10 Fragen für CTOs und CIOs Die passende Knowledge Graph-Software auswählen

Anbieter zum Thema

Altair Engineering GmbH

UberCloud

ESTECO Software GmbH

Leitfaden für CTOs/CIOs: 10 Fragen zur Wahl der Knowledge Graph-Software. Wissensgraphen verbinden Datensilos, schaffen Single Source of Truth und steigern mit GenAI den Wert von Cloud-Plattformen.

Wenn Daten so strukturiert werden sollen, dass daraus Wissen entsteht, kommen Knowledge Graphs (Wissensgraphen) ins Spiel. Sie verbinden unterschiedliche Datensilos und stellen die enthaltenen Daten in einem gemeinsamen, semantischen Datenmodell als „Single Source of Truth“ für Analysen bereit. Mit der kontinuierlich wachsenden Komplexität von Unternehmensdaten und dem Bedarf an sofortigen und umsetzbaren Erkenntnissen bieten Knowledge Graphs daher – insbesondere in Kombination mit generativer KI (GenAI) – neue Möglichkeiten, den Wert und die Funktionalität von Cloud-Datenplattformen zu steigern.
 Die Industrie ist sich der rasanten Entwicklung und Bedeutung der Künstlichen Intelligenz (KI) bewusst. Folglich stehen Chief Technology Officer (CTOs) und Chief Information Officer (CIOs) in allen Branchen zunehmend vor der Herausforderung, GenAI einzusetzen, KI-Agenten zu entwickeln, den Zeitaufwand für die Identifizierung und Anwendung geeigneter Ressourcen zu verringern und alle verfügbaren Datenbestände für natürlichsprachliche Abfragen nutzbar zu machen. Doch welche Knowledge Graph-Software ist die richtige? Bevor Sie sich für einen Anbieter entscheiden, kommt es darauf an, die richtigen Fragen zu stellen. Lesen Sie in diesem Artikel, welche zehn Fragen CTOs und CIOs vor dem Projektstart berücksichtigen sollten.

1. Was können Knowledge Graphs, was meine bestehende Cloud-Datenplattform nicht kann?

Knowledge Graph-Software kann strukturierte und unstrukturierte Daten aus dem gesamten Unternehmen auf eine Weise verbinden und kontextualisieren, die über die praktischen Möglichkeiten von Cloud-Datenplattformen allein hinausgeht.
 Cloud-Datenplattformen können zwar Daten mit einem hohen Maß an Governance und Cleanliness zusammenführen, aber sie sind nicht unbedingt über Datendomänen oder ursprüngliche Quellsysteme hinweg verbunden. Bestimmte Arten von Unternehmensdaten liegen möglicherweise überhaupt nicht auf einer Cloud-Datenplattform vor.
 Cloud-Datenplattformen sind hervorragend dafür geeignet, Daten aus mehreren Quellen zu aggregieren, zu speichern und zu bereinigen, aber sie integrieren diese Quellen in der Regel nicht so, dass sie einfach zusammen verwendet werden können, außer zur Unterstützung speziell entwickelter Anwendungsfälle. Wenn neue Anwendungsfälle auftreten, müssen Projektmanager Änderungen an der Plattform entwickeln, testen und implementieren, was erheblichen Mehraufwand und hohe Investitionen erfordern kann.
 Zu unstrukturierten Daten gehören beispielsweise E-Mail- und Chat-Systeme, PDF-Dokumente, Bilder oder Textdateien. Der Umgang mit unstrukturierten Daten erfordert modernste Software, die mehr kann als nur Datenbereinigung. Allein die Verbindung unstrukturierter Datenquellen kann eine Herausforderung sein und ohne die richtigen Tools ist es noch schwieriger, diese Daten sinnvoll zu interpretieren.

Fragen Sie Ihre Anbieter, ob ihre Knowledge Graph-Lösung das Kopieren und Speichern von Daten in einem separaten Repository erfordert oder ob sie einen In-Memory- und Hochleistungs-Cache verwendet.

2. Wie skalierbar und leistungsfähig ist die Lösung?

Es gibt zwei wichtige Aspekte der Skalierbarkeit, die genau untersucht werden sollten: die Skalierbarkeit in Bezug auf die Verwaltung des Knowledge Graphs selbst und die Skalierbarkeit in Bezug auf das Laden/Transformieren/Abfragen aller für den Graph verfügbaren Daten.
 Die Datenmengen in Unternehmen sind enorm und wachsen weiter. Kann die Software Milliarden von Knoten (Objekte) und Kanten (Verbindungen oder Beziehungen zwischen diesen Objekten) verarbeiten? Wie schnell werden Daten geladen? Werden parallele Rechentechniken zur Leistungssteigerung eingesetzt? Bleibt die Latenz bei komplexen Abfragen gering, auch wenn Ihr Unternehmen weiter wächst?
 Stellen Sie sicher, dass die von Ihnen evaluierten Systeme für Skalierbarkeit auf Unternehmensebene ausgelegt sind und leistungsstarke Analysen und komplexe Abfragen mit hoher Geschwindigkeit unterstützen.

3. Wie automatisiert die Plattform den Aufbau des Wissensgraphen?

Benutzer sollten Knowledge Graphs (größtenteils) nicht manuell erstellen müssen. Die Tools sollten vorhandene Metadaten, Datenmodelle und Governance-Informationen nutzen, um die Erstellung neuer Wissensgraphen zu automatisieren. Nutzt die Software beispielsweise automatisch das Schema einer relationalen Datenbank oder muss die Datenbank manuell in das System importiert werden?
 Bitten Sie die Anbieter, die erforderlichen Schritte zum Erstellen eines Wissensgraphen zu erklären und zu demonstrieren, und lassen Sie sich anhand Ihrer eigenen Daten zeigen, wie ihre Automatisierungstools funktionieren.

Datenmanagement

Dell AI Data Plattform erleichtern die Datennutzung mit KI

4. Wie einfach sind die mit der Software erstellten Wissensgraphen zu verwenden?

Wenn Ihr funkelnagelneues (und wahrscheinlich teures) Knowledge Graph-basiertes System nur von Personen genutzt werden kann, die umfangreiche Erfahrung im Bereich Data Science haben, wird es nur sehr begrenzte Akzeptanz finden. Stellen Sie sicher, dass Führungskräfte, Produktmanager, F&E-Leiter und andere Mitarbeiter verstehen, wie das System funktioniert, sowie Abfragen durchführen und ohne IT-Support aussagekräftige Antworten erhalten können.
 Bitten Sie die Anbieter, Ihnen den Prozess der Erstellung und des Zugriffs auf einen Wissensgraphen zu zeigen. Ist er leicht verständlich? Kann Ihr technisches Team den Umgang mit der Software schnell erlernen? Verstehen alle, wie sie funktioniert? Kann das Team mit der Software erstellte Wissensgraphen genauso einfach erstellen und verwalten wie Tabellen, Datensätze und Datenprodukte in Ihrer bestehenden Cloud-Datenplattform? Können Business User mit ihren vertrauten Tools auf die mit der Software erstellten Wissensgraphen zugreifen?

5. Wie geht das System mit Sicherheit, Datenschutz und Compliance um?

Wissensgraphen werfen Sicherheitsbedenken auf, da sie Daten aus mehreren Quellen zusammenführen. In jeder Unternehmensanwendung und Branche müssen sensible Daten strengen Zugriffskontrollen und Prüfpfaden unterliegen und Vorschriften wie der Datenschutzgrundverordnung (DSGVO) und dem Bundesdatenschutzgesetz (BDSG) und anderen entsprechen.
 Fragen Sie Ihre Anbieter, was sie tun, um diese Bedenken auszuräumen und bestehende Sicherheitsprotokolle zu übernehmen. Verlangen Sie konkrete Angaben dazu, wie die Software interne Governance- und Compliance-Anforderungen unterstützt. Stellen Sie sicher, dass das System die Tools/Funktionen bereitstellt, die in Ihrer Anwendung erforderlich sind, um Datensicherheit und die Einhaltung gesetzlicher Vorschriften zu gewährleisten.

6. Wie nutzt die Plattform Ontologien?

Ontologien sind semantische Bausteine, die Wissen innerhalb von Domänen repräsentieren und eine klare, prägnante Dateninteroperabilität ermöglichen. Ontologiegesteuerte Integration beschreibt Daten in Geschäftsbegriffen und unterstützt Transparenz, Vertrauen und umsetzbare Erkenntnisse.
 Bitten Sie die Anbieter, zu erklären, wie ihre Systeme integrierte Daten mithilfe von Ontologien abstrahieren und beschreiben, um diese Daten für generative KI-Lösungen zugänglich zu machen. Stellen Sie sicher, dass die Plattform relevante Industriestandards und benutzerdefinierte Erweiterungen unterstützt. Werden Sie in der Lage sein, Ontologien zu nutzen, um aktuelle Geschäftsanforderungen und neue Anforderungen zu erfüllen, sobald diese entstehen?

7. Unterstützen die mit der Software erstellten Knowledge Graphs Abfragen und Antworten in natürlicher Sprache, und wie genau sind die Antworten (wirklich)?

Führungskräfte brauchen Antworten, keine Dashboards. Die Fähigkeit, komplexe Geschäftsfragen wie „Wie hoch ist unsere Bruttogewinnmarge für alle im Heimatland verkauften importierten Produkte und wie hat sich diese in den letzten drei Jahren verändert?“ in vollständige, genaue und verständliche Ergebnisse zu übersetzen, ist von entscheidender Bedeutung.
 Retrieval-Augmented Generation (RAG) ist eine wertvolle Technik, die den Bezugsrahmen eines GenAI-Modells auf reale und geprüfte Informationen beschränkt. Graph RAG (manchmal auch GRAG genannt) verbessert dies, indem es die Kontextinformationen aus Wissensgraphen nutzt, um Halluzinationen zu reduzieren. Halluzinationen können entstehen, wenn KI-Modelle auf unsichere oder unzureichende Informationen stoßen und dann kreative, aber ungenaue Antworten generieren. Graph RAG fügt den Eingabeaufforderungen Kontext hinzu, der die Genauigkeit der generierten Antwort erhöht und die Wahrscheinlichkeit von Halluzinationen verringert. Graph RAG liefert kontextreiche, präzise Antworten, die über die Fähigkeiten normaler RAG-Systeme hinausgehen und effizienter und effektiver Verbindungen innerhalb und zwischen allen strukturierten Quellen und unstrukturierten Dokumenten/Chunks herstellen. Graph RAG stützt alle Antworten auf Ihre Unternehmensdaten, um die Qualität der Antworten zu verbessern und sie für nicht-technische Benutzer klarer und umsetzbarer zu machen.

Bitten Sie Anbieter, genau zu erklären, wie ihre Knowledge Graph Plattform Graph RAG unterstützt, und fordern Sie sie auf, diese Fähigkeit anhand Ihrer Daten in einem Proof of Concept zu demonstrieren.

Eine erfolgreiche Implementierung eines Wissensgraphen ermöglicht es Benutzern, alle Funktionen von GenAI durch eine Kombination aus integrierten Funktionen und Integrationen zu nutzen. Ein ordnungsgemäß implementierter Wissensgraph ermöglicht es GenAI-Systemen, ihre Antworten zu erklären und Quellen anzugeben, was für den Aufbau von Vertrauen und Transparenz bei AI-gesteuerten Entscheidungen unerlässlich ist.

Das CIO Magazin online berichtete Anfang 2025 von einer Verbesserung von 78 Prozent der Genauigkeit seines Kundenservice-AI durch die Integration von Unternehmenswissensgraphen in RAG-Systeme, wodurch gleichzeitig die Problemlösungszeiten um 29 Prozent verringert wurden.

8. Wie transparent und erklärbar sind KI-generierte Antworten?

Alle Nutzer des Systems müssen sich auf dessen Ergebnisse verlassen können. Bietet die Lösung klare Erklärungen und Argumentationswege für jede Antwort? Wenn Sie nicht erklären und nachvollziehen können, wie das System zu einer Antwort gelangt ist, können Sie dieser Information nicht vertrauen.
 Bitten Sie Anbieter, Ihnen zu zeigen, wie ihre Systeme KI-Antworten im Wissensgraphen und dessen Ontologien verankern. Sind die Antworten nachvollziehbar, erklärbar und überprüfbar?

9. Wie lange dauert es, bis sich der Nutzen zeigt?

Wie schnell können Ihre Teams mit der Nutzung des Systems beginnen? Erfordert das System umfangreiche Anpassungen? Fordern Sie Fallstudien und Benchmarks an, insbesondere für groß angelegte Bereitstellungen mit mehreren Datenquellen. Können Sie tatsächlich davon ausgehen, dass Sie das System innerhalb weniger Monate nutzen können und Ihre Investitionen Früchte tragen? Oder wird es realistisch gesehen ein Jahr oder länger dauern?

10. Wie sehen die Supportleistungen des Anbieters aus?

Wie gut ist das Implementierungsteam des Anbieters? Verfügt es über Erfahrung im Aufbau von Wissensgraphen und verfügt der Anbieter über mit Ihrer Branche vergleichbare Referenzen? Bietet der Anbieter reaktionsschnellen Support, umfassende Dokumentation und eine Community of Practice?
 Wenn Sie einen Anbieter finden, der alle diese Fragen zufriedenstellend beantworten kann, nehmen Sie ihn in die engere Auswahl und arbeiten Sie mit ihm zusammen, um die Leistung und Fähigkeiten anhand Ihrer eigenen Daten zu demonstrieren. Es gibt keinen Ersatz für einen Test in der Praxis.

Ben Szekely ist Vice President, Data Analytics & AI bei Altair.