Sofortantwort
Ontologie einfach erklärt
Eine strukturierte Beschreibung von Konzepten und deren Beziehungen.
- Kurz gesagt
- Formale Modellierung von Konzepten und deren Beziehungen in einer Domäne
- Typischer Einsatz
- Wissensmanagement, Medizinische Informatik, Semantic Web
- Wichtig zu wissen
- Grundlage für Knowledge Graphs, semantische Suche und Wissensmanagement
Ontologie im Überblick
Eine Ontologie ist eine formale, maschinenlesbare Beschreibung eines Wissensgebiets: welche Konzepte existieren, wie sie definiert sind und wie sie miteinander in Beziehung stehen. Ontologien sind die Grundlage für semantisches Web, Knowledge Graphs und strukturiertes Reasoning. Im Gegensatz zu einfachen Taxonomien (Hierarchien) können Ontologien komplexe Beziehungen wie “ist Teil von”, “ist Voraussetzung für” oder “widerspricht” ausdrücken.
Eine Ontologie beschreibt formal, welche Konzepte es in einem Wissensgebiet gibt und wie sie zusammenhängen. Sie ist wie ein Stammbaum für Wissen.
Warum ist das wichtig?
Ontologien ermöglichen Maschinen, Bedeutung und Zusammenhänge zu verstehen. Sie sind die Grundlage für Knowledge Graphs, semantische Suche und strukturiertes Wissensmanagement.
Beispiel KI-Ontologie:
KI
├── Machine Learning (ist-ein Teilbereich von KI)
│ ├── Supervised Learning
│ ├── Unsupervised Learning
│ └── Deep Learning
│ └── Transformer (ist-eine Architektur für DL)
│ └── LLM (basiert-auf Transformer)
│ ├── GPT (ist-ein LLM)
│ └── Llama (ist-ein LLM)
└── RobotikTechnisch betrachtet
Bestandteile
- Klassen: Konzepte (z.B. “Modell”, “Algorithmus”, “Datensatz”)
- Instanzen: Konkrete Beispiele (z.B. “GPT-5”, “Random Forest”)
- Eigenschaften: Attribute (z.B. “hat Parameter”, “trainiert auf”)
- Relationen: Beziehungen (z.B. “ist-ein”, “verwendet”, “basiert-auf”)
- Axiome: Regeln und Einschränkungen
Standards
- OWL (Web Ontology Language): W3C-Standard für Ontologien
- RDF (Resource Description Framework): Datenmodell für Tripel (Subjekt-Prädikat-Objekt)
- SPARQL: Abfragesprache für RDF-Daten
- JSON-LD: JSON-basiertes Format für Linked Data (Schema.org)
Ontologie vs. Knowledge Graph vs. Datenbank
| Ontologie | Knowledge Graph | Relationale DB | |
|---|---|---|---|
| Fokus | Konzepte & Regeln | Fakten & Beziehungen | Strukturierte Daten |
| Abfrage | SPARQL, OWL Reasoning | Cypher, SPARQL | SQL |
| Flexibilität | Sehr hoch | Hoch | Niedrig |
| Beispiel | Schema.org | Google Knowledge Graph | PostgreSQL |
Relevanz für KI
Ontologien spielen in modernen KI-Systemen eine wichtige Rolle:
- RAG: Ontologien strukturieren das Wissen, das LLMs als Kontext erhalten
- GraphRAG: Kombination von Ontologie + Vektorsuche für präziseres Retrieval
- Schema.org: Strukturierte Daten für Suchmaschinen basieren auf einer Ontologie
- Medizin-KI: SNOMED CT und ICD-10 sind medizinische Ontologien für KI-Diagnose-Systeme
Der Trend geht zu Neuro-Symbolic AI: Kombination von neuronalen Netzen (LLMs) mit symbolischem Wissen (Ontologien) für erklärbarere und zuverlässigere Systeme.