Seminar PoolParty Semantic Suite – GraphRAG und generative KI mit semantischem Grounding

Generative Anwendungen benötigen mehr als einen Sprachmodellzugriff: entscheidend sind eine gepflegte Wissensbasis, kontrolliertes Retrieval, nachvollziehbare Belege und klare Antwortgrenzen. Das Seminar verbindet Taxonomien, Wissensgraphen, semantische Suche und GraphRAG zu einer prüfbaren Anwendungskette. Risiken durch Berechtigungen, veraltete Inhalte und unbelegte Antworten werden als Architekturthemen behandelt.

Inhaltsverzeichnis

1. Zielsetzung
2. Kompetenzziele
3. Seminarinhalte
4. Praxisübungen
5. Zielgruppe und Voraussetzungen
6. Methodik und Qualitätssicherung

Zielsetzung

Ziel ist ein belastbarer Prototyp für semantisch geerdete Frage-Antwort-Anwendungen. Die Arbeitsergebnisse werden anhand eines Testsets und definierter Qualitätskriterien statt anhand einzelner Demonstrationen bewertet.

Kompetenzziele

• GraphRAG- und Semantic-RAG-Komponenten fachlich und technisch strukturieren.
• Wissensbasis, Annotationen und Testfragen für Retrieval vorbereiten.
• Semantische Expansion, Graphpfade, Filter und Kontextbildung konfigurieren.
• Belegtreue, Unsicherheit, Rechte und Prompt-Risiken systematisch prüfen.

Seminarinhalte

3.1 Use-Case-Auswahl und Anforderungsanalyse

1. Geschäftsproblem, Nutzergruppen, Informationsobjekte und gewünschte Entscheidungen präzise beschreiben.
2. Such-, Tagging-, Integrations-, Governance- und KI-Anforderungen getrennt priorisieren.
3. Messbare Qualitätskriterien für Abdeckung, Präzision, Aktualität und Nachvollziehbarkeit definieren.
4. Einen abgegrenzten Pilotumfang mit Datenquellen, Verantwortlichkeiten und Abnahmekriterien festlegen.

3.2 GraphRAG- und Semantic-RAG-Architektur

1. Fragetypen, Wissensquellen, Antwortgrenzen und Nachweisanforderungen erfassen.
2. Taxonomie, Wissensgraph, semantische Suche und Sprachmodell als getrennte Schichten modellieren.
3. Retrieval-, Kontextbildungs-, Generierungs- und Prüfpfad definieren.
4. Risiken durch fehlende Quellen, veraltete Daten, Rechte und mehrdeutige Begriffe bewerten.

3.3 Wissensbasis für generative Anwendungen vorbereiten

1. Dokumente, Metadaten, Taxonomien und Graphdaten auf Aktualität und Zugriffsrechte prüfen.
2. Inhalte segmentieren und mit stabilen Identifikatoren sowie semantischen Annotationen anreichern.
3. Beziehungen, Synonyme und fachliche Kontexte für Retrieval nutzbar machen.
4. Testfragen mit erwarteten Belegen und zulässigem Antwortumfang erstellen.

3.4 Semantische Sucharchitektur

1. Suchquellen, Dokumentmodell, Taxonomien, Nutzerrollen und Suchziele erfassen.
2. Indexierung, Annotation, semantische Expansion, Facetten und Ranking als Verarbeitungskette entwerfen.
3. Suchräume und Zugriffsbeschränkungen für unterschiedliche Informationsbestände trennen.
4. Testkatalog mit Navigations-, Fakten-, Explorations- und Nulltrefferfragen erstellen.

3.5 Retrieval und Grounding konfigurieren

1. Semantische Expansion, Filter, Graphpfade und Ranking für die Fragetypen festlegen.
2. Kontextmenge so begrenzen, dass Relevanz und Nachvollziehbarkeit erhalten bleiben.
3. Antwortbelege mit Dokument- und Graphidentifikatoren in der Pipeline mitführen.
4. Nulltreffer, widersprüchliche Belege und unzureichende Evidenz explizit behandeln.

3.6 Antwortsteuerung und Interaktion

1. Systemvorgaben für Rolle, Ton, Antwortgrenzen und Umgang mit Unsicherheit definieren.
2. Promptvorlagen mit strukturiertem Kontext und klarer Ausgabestruktur erstellen.
3. Mehrstufige Fragen, Folgefragen und sprachliche Varianten testen.
4. Unbelegte Aussagen, Prompt Injection und unzulässige Datenwiedergabe durch Kontrollen begrenzen.

3.7 Evaluation und Governance für generative KI

1. Testset nach Fachdomäne, Risiko, Fragetyp und Nutzerrolle zusammenstellen.
2. Kriterien für Belegtreue, Vollständigkeit, Relevanz und erlaubte Ablehnung definieren.
3. Antworten fachlich bewerten und Fehlerursache Retrieval, Daten, Modell oder Prompt zuordnen.
4. Freigabe, Monitoring, Feedback und erneute Prüfung nach Änderungen organisieren.

3.8 Sicherheitsbaseline und Härtung

1. Netzwerkzonen, TLS, Geheimnisverwaltung, privilegierte Zugänge und externe Schnittstellen inventarisieren.
2. Standardkonten, unnötige Dienste und zu breite Berechtigungen bereinigen.
3. Konfigurations- und Datenzugriffe nach Schutzbedarf trennen.
4. Baseline mit wiederholbaren Kontrollen und dokumentierten Ausnahmen absichern.

Praxisübungen

4.1 Wissensbasis vorbereiten

1. Dokumente und Graphdaten auswählen.
2. Segmente mit Identifikatoren und semantischen Annotationen anreichern.
3. Testfragen mit erwarteten Belegen erstellen.

4.2 Retrieval- und Antwortpfad konfigurieren

1. Filter und semantische Expansion festlegen.
2. Kontextmenge für mehrere Fragetypen prüfen.
3. Antwortstruktur mit Belegen und Unsicherheitsregel definieren.

4.3 Qualität und Sicherheit testen

1. Unbelegte und widersprüchliche Fragen ausführen.
2. Prompt-Injection- und Rechtefall simulieren.
3. Fehlerursache zuordnen und Gegenmaßnahme dokumentieren.

Zielgruppe und Voraussetzungen

Zielgruppe: AI Architecture, Knowledge Engineering, Enterprise Search, Data Science, Informationssicherheit, Produktmanagement und technische Entwicklung.

Voraussetzungen: Grundverständnis von Wissensgraphen, Suchsystemen und generativer KI. Programmierkenntnisse sind hilfreich, stehen jedoch nicht im Mittelpunkt.

Methodik und Qualitätssicherung

Die Vermittlung kombiniert strukturierte Fachimpulse, Demonstrationen, moderierte Modellierungs- oder Konfigurationsschritte und praktische Übungen. Jeder Arbeitsblock endet mit einer prüfbaren Zwischenkontrolle.

• Ausgangszustand und Lernziel werden vor jedem Arbeitsauftrag festgelegt.
• Konfigurationen und Modelle werden schrittweise aufgebaut und dokumentiert.
• Positiv-, Negativ- und Grenzfälle werden anhand definierter Kriterien geprüft.
• Abweichungen werden analysiert, korrigiert und in einer erneuten Prüfung bestätigt.