Einblicke in unsere Wissensschicht.

Software-Komponente, die ein Ziel autonom verfolgt — über Tool-Aufrufe, mit Begründungs-Trace, gegen eine Eval-Suite geprüft. Im Knowledge Layer auf eine Vokabular-Schicht aufgesetzt.

Basic Formal Ontology. Foundational Ontology mit Top-Level-Kategorien wie Continuant und Occurrent. Häufig genutzt in Industrie, Pharma und Bio-Medizin.

Gleiche Eingabe → gleiche Ausgabe. LLMs sind nicht deterministisch.

Descriptive Ontology for Linguistic and Cognitive Engineering. Foundational Ontology mit Fokus auf kognitive Plausibilität der Kategorien.

Ein Vektor, der Text mathematisch darstellt. Grundlage dafür, wie RAG passende Antworten findet.

Strukturierte Test-Suite, die das Verhalten eines Agenten gegen erwartete Aussagen prüft. Drei Kategorien: Functional, Red-Team, Compliance.

Oberste Ontologie-Ebene, die generische Kategorien wie Objekt, Ereignis, Eigenschaft definiert. Verankert domänenspezifische Modelle.

Generative AI. KI-Systeme, die eigenständig Inhalte erzeugen: Text, Bilder, Code oder Sprache.

General Formal Ontology. Foundational Ontology aus der Onto-Med-Initiative der Universität Leipzig.

Kontrollierte Liste von Begriffen mit Definitionen — die Vorstufe einer formalen Ontologie. Wichtigstes Verhandlungs-Artefakt zwischen Fachbereichen.

Internationalized Resource Identifier. Eindeutiger Bezeichner für jede Entität im Graphen — der Mechanismus, der Wissen zusammenhängend macht.

Ein Konzepttyp in einer Ontologie. Eine Klasse beschreibt, was zwei Dinge gemeinsam haben — nicht, wie sie gespeichert werden.

Füllt die Ontologie mit echten Daten — konkreten Kunden, Verträgen, Maschinen. Die Ontologie ist die Landkarte, der KG das Gelände.

Vereint Ontologie (Regeln) und Knowledge Graph (Fakten) zur systemübergreifenden Single Source of Truth für Bedeutung. Wachsendes Wissens-Asset — jeder neue Use Case erweitert ihn.

Large Language Model. Eine Wort-Rate-Maschine: sagt das statistisch wahrscheinlichste nächste Wort vorher. Formuliert Sprache, versteht aber keine Bedeutung.

Model Context Protocol. Verbindet KI-Agenten direkt mit Systemen wie SAP oder Salesforce. Löst den Zugriff, aber nicht das Verständnis.

Topologie aus mehreren spezialisierten Agenten, die über ein gemeinsames Wissensmodell kommunizieren und Sub-Aufgaben verteilen.

LLMs für Sprache + Ontologie & KG für Logik und Fakten. Das LLM versteht die Frage, der Knowledge Layer liefert die faktenbasierte Antwort — erklärbar und ohne Halluzination.

Modelliert Konzepte, Beziehungen und Geschäftsregeln (z. B. Ein Auftrag muss genau einem Kunden zugeordnet sein). Wird top-down von der Geschäftslogik gedacht, nicht vom Datenmodell.

Open-World-Assumption. Wissen darf unvollständig sein und jederzeit erweitert werden. Basis für den Knowledge Layer als skalierbares Modell.

Web Ontology Language. Erweiterung von RDF für ausdrucksstärkere Ontologien — inklusive komplexer Regeln, Klassen und Relationen.

Graph-Modell, in dem Knoten und Kanten beliebige Key-Value-Eigenschaften tragen — pragmatischer als RDF, ohne formale Semantik.

Retrieval-Augmented Generation. Gibt dem LLM Zugriff auf eigene Dokumente als Kontext. Hilft bei einfachen Fragen — ist bei komplexen, systemübergreifenden Fragen strukturell überfordert.

Resource Description Framework. Beschreibt Wissen in Tripeln: Subjekt — Prädikat — Objekt (z. B. Kunde X — hat — Auftrag Y). Die maschinenlesbare Sprache für Ontologien.

Der nachvollziehbare Weg der KI zu ihrer Antwort — jede Aussage lässt sich bis zur Quelle im Knowledge Graph zurückverfolgen.

RAG-Variante, die statt Textpassagen Strukturen und Bedeutungen aus dem Knowledge Graph nutzt.

Die maschinenlesbare Beschreibung, was Daten bedeuten — nicht nur, wo sie liegen. Ohne Semantik liest KI Daten, versteht sie aber nicht.

Shapes Constraint Language. W3C-Standard, der RDF-Graphen gegen Form-Schablonen validiert. Komplement zu OWL für Strukturprüfung.

Simple Knowledge Organization System. W3C-Standard für leichtgewichtige Begriffshierarchien — Taxonomien, Thesauri, kontrollierte Vokabulare.

Abfragesprache für RDF-Graphen. Pattern-Matching auf Subject-Predicate-Object-Tripel, mit Federated-Query-Support über mehrere Endpoints.

Subject-Predicate-Object-Aussage. Die atomare Einheit eines RDF-Graphen. Eine Aussage wie Knowledge Layer hat Säule.

Spezialisierte Graph-Datenbank für RDF-Triples. Beispiele: Stardog, GraphDB, Neptune, Virtuoso.

Kontrollierter Satz von Begriffen für eine Domäne. Vorstufe zur Ontologie — definiert das, was eine Ontologie dann formalisiert.