Begriff
Knowledge Engineering
Warum wichtig?
Dieser Begriff ist ein Knoten im SengakujiWorks-Wissensnetz. Nutze Level 0 für die erste Einordnung, Level 1 für Praxis, Level 2 für technische Struktur und Level 3 für Grenzen, Fallstricke und Expertenkontext.
Wie kommt das Wissen in den Computer? Beim Machine Learning: Automatisch (aus Daten). Beim Knowledge Engineering: Durch Menschen (Experten). Ein "Knowledge Engineer" interviewt Experten ("Wie reparierst du die Maschine?"). Er strukturiert das Wissen in Ontologien (Begriffs-Netze). "Eine Schraube IST-EIN Bauteil." "Ein Motor HAT-EINE Schraube." Das Ergebnis ist ein Knowledge Graph. Es ist der Prozess, "Wisdom" in "Code" (oder Datenstrukturen) zu übersetzen.
Merksatz: Der technische und methodische Prozess des Entwerfens, Aufbauens und Pflegens von wissensbasierten Systemen (Knowledge Bases, Ontologien), indem Expertenwissen in eine computerverarbeitbare Form (Regeln, Graphen) übersetzt wird.
Firmen bauen interne Enterprise Knowledge Graphs. "Wer arbeitet an Projekt X?" "Welche Dokumente gehören zu Produkt Y?" Knowledge Engineers verknüpfen Datenbanken (SQL), Wikis und File-Server zu einem intelligenten Graphen (Neo4j). Damit kann man Fragen: "Zeig mir alle Experten für Java, die letzte Woche an der API gearbeitet haben."
1. Ontologie-Entwicklung (Protégé)
Das Tool der Wahl.
Man definiert Klassen, Relationen und Axiome.
Class: Pizza. DisjointWith: IceCream.
Class: VegetarianPizza EquivalentTo: Pizza and (not hasTopping some Meat).
Ein Reasoner (HermiT) kann dann automatisch klassifizieren: "Salami Pizza ist KEINE vegetarische Pizza", weil Salami Fleisch ist.
2. CYC Projekt
Das längste KI-Projekt der Geschichte (seit 1984). Versuch, alles Alltagswissen ("Wasser macht nass", "Menschen sterben") formal zu kodieren. Millionen von Regeln. Ziel: Eine KI mit "Common Sense". Erfolg: Mäßig. Die Welt ist zu komplex und widersprüchlich für starre Regeln.
1. CommonKADS Methodik
In der professionellen Knowledge Engineering Produktion nutzt man nicht nur "Bauchgefühl", sondern strukturierte Frameworks wie CommonKADS. Es unterteilt den Prozess in verschiedene Modelle:
Organizational Model: Wo im Unternehmen liegt das Wissen?
Musterantwort: Beginne mit dem konkreten Fall, prüfe die Fakten und erkläre den Begriff daran. Für diesen Abschnitt gilt: Firmen bauen interne Enterprise Knowledge Graphs. "Wer arbeitet an Projekt X?" "Welche Dokumente gehören zu Produkt Y?" Knowledge Engineers verknüpfen Datenbanken (SQL), Wikis und File-Server zu einem intelligenten Graphen (Neo4j). Damit kann man Fragen: "Zeig mir alle Experten für Java, die letzte Woche an der API gearbeitet haben."Task Model: Was soll das System am Ende tun (Diagnose, Planung, Design)?
Musterantwort: Beginne mit dem konkreten Fall, prüfe die Fakten und erkläre den Begriff daran. Für diesen Abschnitt gilt: Firmen bauen interne Enterprise Knowledge Graphs. "Wer arbeitet an Projekt X?" "Welche Dokumente gehören zu Produkt Y?" Knowledge Engineers verknüpfen Datenbanken (SQL), Wikis und File-Server zu einem intelligenten Graphen (Neo4j). Damit kann man Fragen: "Zeig mir alle Experten für Java, die letzte Woche an der API gearbeitet haben."- Knowledge Model: Die eigentliche Modellierung der Inferenzschritte (Knowledge Categories). Dies verhindert das "Knowledge Acquisition Bottleneck", indem es den Transfer von Experten-Gehirn in Software zu einem ingenieurmäßigen Prozess mit klaren Deliverables macht.
2. Description Logics (DL) & Reasoning
Knowledge Engineering im Semantic Web Kontext basiert fast immer auf Description Logics (speziell $SROIQ(D)$). Dies ist ein entscheidbarer Ausschnitt der Logik 1. Ordnung. Der Vorteil: Man kann beweisen, dass die Wissensbasis widerspruchsfrei ist. Ein Reasoner nutzt das Tableau-Verfahren, um neue Fakten abzuleiten. In der Produktion (z.B. in der biomedizinischen Forschung mit der Ontologie SNOMED CT) ermöglicht dies die automatische Entdeckung von Medikamenten-Wechselwirkungen, die kein Mensch allein in den Millionen von Regeln finden könnte.
3. GraphRAG & LLM Integration
Die modernste Stufe des Knowledge Engineering ist die Verbindung von Knowledge Graphs (KG) mit Large Language Models (LLMs). Während LLMs gut in natürlicher Sprache sind, halluzinieren sie oft Fakten. Ein Knowledge Graph liefert die "Ground Truth". In einer GraphRAG-Architektur sucht das System erst im Graphen nach exakten Relationen (z.B. "Wer ist der CEO von Firma X?") und füttert diese strukturierten Fakten als Kontext in das LLM. Das Knowledge Engineering wandelt sich hierbei von der manuellen Regel-Erstellung hin zur automatisierten Extraktion von Wissens-Graphen aus unstrukturierten Texten.
Quick-Check
Unterschied zu Data Engineering?
Data Engineering schaufelt Bytes (Pipelines, ETL). Knowledge Engineering schaufelt Bedeutung (Semantik, Logik).Ist es tot?
Nein, es erlebt eine Renaissance durch LLMs (RAG - Retrieval Augmented Generation). Man füttert den Knowledge Graph in das LLM, damit es nicht halluziniert. (GraphRAG).Schwierigste Hürde?
Ambigenz. "Bank" (Geld) vs "Bank" (Sitzen). Computer hassen Mehrdeutigkeit. Menschen lieben sie.