Zwei unterschiedliche Arten, Wissen zu erschliessen

Eine Vektorsuche findet Inhalte anhand ihrer numerischen Repräsentation, etwa Textpassagen mit ähnlicher Bedeutung. Ein Knowledge Graph beschreibt Objekte und ihre Beziehungen ausdrücklich: Eine Anlage gehört zu einem Standort, verwendet ein Bauteil und hat eine bestimmte Anleitung.

Das ist keine Rangliste. Eine Technologie ersetzt die andere nicht automatisch. Manche Anwendungen kommen mit einer klassischen Datenbank und guter Volltextsuche aus; andere profitieren von einer Kombination.

Wo eine Vektorsuche hilfreich ist

Wenn Mitarbeitende Fragen unterschiedlich formulieren und passende Textstellen suchen, kann semantische Ähnlichkeit nützlich sein. «Die Pumpe wird zu heiss» soll beispielsweise eine Passage zu «Übertemperatur» finden.

Eine Vektordatenbank oder ein Suchsystem mit Vektorindex speichert die dazugehörigen Repräsentationen und ermöglicht Ähnlichkeitsabfragen. Die Treffer sind Kandidaten, keine automatisch bestätigten Tatsachen. Bei Artikelnummern und exakten Kennungen sind zusätzliche Such- und Filterverfahren häufig wichtig.

Microsoft beschreibt diese Einordnung im Zusammenhang mit RAG und Unternehmenssuche. Ob die Suche für Ihren Bestand genügt, muss anhand konkreter Fragen geprüft werden.

Wo ein Knowledge Graph hilfreich ist

Ein Graph ist interessant, wenn Beziehungen selbst Teil der Frage sind. Zum Beispiel: Welche Kunden verwenden ein Bauteil, das von einer geänderten Serviceanweisung betroffen ist?

Dafür müssen Kunde, Anlage, Bauteil und Anweisung eindeutig zugeordnet sein. Die Neo4j-Einführung in Graphdatenbanken erläutert das Modell aus Knoten und Beziehungen. Ein Knowledge Graph baut darauf fachliche Bedeutung und nachvollziehbare Zuordnungen auf; er ist mehr als eine beliebige Sammlung verbundener Punkte.

Der Nutzen hängt davon ab, ob die Beziehungen zuverlässig vorliegen und gepflegt werden. Ein automatisch extrahierter Zusammenhang kann genauso falsch sein wie eine falsch zugeordnete Textpassage.

Ein Beispiel mit drei Fragen

Ein fiktiver Maschinenservice möchte wissen: «Wie wird dieser Fehler behoben?» Dafür kann eine gut konfigurierte Textsuche mit anschliessender Antwortgenerierung ausreichen.

Die zweite Frage lautet: «Welche Anleitung gilt für genau diese Anlage mit ihrer aktuellen Konfiguration?» Hier braucht es verlässliche Kennungen und strukturierte Filter oder Beziehungen.

Die dritte Frage lautet: «Welche installierten Anlagen sind von einer Änderung an diesem Bauteil betroffen?» Dafür kann ein Graph besonders passend sein, wenn sich die Antwort über mehrere fachliche Beziehungen erstreckt. Eine relationale Datenbank kann solche Beziehungen ebenfalls abbilden; der Graph ist keine zwingende Voraussetzung.

Kombinationen gezielt einsetzen

Eine hybride Anwendung kann zunächst die richtige Anlage und Revision bestimmen und danach innerhalb der zugehörigen Dokumente suchen. Der strukturierte Teil grenzt ein, der Suchteil findet relevante Passagen.

Planen Sie diese Kombination nur, wenn die Fragen sie rechtfertigen. Zusätzliche Datenmodelle, Extraktionsschritte und Synchronisationen erhöhen auch Fehlerquellen und Pflegeaufwand.

So treffen Sie die Entscheidung

Sammeln Sie repräsentative Fragen und markieren Sie, ob sie vor allem Textverständnis, exakte Werte oder mehrstufige Beziehungen verlangen. Bauen Sie einen kleinen Vergleich mit demselben Datenbestand.

Bewerten Sie nicht nur Trefferqualität, sondern auch Aktualisierung, Zugriffskontrolle und fachliche Wartbarkeit. Die Fachabteilung sollte erklären können, warum ein Ergebnis zustande kommt und wo eine falsche Beziehung korrigiert wird.

Unser Beitrag zum semantischen Datenmodell vertieft die fachlichen Begriffe hinter solchen Verbindungen. Unsere KI-Beratung hilft, die Architektur aus Ihren Fragen abzuleiten.