Eine Ontologie ist ein formales Modell, das Konzepte, ihre Eigenschaften und Beziehungen präzise definiert — maschinenlesbar und logisch auswertbar. Sie bildet das konzeptuelle Fundament für Knowledge Graphs und ermöglicht KI-Systemen, Zusammenhänge zu erschließen, nicht nur Fakten zu speichern.
Technische Komponenten:
- Klassen: Kategorien (z. B. Person, Buch, Maschine)
- Eigenschaften: Attribute der Klassen
- Relationen: Beziehungen zwischen Konzepten
- Regeln: Ermöglichen logische Schlussfolgerungen (Inferenz)
Ontologie vs. Datenbank — der wesentliche Unterschied
| Aspekt | Klassische Datenbank | Ontologie |
|---|---|---|
| Speichert | Fakten (Zeilen, Werte) | Konzepte, Beziehungen, Regeln |
| Kann | Gespeichertes abrufen | Neues Wissen ableiten (Inferenz) |
| Versteht | Struktur (Syntax) | Bedeutung (Semantik) |
| Beispiel | „Max Müller, geb. 1980, Ingenieur” | „Ingenieur ist Person → hat Arbeitgeber → ist Unternehmen” |
Struktur, Bedeutung, Schlussfolgerung
| Element | Funktion |
|---|---|
| Struktur | Klassen und Hierarchien definieren Kategorien |
| Bedeutung | Relationen zeigen semantische Zusammenhänge |
| Schlussfolgerung | Regeln ermöglichen Inferenz — neues Wissen ableiten |
Ontologie aufbauen in vier Schritten
1. Domäne definieren: Welchen Wissensbereich soll die Ontologie abdecken? Ontologien sind domänenspezifisch.
2. Klassen modellieren: Welche Entitäten gibt es? Person, Projekt, Unternehmen, Dokument, Ort — mit Ober- und Unterklassen.
3. Relationen und Regeln festlegen: Wie hängen Klassen zusammen? „arbeitet_an”, „berichtet_an”, „gehört_zu” — mit logischen Ableitungsregeln.
4. Mit Daten befüllen und KI anbinden: Ontologie mit realen Instanzen befüllen; KI-Agenten traversieren dann den Knowledge Graph und ziehen Inferenzen.
Standards: OWL (Web Ontology Language), RDF, SKOS. Tool: Protégé (kostenlos, open source).
Drei Anwendungen im Mittelstand
Bauwesen: Gewerke, Normen, Bauteile, Abnahmekriterien formal modelliert. KI versteht „Mängelrüge” als rechtliche Relation — präzise Vertragslogik.
Produktion und Qualität: Maschinentypen, Fehlerkategorien, Wartungszyklen als Ontologie. KI klassifiziert Fehler automatisch.
Compliance und Recht: EU AI Act, DSGVO, interne Richtlinien modelliert. KI prüft automatisch Risikokategorien.
Häufige Fragen
Unterschied zwischen Ontologie und Knowledge Graph? Ontologie = Schema (Regelwerk). Knowledge Graph = konkrete Instanz mit realen Entitäten. Verhältnis wie Datenbankschema zu Datenbankinhalt.
Brauche ich eine Ontologie für jeden Knowledge Graph? Nicht zwingend, aber ohne Ontologie verliert man Inferenzfähigkeit. Für unternehmenskritische KI-Systeme empfohlen.
Ist Ontologie dasselbe wie Taxonomie? Nein. Taxonomie = Hierarchie. Ontologie = Taxonomie + Relationen + Eigenschaften + Logik (deutlich mächtiger).
Wie aufwendig ist der Aufbau? Hängt von der Domäne ab. Einfache Unternehmens-Ontologie: Tage. Compliance-Ontologie: Wochen. Entscheidend ist Domänenwissen.
Verwandte Begriffe
- Knowledge Graph — Ontologie in Aktion
- Semantik vs. Syntax — Bedeutung von Struktur unterscheiden
- GraphRAG — KI auf Basis von Ontologie-Graphen
- Neo4j — Ontologien als Graph speichern