Warum Ontologien im Zeitalter von LLMs wieder wichtig sind

Ontologie

Einführung

Das Aufkommen von Large Language Models (LLMs) hat die Schnittstelle und den Umfang von KI-Systemen dramatisch erweitert. Hinter der fließenden natürlichen Sprache, die von LLMs generiert wird, bestehen jedoch weiterhin grundlegende Einschränkungen. Der springende Punkt ist, dass LLMs stark in Sprachmustern, aber von Natur aus schwach in Semantik und Logik sind.

Um diese Einschränkung zu beheben, gewinnt das Konzept der Ontologie wieder an Bedeutung. In diesem Artikel werden wir die folgenden Fragen systematisch beantworten:

Was ist eine Ontologie und welche Rolle spielt sie in der KI?
Wie unterscheidet sich eine Ontologie von einem Wissensgraphen?
Kann Graph RAG Ontologien ersetzen?
Wo sollte eine Ontologie in LLM-basierten Diensten tatsächlich positioniert werden?

1. Was ist Ontologie: Eine "Hierarchie der Bedeutung", nicht nur Daten

Eine Ontologie ist ein semantisches Modell, das die in einem bestimmten Bereich verwendeten Konzepte, Beziehungen und Regeln explizit definiert. Sie speichert nicht nur Daten oder definiert Strukturen; sie schreibt vor: "Wie man diese Welt versteht."

Im medizinischen Bereich definiert eine Ontologie beispielsweise Fakten wie:

Arzt ⊆ Person
Das Subjekt der behandelt-Beziehung muss vom Typ Arzt sein.
Ein Krankenhaus ist eine Organisation, keine Person.

Diese Definitionen sind für Menschen gesunder Menschenverstand, aber für KI-Systeme sind sie Regeln, die niemals bekannt sein können, wenn sie nicht explizit angegeben werden.

2. Warum Ontologie in der KI wichtig ist

2.1 Semantik-basiertes Schließen

Ontologien ermöglichen es der KI, logisch Fakten abzuleiten, die nicht explizit angegeben sind.

Nehmen wir zum Beispiel an, Folgendes ist gegeben:

A behandelt B.
Der Definitionsbereich von behandelt ist Arzt.

Durch ontologiebasiertes Schließen kann das System automatisch ableiten:

A ist ein Arzt. A ist eine Person.

Ein solches Schließen ist mit traditionellem maschinellem Lernen oder LLMs allein nicht möglich.

2.2 Konsistenzprüfung und Fehlererkennung

LLMs generieren oft plausible, aber falsche Aussagen (Halluzinationen). Ontologien dienen als Mechanismus, um dies strukturell zu blockieren.

Beispiel:

"Eine Krankenschwester führt eine Operation durch." → Verletzung der Ontologie-Regeln → Wird sofort als Fehler beurteilt.

In Bereichen, in denen Fehler nicht tolerierbar sind, wie z. B. Medizin, Recht und Finanzen, ist dies ein entscheidender Unterschied.

2.3 Erklärbare KI (Explainability)

Mithilfe von Ontologien und Wissensgraphen können wir den logischen Pfad für das Urteil einer KI erklären: "Warum wurde diese Schlussfolgerung gezogen?"

Dies geht über einfaches Benutzervertrauen hinaus und ist direkt mit Fragen der Regulierung, Prüfung und Rechenschaftspflicht verbunden.

3. Ontologie vs. Wissensgraph: Die Beziehung zwischen Blaupausen und Gebäuden

Ontologien und Wissensgraphen werden oft synonym verwendet, aber ihre Rollen sind eindeutig unterschiedlich.

Kategorie	Ontologie	Wissensgraph
Kernrolle	Definition von Konzepten, Bedeutungen, Regeln	Tatsächliche Fakten und Instanzen
Natur	Abstrakt, stabil	Konkret, dynamisch
Beispiel	"Ärzte sind Menschen"	"Dr. Lee ist ein Arzt"

Um eine Analogie zu verwenden:

Ontologie ist das Gesetzbuch oder eine Blaupause.
Wissensgraph ist die Fallrechtsprechung oder das tatsächliche Gebäude.

Ein Wissensgraph ist ohne Ontologie lediglich verbundene Daten, und eine Ontologie verbindet sich nur durch einen Wissensgraphen mit der Realität.

4. Standardarchitektur im LLM-Zeitalter: Wo passt die Ontologie hinein?

Die stabilste Struktur in modernen KI-Diensten ist eine Hybridarchitektur wie die folgende:

Ontologie, Architektur

Die Kernprinzipien in dieser Struktur sind klar:

LLM ist die Sprachschnittstelle.
Ontologie ist das Denksystem.
Wissensgraph ist das Gedächtnis.
Reasoner ist die Logik-Engine.

Das LLM urteilt nicht; die Ontologie denkt.

5. Kann Graph RAG die Ontologie ersetzen?

Um die Schlussfolgerung vorwegzunehmen:

Graph RAG kann Ontologien "nutzen", aber er kann sie nicht "ersetzen".

5.1 Was Graph RAG gut kann

Entitäts- und beziehungsbasierte Suche
Abfrageerweiterung mithilfe von Konzeptschemata
Erkundung verwandter Dokumente und Knoten

In diesen Bereichen kann Graph RAG einen Teil der Rolle einer Lightweight-Ontologie übernehmen.

5.2 Einschränkungen von Graph RAG

Graph RAG bietet jedoch im Wesentlichen nicht inhärent:

Automatisiertes Schließen basierend auf formaler Logik
Konsistenzprüfung
Erkennung von Regelverstößen

Mit anderen Worten, Graph RAG kann "Bedeutungen folgend navigieren", aber er kann nicht "beurteilen, ob die Bedeutung logisch korrekt ist".

5.3 Realistische optimale Lösung

Die in der Praxis am häufigsten verwendete Struktur ist: