Semantic Web

Semantic Web

Das Semantic Web verfolgt die Vision eines Webs, in dem nicht nur Menschen, sondern auch Maschinen die Bedeutung von Inhalten verstehen und verarbeiten können. Die technische Grundlage bilden Standards wie RDF, OWL, SPARQL und URIs, die zusammen den Semantic Web Stack ergeben. Tim Berners-Lee formulierte die Vision 2001 in einem einflussreichen Artikel im Scientific American. In der semantischen Infrastruktur bildet das Semantic Web das theoretische Fundament, auf dem praktische Anwendungen wie Schema.org, Knowledge Graphs und Linked Data aufbauen. Obwohl die ursprüngliche Vision eines vollständig vernetzten Datenwebs nur teilweise realisiert wurde, haben die Technologien und Prinzipien des Semantic Web die moderne Suche und Wissensverarbeitung grundlegend geprägt. Schema.org ist die pragmatische Umsetzung von Semantic-Web-Prinzipien für die breite Masse der Webentwickler. Die Kombination von Semantic-Web-Technologien mit KI und Large Language Models bringt die Vision eines bedeutungstragenden Webs der praktischen Umsetzung näher als je zuvor.

Linked Data als Rückgrat des Semantic Web

Linked Data als Rückgrat des Semantic Web

Linked Data ist nicht eine nette Ergänzung zum Semantic Web, sondern dessen betriebsfähige Grundlage. Tim Berners-Lee formulierte 2006 vier Prinzipien, die bis heute gelten: Verwende URIs als Namen für Dinge, mache diese URIs per HTTP abrufbar, stelle beim Abruf nützliche Information in RDF bereit, und verlinke auf andere URIs. Wer diese vier Regeln umsetzt, produziert kein Dokument mehr, sondern einen Datenpunkt in einem globalen Graphen.

Das klingt abstrakt, hat aber konkrete Konsequenzen für dich als Publisher. Wenn du eine Entität wie ein Unternehmen, eine Person oder ein Produkt beschreibst, entscheidest du, ob dieser Datenpunkt isoliert bleibt oder ob er sich in einen größeren Wissensraum einfügt. DBpedia, Wikidata und schema.org sind Linked-Data-Knotenpunkte, auf die sich Crawler und KI-Systeme täglich beziehen. Wer dort verankert ist, existiert im maschinellen Weltwissen.

RDF ist dabei das Datenmodell: Subjekt-Prädikat-Objekt-Tripel verbinden Entitäten miteinander. Ein Tripel beschreibt zum Beispiel, dass Unternehmen A seinen Sitz in Stadt B hat, und das ist für eine Maschine genauso eindeutig wie für einen menschlichen Leser. Dieses Prinzip der maschinenlesbaren Bedeutung unterscheidet Linked Data fundamental von HTML, das Strukturen nur für Augen kodiert. Du kannst es als Differenz zwischen Darstellung und Bedeutung begreifen: HTML zeigt, RDF erklärt.

Ontologien und Wissensgrafen: Bedeutung formalisieren

Ontologien und Wissensgrafen: Bedeutung formalisieren

Eine Ontologie ist kein philosophisches Luxusprojekt, sondern ein formales Vokabular, das festlegt, welche Klassen von Dingen existieren und in welchen Beziehungen sie zueinander stehen. Im Kontext des Semantic Web sind OWL (Web Ontology Language) und RDFS (RDF Schema) die wichtigsten Werkzeuge dafür. Sie erlauben Aussagen wie: 'Jede Instanz der Klasse Person ist eine Instanz der Klasse Agent', oder: 'Die Eigenschaft hatVorgesetzten hat als Domäne Person und als Wertebereich Person'. Diese formalen Constraints machen maschinelles Schlussfolgern möglich.

Wissensgrafen wie der Google Knowledge Graph, Wikidata oder branchenspezifische Enterprise Knowledge Graphs nutzen genau diese Prinzipien. Sie modellieren die Welt als Netz von Entitäten und Relationen, über das sich neue Fakten ableiten lassen, die nirgendwo explizit gespeichert sind. Wenn du weißt, dass Marie Curie in Paris lebte und Paris in Frankreich liegt, kannst du ohne weiteres Nachschlagen schlussfolgern, dass sie in Frankreich lebte.

Für dich als Content-Stratege bedeutet das: Die Art, wie du Entitäten und ihre Eigenschaften beschreibst, entscheidet darüber, ob ein KI-System diese Fakten in seinen eigenen Reasoning-Prozess integrieren kann. Unklare, inkonsistente oder widersprüchliche Beschreibungen führen dazu, dass du im Wissensgraphen entweder falsch repräsentiert wirst oder gar nicht auftauchst.