Verbundprojekt KompAKI "Kompetenzzentrum für Arbeit und Künstliche Intelligenz im Rhein-Main-Gebiet"; Teilvorhaben "Entwicklung von Methoden der Kooperativen KI mittels Knowledge Graphen" - Partnerspezifischer Schlussbericht

Abstract

metaphacts hat im Rahmen von KompAKI ein kohärentes System entwickelt, das symbolische Wissensrepräsentation und neuronale Methoden gezielt miteinander verbindet. Die entwickelten Komponenten – das semantische Wissensportal, der KompAKI Knowledge Hub sowie die neuro-symbolischen Integrationsmethoden – sind dabei nicht nur als Projektergebnisse zu verstehen, sondern wurden bereits als feste Bestandteile in die "metaphactory" Plattform überführt und stehen damit unmittelbar für die weitere Verwertung zur Verfügung. Wie im Projektantrag definiert, fokussierten sich die Arbeiten der metaphacts GmbH primär darauf, kooperative "End-to-End AutoML"-Ansätze für fachfremde Anwender direkt in der hauseigenen Plattform "metaphactory" nutzbar zu machen. Zusammenfassend stellen sich die Ergebnisse wie folgt dar:

Semantisches Wissensportal für die KI- und ML-Domäne auf Basis des AI-KG, das Nicht-ML-Experten einen strukturierten Zugang zur KI-Domäne ermöglicht. Competency Ontology zur formalen Beschreibung von Kompetenzträgern und deren Verknüpfung mit Methoden, Werkzeugen und Aufgaben der KI-Domäne. Graph Embeddings zur Berechnung von Ähnlichkeiten zwischen KI-Methoden und zur Empfehlung verwandter Konzepte. KompAKI Knowledge Hub, vollständig integriert in https://kompaki.de, als zentrale Plattform für den Transfer der Projektergebnisse nach außen. Dreistufiges Ontologie-Framework (Knowledge Hub Ontology, Resource Hub Ontology, Competency Ontology) zur strukturierten Modellierung der Projektinhalte. Datentransformationspipeline zur automatisierten Übersetzung von OWL-Ontologien in schema.org-konformes JSON-LD für die Suchmaschinenoptimierung. Neuro-symbolische Integration: 1. LLM-Schnittstelle: Integration von Large Language Models zur Übersetzung natürlicher Sprache in Graph-Abfragen + 2. Graph Embeddings: Abbildung des Graphen in Vektorräume zur Berechnung von Empfehlungen und zur Anomalieerkennung in industriellen Datensätzen.