Wissensgraphen aufbauen

Vorwort

Diese Arbeit wurde mithilfe von KI übersetzt. Wir freuen uns über dein Feedback und deine Kommentare: [e-mail]

Graphdatenbanken und Graph Data Science haben einen hohen Verbreitungsgrad erreicht. Sie werden für eine Reihe von Anwendungsfällen wie Logistik, Empfehlungen und Betrugserkennung eingesetzt. Es gibt jedoch einen größeren Trend, Daten auf eine bewusste Art und Weise zu arrangieren, die einen umfassenden Einblick über funktionale Silos hinweg ermöglicht. Die Technologie, die diesem Trend zugrunde liegt, wird als Wissensgraph bezeichnet.

Die Gründe für diesen Trend liegen auf der Hand: Unternehmen leiden nicht mehr unter Datenknappheit. In einer Zeit, in der Big Data ein gelöstes Problem zu sein scheint (zumindest was die Speicherung angeht), ertrinken viele Unternehmen praktisch in Daten. In der Branche gibt es viele Anekdoten, dass täglich viele tausend relationale Tabellen in einen Data Lake eingespeist werden, aber mit dem Überfluss an Daten kommt auch die unerwartete Herausforderung, was damit geschehen soll. Hier helfen Wissensgraphen.

Ein Wissensgraph ist eine zielgerichtete Anordnung von Daten, die Informationen in einen Kontext stellt und Einblicke ermöglicht. Einzelne Datensätze werden in ein assoziatives Beziehungsnetzwerk eingeordnet, das eine reichhaltige semantische Verbindung und einen Kontext bietet. Dieses Beziehungsnetzwerk - ein Graph - ist eine unglaublich intuitive Art, nützliches Wissen darzustellen. Daten, die ursprünglich für die Betrugserkennung gedacht waren, können innerhalb des Wissensgraphen nahtlos umgewandelt werden, um Daten für die Empfehlung von Finanzprodukten bereitzustellen (oder umgekehrt). Und von dort aus ist es einfach, andere Daten zu verbinden, um andere vertikale Anwendungsfälle oder horizontale Analysen zu unterstützen.

Während der Begriff Wissensgraphen in der Industrie erst seit relativ kurzer Zeit bekannt ist, gibt es Wissensgraphen-Systeme schon seit einiger Zeit. Dieses Buch versucht, unsere Erfahrungen mit Wissensgraphen, die in realen Systemen von Unternehmen auf der ganzen Welt eingesetzt werden, zu bündeln. Es befasst sich mit dem sich abzeichnenden Trend, Systeme auf Wissensgraphen aufzubauen und Wissensgraphen als Allzweckunterlage für Unternehmen zu betrachten. Es befasst sich auch mit der aktuellen Überschneidung von Wissensgraphen und künstlicher Intelligenz (KI), wo Wissensgraphen hochwertige Funktionen für maschinelles Lernen bieten, selbst durch KI bereichert werden und sogar die halluzinatorische Natur großer Sprachmodelle (LLMs) zähmen können.

Dies ist zwar unser ausführlichstes und technischstes Buch zu diesem Thema, aber es ist nicht das erste Mal, dass wir über Wissensgraphen schreiben. In dem Buch Knowledge Graphs: Data in Context for Responsive Businesses (O'Reilly) haben wir die geschäftlichen Vorteile des Einsatzes von Wissensgraphen hervorgehoben, die sich an CIOs und CDOs richten. Aber dieses Buch geht technisch viel tiefer und enthält genügend Implementierungsdetails für eine Reihe von Tools, Mustern und Praktiken, damit du deine eigenen Wissensgraphen mit Zuversicht aufbauen kannst. Wir hoffen, dass das, was du hier lernst, dich zu deinem ersten erfolgreichen Wissensgraphen-Projekt und darüber hinaus bringt!

Für wen dieses Buch ist

Dies ist ein technisches Buch, das sich an Computerfachleute - in der Regel Softwareentwickler, Systemarchitekten und technische Manager - richtet, die sowohl das Potenzial von Wissensgraphen als auch deren Implementierung verstehen wollen. Obwohl keine Vorkenntnisse über Wissensgraphen (oder Graphen im Allgemeinen) erforderlich sind, werden die Leserinnen und Leser den größten Nutzen aus dem Buch ziehen, wenn sie mit Datenbankkonzepten wie Abfragen einigermaßen vertraut sind und etwas Programmiererfahrung haben.

In diesem Buch verwendete Konventionen

In diesem Buch werden die folgenden typografischen Konventionen verwendet:

Kursiv

Weist auf neue Begriffe, URLs, E-Mail-Adressen, Dateinamen und Dateierweiterungen hin.

Constant width

Wird für Programmlistings sowie innerhalb von Absätzen verwendet, um auf Programmelemente wie Variablen- oder Funktionsnamen, Datenbanken, Datentypen, Umgebungsvariablen, Anweisungen und Schlüsselwörter hinzuweisen.

Constant width bold

Zeigt Befehle oder anderen Text an, der vom Benutzer wortwörtlich eingetippt werden sollte.

Constant width italic

Zeigt Text an, der durch vom Benutzer eingegebene Werte oder durch kontextabhängige Werte ersetzt werden soll.

Tipp

Dieses Element steht für einen Tipp oder eine Anregung.

Hinweis

Dieses Element steht für einen allgemeinen Hinweis.

Warnung

Dieses Element weist auf eine Warnung oder einen Warnhinweis hin.

O'Reilly Online Learning

Hinweis

Seit mehr als 40 Jahren bietet O'Reilly Media Schulungen, Wissen und Einblicke in Technologie und Wirtschaft, um Unternehmen zum Erfolg zu verhelfen.

Unser einzigartiges Netzwerk von Experten und Innovatoren teilt sein Wissen und seine Erfahrung durch Bücher, Artikel und unsere Online-Lernplattform. Die Online-Lernplattform von O'Reilly bietet dir On-Demand-Zugang zu Live-Trainingskursen, ausführlichen Lernpfaden, interaktiven Programmierumgebungen und einer umfangreichen Text- und Videosammlung von O'Reilly und über 200 anderen Verlagen. Weitere Informationen erhältst du unter https://oreilly.com.

Wie du uns kontaktierst

Bitte richte Kommentare und Fragen zu diesem Buch an den Verlag:

• O'Reilly Media, Inc.
• 1005 Gravenstein Highway Nord
• Sebastopol, CA 95472
• 800-889-8969 (in den Vereinigten Staaten oder Kanada)
• 707-829-7019 (international oder lokal)
• 707-829-0104 (Fax)
• [e-mail]
• https://www.oreilly.com/about/contact.html

Wir haben eine Webseite für dieses Buch, auf der wir Errata, Beispiele und zusätzliche Informationen auflisten. Du kannst diese Seite unter https://oreil.ly/building-knowledge-graphs aufrufen .

Neuigkeiten und Informationen über unsere Bücher und Kurse findest du unter https://oreilly.com.

Finde uns auf LinkedIn: https://linkedin.com/company/oreilly-media

Folge uns auf Twitter: https://twitter.com/oreillymedia

Schau uns auf YouTube: https://www.youtube.com/oreillymedia

Danksagungen

Wir sind all denen dankbar, die uns beim Schreiben dieses Buches geholfen haben: den Mitarbeitern von O'Reilly, insbesondere Corbin Collins, der dafür gesorgt hat, dass unsere Prosa richtig amerikanisiert wurde, und unseren Neo4j-Kollegen, insbesondere Maya Natarajan und Deb Cameron, die mit uns an frühen Entwürfen gearbeitet haben.

Wir bedanken uns bei Dr. Nicola Vitucci, der unsere Prosa mit großem Fachwissen und viel Geduld begleitet hat.

Wir möchten uns auch bei Nigel Small bedanken, der uns detailliertes technisches Feedback zur idiomatischen Python-Graph-Datenwissenschaft gegeben hat.

Schließlich möchten wir uns bei den technischen Gutachtern von O'Reilly, Max de Marzi und Janit Anjaria, für ihr begeistertes und detailliertes Feedback bedanken.