Ontologien gemeint waren, oder einfach strukturierte Wörterlisten aus mehreren Excel-Dateien, die eines schönen Tages „governed“ werden sollten, jetzt aber irgendwo in SharePoint vor sich hinschlummern. «Es bitzeli wild» das Ganze, wenn Sie mich fragen. Dabei lösen doch diese Modelle unterschiedliche Probleme.
Nehmen wir LinkedIn als bekanntes Beispiel. Eine Taxonomie
hilft primär beim Ordnen & Klassifizieren von Informationen: Branchen,
Fähigkeiten, Jobtitel, Themenbereiche oder Hashtags. Sie schafft Struktur und
Navigation.
Eine Ontologie geht deutlich weiter. Sie beschreibt Bedeutungen und Beziehungen explizit. Vereinfacht gesagt, entsteht dabei eine Art Netzwerk aus Kästchen und Verbindungslinien. Die Kästchen stehen für Personen, Unternehmen, Beiträge, Kommentare oder Fähigkeiten. Die Linien definieren ihre Beziehungen zueinander und damit ihre fachliche Bedeutung. Dadurch entstehen sichtbare Zusammenhänge zwischen Personen, Unternehmen, Themen oder Beiträgen, die vorher irgendwo verteilt auf der Platform oder in den Profilen lagen.
Der #Wissensgraph baut anschliessend auf einer Ontologie auf und verbindet die Kästchen und Beziehungen mit tatsächlichen Daten aus Profilen, Beiträgen, Kommentaren, Suchanfragen oder Interaktionen. Informationen stehen dadurch nicht mehr isoliert im Raum, sondern ergeben fachlich nachvollziehbare Zusammenhänge. Ein Wissensgraph allein schafft noch keine semantische Klarheit. 💡 Ohne konsistente Terminologie (Begriffe & Benennungen), saubere Beziehungsdarstellungen oder Datenzuordnungen folgen falsche oder mindestens irreführende Ergebnisse. «Garbage in, garbage out.»
Genau deshalb werden diese Unterschiede aktuell so relevant. Auch wenn all das zunächst abstrakt klingt, sorgt minderwertige Datenqualität in solchen
Modellen später für Missverständnisse, schlechte Suchergebnisse oder schräge AI-Outputs.
Mich würde interessieren, ob solche Diskussionen auch in Ihrem Unternehmen / Umfeld geführt werden oder ob semantische Modelle & relevante Zuständigkeiten dort bereits klar definiert sind. Wäre ja schön.
