Anbieter zum Thema

Neo4j Germany GmbH

xSuite Group GmbH

Esker Software Entwicklungs-und Vertrieb

Yorizon GmbH & Co. KG

Graphtechnologie, Evaluation der KI durch Künstliche Intelligenz und Integration statt großer Neuentwurf

7. Graphtechnologie im Mittelpunkt

Graphen bieten als Netzwerk von Informationen auf allen Ebenen eine ideale Repräsentation von Daten – egal ob strukturiert oder unstrukturiert. GraphRAG ist dafür ein gutes Beispiel. Der RAG-Ansatz stellt in GenAI-Anwendungen einen Knowledge Graphen als zusätzliche Quelle domänenspezifischer Daten zur Seite. Das macht Ergebnisse genauer, aktueller, erklärbarer und transparenter. Eine zunehmend wichtige Rolle spielen dabei Graph Patterns. Diese Muster stellen differenzierte Informationen dar und können bestimmten Arten von komplexen Fragen beantworten.

Ein weiteres Beispiel für die Verzahnung von KI und Graphen sind Graph Neural Networks (GNN). Die neuronalen Netze versuchen besonders schwierige Probleme zu lösen. Google DeepMind arbeitet mit GNNs seit Jahren an zahlreichen Projekten, zum Beispiel an einer intelligenten Wettervorhersage (GraphCast) oder einem KI-gestützten Design von Halbleitern (AlphaChip). Im November 2024 veröffentlichte das Unternehmen die dritte Version von AlphaFold, einem KI-System, das die Struktur von Proteinen sowie deren Interaktionen mit anderen Biomolekülen präzise vorhersagen kann.  

8. Evaluation der KI durch Künstliche Intelligenz

Der Startpunkt, um KI-Anwendungen zu entwickeln, ist angesichts solcher Technologien mittlerweile recht einfach. Die Anwendung zu validieren und zuverlässig in die Produktion zu überführen, kostet hingegen viel Zeit und Aufwand. LLMs arbeiten probabilistisch, generieren also Aussagen lediglich mit einer bestimmten Wahrscheinlichkeit. Evaluation ist 2025 daher das Thema. Kontroll- und Feedbackmechanismen sind dringend nötig, um Fehlerfortpflanzung zu vermeiden, die Datenqualität zu prüfen und regulatorische Richtlinien zu erfüllen. 

Herkömmliche Ansätze greifen oft zu kurz. Um die KI zu kontrollieren, kommt wieder Künstliche Intelligenz zum Einsatz. Schiedsrichter-LLMs können zum Beispiel die Ergebnisse einer anderen LLM hinterfragen und auf die Korrektheit bzw. Angemessenheit der Frage sowie auf unangemessene oder illegale Inhalte untersuchen. KI-basierte Fairness-Toolkits testen auf Data Bias.

Die wichtigsten Entwicklungen

Daten-Trends 2025: Es geht um konkrete Geschäftsvorteile und mehr Effizienz

9. Lingua franca für die KI-Welt

Künstliche Intelligenz interagiert mit Menschen, Maschinen und anderen KI-Modellen. Klar, im Chatbot antwortet die KI in natürlicher Sprache. Doch die Tech-Welt ist multilingual, andere Systeme nutzen andere Sprachen (etwa Abfragesprachen, API-Code) und in Zukunft kommunizieren die KI-Modelle verstärkt auch untereinander. Je mehr die Integration von KI in bestehende IT-Infrastrukturen zunimmt, desto wichtiger ist es, entsprechende „Sprach“-Schnittstellen zu entwickeln. Im Graph-Umfeld beispielsweise dienen LLMs als Dolmetscher, um Fragen in natürlicher Sprache in die Abfragesprache Cypher zu übersetzen (Text2Cypher). Langfristig stellt sich die Frage, ob es eine einheitliche Verkehrssprache braucht, um eine dauerhafte Verständigung sicherzustellen und ein Sprachchaos á la Turm von Babel zu vermeiden. Oder ob gerade die Flexibilität der natürlichen und technischen Sprachen einen großen Vorteil in der Verwendung von LLMs darstellt. 

10. Integration statt großer Neuentwurf

In den letzten zwei Jahren war viel die Rede davon, GenAI-Systeme gänzlich neu zu bauen und quasi auf der grünen Wiese anzufangen. Die Realität sieht jedoch anders aus: Unternehmen blicken auf eine bestehende und komplexe IT-Infrastruktur, die sich nicht einfach auswechseln lässt. In der Praxis wird es daher hauptsächlich darum gehen, KI-Komponenten sinnvoll einzubinden bzw. bestehende Lösungen und Systeme mit KI-Fähigkeiten zu versehen. 

Auf operationaler Ebene braucht es ein Basis-Framework, in dem Richtlinien festgelegt, Prozesse vereinheitlicht und Ziele definiert sind, idealerweise unter Einbeziehung aller KI-Stakeholder im Unternehmen, zum Beispiel C-Level, Entwicklerteam, IT, Compliance, Fachbereiche. Auf technischer Ebene gilt es, Künstliche Intelligenz in Form gekapselter und integrierbarer Komponenten zu verpacken und diese an ausgesuchten Stellen, etwa Nutzerinteraktion oder Datenanalyse, zu integrieren. Wie man diese wachsende Komplexität an Architekturen managt, wird eine der großen Fragen der nächsten Jahre bleiben – bei der vielleicht auch die KI weiterhelfen kann.