Vorträge

Leveraging Business Q&A with LLMs over Product Knowledge Graphs

Im Bereich der Produktinformationsmanagement (PIM)-Systeme stehen wir vor der Herausforderung, nicht nur unterschiedliche Daten zu verwalten, sondern diese auch kontextbezogen für die Geschäftsanforderungen relevant zu machen. Herkömmliche PIM-Systeme sind oft unzureichend, weil sie kein aussagekräftiges kontextbezogenes Wissen über Produktinformationen innerhalb eines Unternehmens liefern können. Sie haben mit der Heterogenität der Daten zu kämpfen und werden den modernen Anforderungen an umfassende, integrierte Informationen nicht gerecht.

Wir erweitern PIM-Systeme um Wissensgraphen, die die Entscheidungsfindung durch die Integration aller Datenquellen in eine einzige Wahrheitsquelle erheblich verbessern. Der Wissensgraph verwendet verschiedene Ontologien und Taxonomien zur Strukturierung und Integration von Daten aus verschiedenen Quellen, einschließlich interner und externer Produktinformationen. Dieser Ansatz nutzt semantische Schichten, um die Daten anzureichern und sie kontextuell relevant zu machen. Wir integrieren nahtlos externe technische Produktdokumentation von Konkurrenzprodukten über eine ETL-Architektur und wandeln unstrukturierte PDF-Daten mithilfe von OCR-Modellen in strukturiertes Wissen um.

Geschäftliche Anwendungsfälle, wie der Vergleich der technischen Effizienz interner Produkte mit denen externer Konkurrenzprodukten, zeigen den praktischen Nutzen. Durch die Integration von generativen Large-Language-Modellen (LLMs) mit Wissensgraphen ermöglichen wir die genaue Beantwortung von Fragen in natürlicher Sprache und die Suche nach bestimmten Produkten. Eine einfache RAG-Architektur (Retrieval-Augmented Generation) versagt normalerweise bei der Beantwortung von Fragen über einen Wissensgraphen. Daher führen wir einen Graph-RAG-Ansatz für die Beantwortung von Fragen in PIM-Systemen ein. Dieser umfasst Schritte wie die Erkennung und Verknüpfung von Entitäten, die Extraktion von Teilgraphen, die Indizierung von Graphen-Datenbanken sowie das Abrufen und Generieren von Antworten.

Wir stellen PIM-Systeme vor, die auf Wissensgraphen und dem Graph RAG-Ansatz basieren, der die Fähigkeit des Systems hervorhebt, Geschäftsfragen in natürlicher Sprache zu beantworten. Die Integration von LLMs mit den Wissensgraphen von PIM-Systemen führt zu kontextbewussten Antworten auf komplexe Geschäftsfragen in natürlicher Sprache mit Graph RAG oder Abfragesprachen mit SPARQL. Unternehmen erhalten so umfassende Einblicke, die eine fundierte Entscheidungsfindung in einer dynamischen Produktlandschaft ermöglichen.

Ihr Ansprechpartner

Maraike Heim
Head of Marketing