Wissensrepräsentation Semantische Infrastruktur

Wissensrepräsentation

Wissensrepräsentation umfasst die Methoden und Formalismen, mit denen menschliches Wissen in eine für Computer verarbeitbare Form gebracht wird. Zu den Grundformen gehören logikbasierte Darstellungen (Prädikatenlogik, Beschreibungslogiken), rahmenbasierte Darstellungen (Frames, Objekte), regelbasierte Systeme und graphbasierte Darstellungen (Knowledge Graphs, RDF). In der semantischen Infrastruktur ist Wissensrepräsentation die theoretische Grundlage, auf der alle praktischen Anwendungen aufbauen. Ontologien, Taxonomien, Thesauri und Knowledge Graphs sind verschiedene Formen der Wissensrepräsentation mit unterschiedlichen Graden an Formalität und Ausdruckskraft. Die Wahl der Repräsentationsform bestimmt, welche Inferenzen möglich sind und wie effizient das Wissen verarbeitet werden kann. In der modernen KI ergänzen neuronale Wissensrepräsentationen (Embeddings, Vektoren) die symbolischen Formen. Die Kombination beider Ansätze, neurosymbolische KI, verspricht die Vorteile beider Welten zu vereinen.

Wissensrepräsentation als Denkrahmen

Bevor eine Maschine etwas weiß, muss jemand entschieden haben, wie dieses Wissen überhaupt geformt wird. Das klingt philosophisch, und ist gleichzeitig eine der knallhartesten Ingenieurfragen der Informatik.

Wissensrepräsentation ist die Kunst, Wirklichkeit so zu formalisieren, dass Maschinen damit schlussfolgern können. Frames, entwickelt in den 1970ern von Marvin Minsky, beschreiben Konzepte als strukturierte Datenobjekte mit Slots und Werten: ein Auto hat Slots für Marke, Baujahr, Besitzer. Regelbasierte Systeme gehen weiter, sie kodieren Wenn-dann-Beziehungen und erlauben maschinelles Ableiten neuer Fakten. Ontologien definieren Klassen, Instanzen, Relationen und Hierarchien: Elektroauto ist eine Unterklasse von Fahrzeug, hat die Eigenschaft Antrieb: elektrisch, steht in Relation zu Ladestation.

Warum die Form das Denken bestimmt: ein Frame-basiertes System denkt in Objekten. Ein regelbasiertes System denkt in Wenn-dann-Logik. Ein Graphmodell denkt in Relationen. Dieselbe Information, drei verschiedene Repräsentationen, und drei verschiedene Arten, Schlussfolgerungen zu ziehen. (Das ist keine Kleinigkeit: der Knowledge Graph von Google repräsentiert Fakten anders als ein neuronales Netz, und zieht deshalb andere Schlüsse.)

Was das für dich bedeutet: Wer Wissenssysteme baut, sei es eine interne Wissensbasis, ein RAG-System oder einen strukturierten Datensatz, trifft mit der Wahl des Repräsentationsmodells eine Grundsatzentscheidung. Keine neutrale, keine beliebige.

Wissensrepräsentation für das Web

Das Semantic Web war der Traum: ein Web, in dem nicht nur Menschen, sondern Maschinen Wissen lesen, verknüpfen und schlussfolgernd verarbeiten können. Der Traum ist nicht gestorben. Er ist einfach komplizierter geworden, als Tim Berners-Lee sich das vorgestellt hat.

RDF, Resource Description Framework, ist der Grundbaustein. Jede Aussage wird als Triple kodiert: Subjekt, Prädikat, Objekt. Einfach, atomar, kombinierbar. Millionen solcher Triples ergeben einen Knowledge Graph. RDF ist nicht schön zu schreiben, aber es ist das einzige Format, das wirklich interoperabel über Systemgrenzen hinweg funktioniert.

OWL, die Web Ontology Language, gibt dir Ausdrucksmächtigkeit über RDF hinaus. Klassen, Unterklassen, Äquivalenzen, Restriktionen. OWL-Reasoner können aus einer Ontologie neue Fakten ableiten, die niemand explizit eingetragen hat. Das ist maschinelles Schlussfolgern im eigentlichen Sinne: kein Matching, kein Pattern-Retrieval, sondern echte Inferenz. (Wer das zum ersten Mal sieht, ist meistens kurz sprachlos.)

Knowledge Graphs, wie Googles KG, Wikidatas Graph oder firmeninterne Enterprise Knowledge Graphs, sind die praktische Synthese: RDF-basierte Datenspeicherung, ontologische Strukturierung, angereichert mit statistischem Wissen aus Machine-Learning-Systemen. Für Unternehmen ist das keine akademische Spielerei mehr. Wer seine Produkte, Prozesse, Konzepte in einem Knowledge Graph abbildet, schafft Infrastruktur für Retrieval, für KI-Assistenten, für semantische Suche.