Wissensgraphen ermöglichen Organisationen, komplexe Datenbeziehungen präzise zu visualisieren, Entscheidungsprozesse zu optimieren und Innovationen voranzutreiben. In diesem Beitrag lernen Sie einige Vorteile und Anwendungsbereiche von ArcGIS Knowledge kennen.
Wissensgraphen oder Knowledge Graphen organisieren und analysieren die Beziehungen zwischen Datenentitäten und liefern somit wertvolle Erkenntnisse für die Entscheidungsfindung. In diesem Blog wird untersucht, wie auf Graphdatenbanken basierende Wissensgraphen die Datenanalyse transformieren. Es wird beleuchtet, wie ArcGIS Knowledge diesen Prozess durch die Integration räumlicher Beziehungen verbessert und damit eine umfassende Lösung für moderne Datenherausforderungen innerhalb der Geographischen Informationssysteme (GIS) bietet.
Graphdatenbanken
Je nach Organisation werden die Begriffe Wissensgraphen, Graphdatenbanken und Graphen synonym verwendet. Im Folgenden werden sie definiert, beginnend mit den Graphdatenbanken.
Eine Graphdatenbank ist ein Datenspeicher, der für die Analyse und Untersuchung der Beziehungen zwischen verbundenen Daten optimiert ist. Graphdatenbanken speichern Beziehungen, die in unseren Datenmodellen oft implizit sind, als explizite Datenpunkte.
Im Gegensatz zu herkömmlichen relationalen Datenbankmanagementsystem (RDBMS), die Daten als Tabellen speichern, speichern Graphdatenbanken Daten als Entitäten (Knoten) und Beziehungen (Kanten). Daher eignen sich Graphdatenbanken hervorragend für die Handhabung komplexer und sich entwickelnder Datennetzwerke.
So lassen sich beispielsweise Fragen dazu, wie zwei Personen über mehrere verschiedene Finanztransaktionen und Konten hinweg finanziell miteinander verbunden sind, mithilfe einer Graphdatenbank viel einfacher und schneller beantworten. Diese Beziehungen zwischen Entitäten in unseren Daten weisen eine gespeicherte Richtungsabhängigkeit auf, um eine schnellere Abfrage zu unterstützen.
Graphen vereinfachen den Umgang mit Daten aus komplexen Viele-zu-Viele-Beziehungen. Sie bieten eine intuitive und effiziente Möglichkeit, Daten zu speichern, die die reale Welt besser widerspiegeln. So wird der Austausch zwischen Analyst:innen, Führungskräften und Dateningenieur:innen erleichtert.
Graphdatenbanken sind ideal für Analysezwecke, die vernetzte Daten erfordern. Sie kommen unter anderem in sozialen Netzwerken, Betrugsermittlungen, der Exportkontrolle, der Verwaltung digitaler Assets und der Lieferkettenplanung zum Einsatz.
Herkömmliche Datenbanken, wie relationale Systeme, können zwar einige Verbindungsanalysen durchführen, stoßen aber an Grenzen. Besonders bei komplexen Abfragen über mehrere Beziehungen und große Datenmengen sind sie weniger geeignet.
Arten von Graphdatenbanken
Mit Blick auf die Landschaft der Graphdatenbanken lässt sich eine allgemeine Kategorisierung in zwei Typen vornehmen: Eigenschaftsgraphen und RDF-Graphen. Die Hauptunterschiede zwischen den beiden Typen bestehen darin, wie sie Beziehungen als Daten modellieren und abfragen.
- Eigenschaftsgraphen speichern Daten als eine Reihe von Entitäten (genannt Knoten oder Ecken) und eine Reihe von Beziehungen (genannt Kanten oder Pfeile), die diese Objekte verbinden. Diese Entitäten und Beziehungen können jeweils mehrere Eigenschaften oder Attribute haben, die als Schlüssel-Wert-Paare gespeichert werden. Jeder Knoten kann eine Reihe von ausgehenden oder eingehenden Kanten mit Richtungsangabe haben. Eigenschaftsgraphen, die durch Neo4j bekannt gemacht wurden, verwenden in der Regel die Abfragesprache openCypher, die auch die Grundlage für den neuen ISO-Standard für Graph Query Language (GQL) bildet.
- Resource Description Framework Graphs, oder kurz RDF-Graphen, speichern Informationen mithilfe eines Subjekt-Prädikat-Objekt-Modells, das als Tripel bezeichnet wird. Subjekte und Objekte sind im Wesentlichen Knoten, Prädikate dagegen sind Beziehungen. Im Gegensatz zu Eigenschaftsgraphen speichern Beziehungen hier normalerweise keine Eigenschaften. Diese Datenbanken verwenden in der Regel die Abfragesprache SPARQL, einen W3C-Standard, und eignen sich hervorragend für die Erfassung formaler Sprachmodelle. Sie können jedoch auch detaillierter und komplexer anwachsen, da jede Eigenschaft einer Entität in der Regel mit ihrer eigenen Beziehung zur Entität gespeichert wird.
Die Unterschiede zwischen diesen Datenbanktypen entwickeln sich weiter und werden immer weniger deutlich. Jede Umsetzung einer Graphdatenbank hat ihre eigenen Nuancen sowie Vor- und Nachteile. Darüber hinaus gibt es Werkzeuge zur Konvertierung von Datenmodellen zwischen den verschiedenen Datenbanktypen. Insbesondere Eigenschaftsgraphen haben in den letzten Jahren aufgrund ihrer relativen Effizienz, Skalierbarkeit, Bedienfreundlichkeit und der Unterstützung durch eine große Community aus Nutzenden an Beliebtheit gewonnen.
Wissensgraphen
Die Definition für den Begriff Graphdatenbank ist nun bekannt, was aber ist ein Wissensgraph?
Ein Wissensgraph (= Knowledge Graph) ist die Implementierung eines Graphdatenmodells. Der Wissensgraph organisiert und definiert, wie reale Objekte (Personen, Orte oder Ereignisse) miteinander verbunden sind. Er speichert nicht nur die Beziehungen zwischen „Dingen“, sondern enthält auch Beziehungen und Entitäten, um zu definieren, was genau diese „Dinge“ sind. Dadurch sind wir in der Lage, unsere Datennetzwerke genauer und eindeutiger zu erforschen, zu analysieren und zu verstehen. Technisch gesehen können Wissensgraphen sowohl als Eigenschaftsgraphen als auch als RDF-Graphen implementiert werden.
Ein Wissensgraph lässt sich als eine Kombination der folgenden Elemente vorstellen:
- Instanzdaten: Diese Daten enthalten grundlegende Informationen über reale Dinge, wo sich die Dinge befinden und wie sie miteinander in Beziehung stehen. Die Daten können aus Geschäftssystemen, Dokumenten oder Ihrem GIS importiert werden.
- Konzeptionelle Daten: Diese Daten fügen eine weitere Ebene hinzu, die die Bedeutung oder Semantik hinter den Instanzdaten erklärt. Konzeptionelle Daten fungieren wie das offizielle Vokabular oder die Regeln, die erklären, wie alles im System miteinander verbunden ist und warum es für das Unternehmen oder die Organisation wichtig ist. In manchen Organisationen und Branchen wird dieser Teil als Managed Ontology für die Organisation und deren Daten formell festgelegt. In der Vergangenheit wurde für diese Art der Modellierung der OWL-Sprachstandard verwendet, dessen Ergebnisse RDF-Dateien sind.
Zusammengenommen bilden diese Elemente ein selbstbeschreibendes Datenmodell, welches die Genauigkeit der Daten für den vorgesehenen Verwendungszweck und das Potenzial für die Wiederverwendung erhöht.
Wissensgraphen können eng oder weit gefasst sein. Sie können eng auf bestimmte Bereiche und Anwendungszwecke zugeschnitten sein, um spezifische Abfragen und Workflows zu erfüllen. Graphdatenbanken sind flexibel und ermöglichen die Einführung zusätzlicher Daten, ohne Analyse-Workflows oder Performance zu beeinträchtigen. Wachsen Wissensgraphen innerhalb einer Organisation, werden sie zunehmend zur zentralen analytischen Basis für verschiedene Funktionen.
In der Regel steigt mit zunehmender Verwendung von Graphen innerhalb einer Organisation auch die Investitionsrendite in die Datenmodellierung mit Graphen. Neue datengestützte Entscheidungen können schneller gefällt werden, da Einigkeit über die Bedeutung und den Kontext der zugrundeliegenden Daten besteht.
ArcGIS Knowledge und Wissensgraphen
Das Wissen um die Vorteile einer Graphdatenbank und wie sie einen Wissensgraphen unterstützen kann lässt sich nun darauf übertragen, wie ArcGIS Knowledge Nutzer:innen bei der Erstellung und Verbesserung von Wissensgraphen unterstützen kann.
Kurz gesagt, ermöglicht ArcGIS Knowledge die Verwendung von Eigenschaftsgraphen-Datenbanken direkt in ArcGIS-Anwendungen.
Die Bedeutung von Wissensgraphen mit Geofunktion
Wie bereits erwähnt, unterstützen Wissensgraphen Nutzer:innen dabei, die Muster von Beziehungen innerhalb eines Datennetzwerks zu erforschen, zu analysieren und zu verstehen. Räumliche Beziehungen sind eine entscheidende Klasse von Beziehungen, die die Welt um uns herum repräsentieren. Räumliche Beziehungen – wie Nähe, Überschneidung oder Sichtverbindung – sind oft entscheidend, um wichtige Zusammenhänge zu erkennen, die durch andere Daten nicht sichtbar werden.
Um räumliche Beziehungen herzustellen, benötigen Entitäten Positionseigenschaften, die im Wissensgraphen gespeichert sind und in den Anwendungen von Nutzenden leicht untersucht und analysiert werden können. Wenn Positionen und räumliche Beziehungen im Wissensgraphen leicht zugänglich sind, können Analyst:innen kritische Fragen leichter beantworten. Zum Beispiel: Wie werden sich meine Lieferkette und meine Kunden verändern, wenn eine Überflutung einen wichtigen Lieferanten auf seinem Lieferweg beeinträchtigt? Oder: Sind Lieferanten von Lieferengpässen betroffen, und welche Auswirkungen hat das auf meine Auswahl in Geschäften?
ArcGIS Knowledge ermöglicht es Usern, Wissensgraphen in einem räumlichen Kontext einfach zu erstellen, zu verwalten, zu erkunden und abzufragen.
ArcGIS Knowledge baut auf der ArcGIS Enterprise-Technologie auf und ermöglicht den Zugriff auf einen schlüsselfertigen Graph-Datenspeicher mit einem flexiblen Datenmodell, das Positionseigenschaften mit Punkten, Linien und Polygonen unterstützt. Es dient Anwender:innen zur Erstellung und Verwaltung mehrerer Wissensgraphen, zur Durchführung von Verbindungsanalysen und für erweiterte Datenuntersuchungen über mehrere Desktop- und Webanwendungen. Es funktioniert mit GIS-Anwendungen wie ArcGIS Pro, ArcGIS AllSource, ArcGIS Knowledge Studio und ArcGIS Developer APIs.
ArcGIS gehört zu den wenigen Plattformen, die ihren Usern einheitliche Analyseanwendungen bieten. Die Plattform bietet mehrere schlüsselfertige Datenspeicheroptionen für Analysen und Datenverwaltung, darunter einen Graphspeicher für Wissensgraphen. Zudem stellt sie Anwendungen bereit, die nahtlos mit verschiedenen Datentypen und Speichern arbeiten. Dazu zählen Graphen-Netzwerke, Echtzeitdaten, räumliche Daten und Bilddaten.
Durch die Bereitstellung all dieser Daten in einer Anwendungssuite erhalten Analyst:innen den vollständigen Kontext und die Analysefähigkeit, die sie benötigen, um Entscheidungstragende zu unterstützen. Die Kombination von räumlicher Analyse und Visualisierung mit Deep-Graph-Abfragen und Verbindungsanalysen stellen einen entscheidenden Vorteil dieser Workflows dar.
Wissensgraphen in Third-Party-Graphdatenbanken
Im Gegensatz zu anderen Plattformen für Verbindungsanalysen im Enterprise-Kontext wurde ArcGIS Knowledge mit Blick auf Interoperabilität entwickelt und arbeitet mit externen Graphdatenbanken zusammen. Diese zusätzliche Funktionalität ermöglicht es ArcGIS Knowledge, Neo4j Enterprise, AuraDB von Neo4j und ArangoDB Enterprise zu unterstützen.
Mit Neo4j haben Organisationen auch die Möglichkeit, sich direkt mit ihren vorhandenen Graphdatenbanken zu verbinden, die von ihren eigenen Datenmanagementwerkzeugen geladen werden. Dadurch können Anwender:innen ihre Graphdatenbanken schnell mit den Visualisierungs- und Analyseanwendungen von ArcGIS und den Developer SDKs verbinden, ohne neue Data-Pipelines kopieren oder erstellen zu müssen. Neo4j-Datenbanken unterstützen zum jetzigen Zeitpunkt jedoch nur die Speicherung von Punktgeometrien als Eigenschaften. Mit ArangoDB können Organisationen auch Linien und Polygone als räumliche Eigenschaften mit ihren Entitäten speichern, wenn sich ihre Datenbestände vergrößern.
Durch die Unterstützung mehrerer Graphdatenbanken bietet ArcGIS Knowledge den Usern die Flexibilität, die Datenbank auszuwählen, die ihren spezifischen Anforderungen und Anwendungsfällen am besten entspricht. Da jede Graphdatenbank ihre eigenen Vorteile und Funktionalitäten mitbringt, können Nutzer:innen das Werkzeug auswählen, das den Organisationsanforderungen am meisten entgegenkommt.
Zusammenfassung
Wissensgraphen verändern die Art und Weise, wie Organisationen komplexe Beziehungen innerhalb ihrer Daten verstehen und sich zunutze machen. ArcGIS Knowledge kombiniert Graphdatenbanken mit räumlichen Analysen und ermöglicht präzisere Visualisierungen. Ob zur Optimierung von Lieferketten, Betrugserkennung oder Verwaltung digitaler Vermögenswerte – Wissensgraphen bieten eine flexible Grundlage für datengestützte Entscheidungen. Mit Tools wie ArcGIS Knowledge gewinnen Organisationen tiefere Einblicke, optimieren Workflows und erschließen neue Innovationspotenziale.
Interessiert an ArcGIS Knowledge? Kontaktieren Sie Esri oder besuchen Sie unsere Website.
Dieser Beitrag ist eine Übersetzung des amerikanischen Original-Beitrags.
Hier geht es zum Original-Beitrag!
