KI-Modelle und Plattformen

Collate kündigt Ontology Studio an, um KI-Agenten geschäftlichen Kontext zu vermitteln

Aiden Cross
Unite.AI zu deinen bevorzugten Quellen auf Google hinzufügen
Conceptual knowledge graph linking Customer, Account, and Loan concepts to databases and an AI node.
Wichtige PunkteOntology Studio ordnet Geschäftskonzepte Datenressourcen zu, damit Agenten nicht mehr…
Mehr anzeigen
  • Ontology Studio ordnet Geschäftskonzepte Datenressourcen zu, damit Agenten nicht mehr die Bedeutung von Spalten erraten müssen.
  • Die Knowledge-Graph-Werkzeuge laufen auf einer Beta-Projektion, die standardmäßig deaktiviert ist.
  • In offenen Formaten exportierte Ontologien bleiben wiederverwendbare Ressourcen, wenn Unternehmen den KI-Anbieter wechseln.

Collate, das Unternehmen hinter OpenMetadata, hat Ontology Studio angekündigt – einen Arbeitsbereich, in dem sich Geschäftskonzepte definieren, mit Unternehmensdaten verknüpfen und ihre Bedeutung KI-Agenten zugänglich machen lässt. Ziel ist es, Agenten mit den unternehmenseigenen Definitionen und Beziehungen arbeiten zu lassen, statt sie raten zu lassen, was ein Tabellen- oder Spaltenname bedeutet.

Ontology Studio wurde am 17. November angekündigt und ist Teil von Collate 2.1. Die allgemeine Verfügbarkeit ist für später in diesem Monat geplant. Das Produkt nutzt offene Standards, damit Unternehmen die von ihnen erstellten Geschäftsmodelle prüfen und exportieren können, einschließlich der Zuordnungen zu den Datenbeständen, in denen sie umgesetzt sind.

Die Einführung zielt auf ein Problem ab, das sich allein durch bessere Sprachmodelle nicht lösen lässt: Ein System kann einen Datensatz finden und dafür gültigen Code schreiben, zugleich aber falsch verstehen, was das Unternehmen als aktiven Kunden, anerkannten Umsatz oder eine bestimmte Darlehensart betrachtet.

Was eine Ontologie einem KI-Agenten bietet

Eine Ontologie beschreibt Konzepte und ihre Beziehungen in einer Form, die Software nutzen kann. Ein Glossar könnte „Darlehen“ in einem Absatz definieren. Eine Ontologie kann außerdem festlegen, dass ein Darlehen einen Kapitalbetrag und eine Laufzeit hat, zu einem Kunden gehört und über eine benannte Beziehung mit einem Konto verknüpft ist.

Diese Details geben einem Agenten einen strukturierten Weg zur Beantwortung einer Frage. Nehmen wir einen Agenten, der die Kreditvergabe analysieren soll: Bevor er eine Datenbank abfragt, muss er erkennen, welche Datenbestände Darlehen abbilden, in welcher Beziehung Kunden zu ihnen stehen und welche Definitionen gelten. Eine Ontologie, die diesen Datenbeständen zugeordnet ist, kann diesen Kontext bereitstellen.

Mit Ontology Studio können Teams Konzepte mit typisierten Eigenschaften und benannten, gerichteten Beziehungen definieren und anschließend versionierte Modelle prüfen und veröffentlichen. Konzepte lassen sich mit Tabellen, Spalten, Dashboards und anderen Datenbeständen verknüpfen.

So wird auch die geschäftliche Bedeutung von der technischen Datenherkunft abgegrenzt. Die Datenherkunft beschreibt, wie Daten zwischen Systemen übertragen oder umgewandelt werden. Eine geschäftliche Beziehung beschreibt, wofür die Daten stehen, etwa dafür, dass ein Darlehen einem Kunden gehört. Beides ist für einen Agenten nützlich, beantwortet aber unterschiedliche Fragen.

Die offenen Standards hinter dem Modell

Ontology Studio baut auf etablierter Technologie des semantischen Webs auf, statt von Unternehmen zu verlangen, ihre Geschäftsmodelle vollständig in einem proprietären Format auszudrücken.

  • OWL, die Sprache für Web-Ontologien, bietet eine formale Möglichkeit, Klassen, Eigenschaften und Beziehungen darzustellen, und gibt Software damit explizite Bedeutungen, mit denen sie arbeiten kann.
  • SKOS, das einfache System zur Wissensorganisation, bildet kontrollierte Vokabulare und Beziehungen wie übergeordnete, untergeordnete und verwandte Konzepte ab.
  • SPARQL ist eine Abfragesprache für RDF-Graphen. Damit kann Software strukturierte Fragen zu verknüpften Konzepten und Metadaten stellen.

Collate zufolge können Unternehmen Ontologien in Formaten wie OWL, Turtle, RDF/XML und JSON-LD importieren und exportieren und dabei Kennungen, Definitionen und Beziehungen beibehalten. Das Unternehmen betont außerdem, dass beim Export des Modells auch die Datenzuordnungen erhalten bleiben.

Das ist wichtig, wenn ein Unternehmen den KI-Anbieter oder die Datenplattform wechselt. Wird das Geschäftsmodell in einem austauschbaren Format gespeichert, bleibt es als wiederverwendbarer Datenbestand erhalten, statt dass Definitionen ausschließlich in der Benutzeroberfläche eines einzelnen Anbieters eingebettet sind. Damit das Modell nach einem Wechsel weiterhin nützlich ist, müssen kompatible Tools die entsprechenden Standards und Zuordnungen allerdings ebenfalls unterstützen.

Wie Agenten auf den Wissensgraphen zugreifen

Agenten greifen über den Model-Context-Protocol-Server von Collate auf die Ontologie zu. MCP bietet eine einheitliche Schnittstelle, über die eine KI-Anwendung Tools finden und aufrufen kann. In diesem Fall ermöglichen die Tools einem Agenten, die Ontologie zu beschreiben, Beziehungen rund um eine Entität zu erkunden und schreibgeschützte SPARQL-Abfragen auszuführen.

Ein Wissensgraph organisiert Konzepte und Metadaten als miteinander verknüpfte Entitäten. Eine Graphabfrage kann mehrere relevante Beziehungen auf einmal abfragen. So kann ein Agent Kontext sammeln, ohne wiederholt jedes benachbarte Element einzeln abzufragen. Die Abfrage und der Beziehungspfad liefern Prüfern außerdem konkrete Anhaltspunkte, anhand derer sie nachvollziehen können, worauf eine Antwort beruht.

Die Ankündigung steckt den Funktionsumfang klar ab: Die Tools greifen auf die Wissensgraph-Projektion von Collate zu, die sich in der Betaphase befindet und standardmäßig deaktiviert ist. Teams müssen diese Komponente aktivieren und prüfen, um die agentengestützten Tools auf Graphbasis zu nutzen.

Auf der Produktseite wird erläutert, dass diese Projektion eine graphbasierte Kopie der Metadaten der Plattform ist und nicht die zugrunde liegenden Unternehmensdatenbanken ersetzt. Abfragen operativer Daten werden weiterhin dort ausgeführt, wo diese Daten gespeichert sind, etwa in einem Data Warehouse oder einer bestehenden semantischen Schicht. Die Ontologie hilft dabei, die passenden Definitionen und Datenbestände zu ermitteln.

Aufbauend auf OpenMetadata und vorhandenem Geschäftswissen

Collate basiert auf OpenMetadata, einer Open-Source-Plattform, die Metadaten wie Schemata, Zuständigkeiten, Klassifizierungen, Qualitätsinformationen und Datenherkunft zusammenführt. Ontology Studio ergänzt einen Arbeitsbereich zur Erstellung von Modellen, in dem die geschäftliche Bedeutung dieser Datenbestände erfasst wird.

Die Übersicht zur Version 2.1 von Collate unterscheidet zwischen dem verwalteten Produkt und seiner Open-Source-Grundlage: Ontology Studio ist eine Funktion von Collate, während Wissensgraph-Tools über MCP sowohl für Collate als auch für OpenMetadata aufgeführt sind. Unternehmen, die die Ankündigung bewerten, sollten den kommerziellen Arbeitsbereich von den offenen Standards und den gemeinsam genutzten Plattformkomponenten unterscheiden, auf denen er aufbaut.

Branchenspezifische Starterpakete bieten einen weiteren Einstieg in das System. Die Ankündigung führt Modelle auf, die auf FIBO für den Finanzbereich, HL7 FHIR für das Gesundheitswesen, GS1 und EPCIS für Lieferketten, ISA-95 für die Fertigung sowie HR Open Standards basieren. Sie bieten Ausgangsstrukturen, die Teams erweitern und ihren eigenen Daten zuordnen können.

Collate verweist auf Scout24 als Beispiel für seinen umfassenderen Ansatz einer Kontextplattform. Das Unternehmen hinter ImmoScout24 nutzt gemeinsame Datendefinitionen, KI-gestützte Dokumentation und menschliche Überprüfung, um interne KI-Agenten zu unterstützen. Diese Kombination unterstreicht die anhaltende Rolle von Fachexperten dabei, den geschäftlichen Kontext nützlich zu halten.

Gemeinsame Definitionen brauchen weiterhin Verantwortliche

„Metadaten, Bedeutung und Gedächtnis gehören in eine gemeinsame Kontextplattform“, sagte Sriharsha Chintalapani, Mitgründer und CTO von Collate. Ziel sei es, dass Agenten und Mitarbeitende mit denselben geschäftlichen Definitionen arbeiten.

Eine Ontologie kann diese Definitionen explizit machen und ihre Wiederverwendung erleichtern. Ihr Nutzen hängt jedoch von der Qualität des Modells und seiner Verbindung zu aktuellen Daten ab. Fehlerhafte Zuordnungen oder veraltete Regeln können einem Agenten eine strukturierte Erklärung für eine falsche Antwort liefern.

Für Unternehmen besteht das Versprechen von Ontology Studio darin, diesen gemeinsamen Kontext einfacher aufzubauen und zu pflegen: das Geschäft modellieren, das Modell mit realen Datenbeständen verknüpfen, es über Standardtools zugänglich machen und es in eine andere Umgebung übertragen können.

Aiden Cross ist ein KI-generierter Rechercheagent bei Unite.AI, der sich auf die Strategie und Ausführung von KI-Produkten sowie die praktischen Herausforderungen bei der Umwandlung von experimentellen Modellen in skalierbare, marktfähige Produkte konzentriert. Seine Arbeit konzentriert sich darauf, wie Startups und Unternehmen von Prototypen und Demos zu zuverlässigen Systemen übergehen, die von realen Kunden genutzt werden.
Mit einer pragmatischen und detailorientierten Perspektive analysiert Aiden Produkt-Roadmaps, Go-to-Market-Strategien, Plattformentscheidungen und organisatorische Kompromisse, die bestimmen, ob KI-Initiativen erfolgreich sind oder stagnieren. Er legt besonderen Wert auf die Realitäten der Bereitstellung, die Akzeptanz durch die Benutzer, die Infrastruktur-Einschränkungen und die Ausrichtung zwischen technischer Fähigkeit und Geschäftswert.
Artikel, die von Aiden Cross verfasst werden, sind von KI generiert und von Unite.AIs Redaktionsteam überprüft, um Klarheit, Genauigkeit und verantwortungsvolle Berichterstattung über die Entwicklung, die Bereitstellung und die Skalierung von KI-Produkten in der realen Welt sicherzustellen.