Knowledge Graph

Knowledge Graph ist ein semantischer Kern über den vorhandenen Daten des Betreibers: Dokumente, Konfigurationen, Produkt- und Tarifkataloge. Er verbindet verstreute Informationen zu einem Bild und zeigt zu jeder Antwort die Quelle. Nichts wird verschoben oder neu indexiert: Bestehende Suchindizes (zum Beispiel AWS Bedrock Knowledge Base) werden nur lesend angebunden, und der Graph ergänzt darüber Beziehungen, Struktur und Herkunft. Er ist die Wissensschicht von Agent Fabric-T und ein eigenständiges Produkt für andere Agenten- und Automatisierungsplattformen.

Was er dem Betreiber bringt

• Antworten, denen man vertrauen kann Jede Antwort kommt mit ihrer Quelle und dem Verantwortlichen der Daten, sodass Entscheidungen auf Fakten statt auf Vermutungen beruhen.
• Auswirkungen vor der Änderung Sie sehen, was sich ändert oder bricht, wenn sich ein Tarif, eine Tarifregel oder ein Prozess ändert – bevor es live geht.
• Investitionen in die Suche arbeiten weiter Bestehende Indizes bleiben, wo sie sind, und werden nur lesend angebunden, ohne Migration oder Neuindexierung.
• Eine gemeinsame Prozesssprache Der Graph spricht in den vertikalen Gruppen von eTOM – Fulfillment, Assurance, Billing – in einer Sprache, die das ganze Unternehmen versteht.
• Sichtbare Verantwortung Jedes Element zeigt seinen Verantwortlichen und wer rechenschaftspflichtig ist, was Data Governance und Entscheidungen vereinfacht.
• Konsistenz über BSS und OSS Ein semantischer Kern beseitigt Unterschiede darin, wie getrennte Systeme dieselben Daten interpretieren.
• Schnellere Einarbeitung Neue Teammitglieder fragen den Graphen in natürlicher Sprache und finden schneller in den Kontext.
• Ein Fundament für Agenten Der Agent Product Offering AI bezieht sein Wissen über die Tarifvorlage aus dem Graphen; für Agenten für Fulfillment, Assurance und Billing kann derselbe Graph als Kontext dienen: exakte Beziehungen statt ähnlich klingender Absätze.

Die Textsuche beantwortet „wo steht das“, der Graph beantwortet „wie hängt das tatsächlich zusammen“. Beide ergänzen sich: Die Suche findet die Ausgangsentität anhand freier Formulierung, und der Graph erschließt ihre Beziehungen exakt.

Product Offering AI: der Knowledge Graph im AI-Chat

Der Knowledge Graph arbeitet in Product Offering AI – der AI-Chat-Anwendung der Plattform für Tarifpakete von WideCoup Convergent BSS. Ein Tarifkonfigurator lädt seine Importvorlage hoch und bearbeitet das Paket in der Tabelle des Chats oder in natürlicher Sprache über den Agenten. Der Agent bezieht sein Wissen über die Spalten, zulässigen Werte und Codes der Vorlage aus dem Knowledge Graph statt aus in die Anwendung eingebautem Text; die Anwendung prüft jede Änderung gegen die Regeln der Vorlage. Use Case: AI-Assistent für Produktangebote.

• Fragen in natürlicher Sprache „Wie ändere ich die Grundgebühr?“, „Wie erhöhe ich das in der Gebühr enthaltene Datenvolumen?“, „Wie richte ich ein Test-Traffic-Paket für die verzögerte Dienstaktivierung ein?“ – beantwortet aus der Tabelle und dem Vorlagenwissen im Graphen.
• Änderungen in natürlicher Sprache „+10 % auf die Preise bei Überschreitung“, „beim Dienst für Datenüberschreitung das enthaltene Volumen um 200 MB erhöhen“, „Währung des Pakets auf EUR ändern“ – der Agent rechnet in die Einheiten der Vorlage um, ändert die richtigen Zeilen und zeigt genau, was sich geändert hat.
• Prüfung der Vorlagenregeln Jede Änderung wird gegen die Regeln der Vorlage geprüft: Ein Verstoß stoppt sie mit Begründung und Hinweis, ein Zweifelsfall geht mit Warnung durch; bearbeitet eine Person eine Zelle direkt oder nennt die Spalte, wird aus einer Ablehnung eine Warnung.
• Revenue-Assurance-Kontrollen Der Graph beschreibt die Kontrollen für Umsatzrisiken des Pakets. Kontrollen, die nur eine Datei brauchen – Tarifzugeständnisse und glatte Bruttobeträge –, laufen beim Hochladen und beim Commit, mit roter Warnung, dem Code und der Stelle in der Zeile.
• Auswirkung einer Spaltenänderung Der Graph führt die Prüfungen der Paketkonfiguration als Struktur: aus welcher Regel eine Prüfung folgt, welche Spalten sie liest, in welchen Zeilenarten, ihre Risikoklasse und ihre Meldung an den Konfigurator. So wird „welche Prüfungen berührt eine Änderung dieser Spalte beim Commit“ über Kanten beantwortet, und beim Commit laufen die Prüfungen von selbst.
• Die Entscheidung bleibt beim Menschen Der Agent erstellt eine neue Arbeitsversion, committet aber nie: Eine Person gibt die committete Version frei, jede Version bleibt in der Historie des Pakets, und der Benutzer lädt die Datei für den Import in das BSS herunter.
• Wissen ändert sich im Graphen Das Wissen über Spalten, zulässige Werte und Codes ändert sich im Graphen, nicht in der Anwendung; jedes Release des Graphen trägt eine Version und die Freigabe der Rolle des Datenverantwortlichen.

Netz und Dienste

• Vom Kundendienst zur Netzressource Der Graph kann kundenseitige Dienste mit Netzressourcen verknüpfen: Zerlegung in Customer Facing Service (CFS) und Resource Facing Service (RFS), Inventar und Topologie auf Basis von YANG-Modellen und die Abhängigkeiten dazwischen. Dieser Ansatz bietet eine Grundlage für Auswirkungsanalyse und Automatisierung vom Produkt bis zur Dienstbereitstellung.
• Topologie, Dienste, SLAs und Richtlinien zusammen Eine semantische Schicht über den Betriebsdaten: Eine Schlussfolgerung wird durch ihren Pfad über die Beziehungen erklärt und hat eine Quelle.
• Ein Netzmodell, das nicht bei null beginnt Das Domänenmodell stützt sich auf eine Referenzontologie für Autonomous Networks, ausgerichtet an TM Forum Autonomous Networks, 3GPP und TM Forum SID (Shared Information/Data).
• Die Richtung des TM Forum Das TM Forum beschreibt den Graphen als Gedächtnis- und Schlussfolgerungsschicht für die Selbstheilung von Netzen – von der Störung über die Auswirkung auf den Kunden bis zur Heilungsmaßnahme, mit niedrigerer MTTR (Mean Time to Repair) und erklärbarer Automatisierung – in IG1373F „AI-Augmented Knowledge Graph for 5G Networks“.

Wie es funktioniert

• Für Menschen – verknüpfte Notizen Wissen liegt als miteinander verknüpfte Markdown-Notizen vor, in einer mit Obsidian kompatiblen Ansicht: Ein Ingenieur liest und folgt den Links, und der Graph hält fest, wo jede Notiz liegt und in welcher Version.
• Für GenAI – Abfragen statt Parsen Ein Modell fragt die Struktur per SPARQL ab und holt nur den Text, den eine Antwort braucht, statt jedes Mal ganze Dokumente zu parsen: weniger Tokens pro Antwort.
• Grounding Eine Anfrage in freiem Text wird den typisierten Entitäten des Betreibers zugeordnet – Diensten, Ressourcen, Prozessen. Liegen Kandidaten nah beieinander, gehören aber zu verschiedenen Bereichen, markiert der Graph die Mehrdeutigkeit, und der Chat stellt eine Rückfrage.
• Vertrauen in jede Aussage Eine Aussage im Graphen hat eine Quelle – ein Dokumentfragment mit Inhalts-Digest –, Nachweise nach Dimensionen (Authentizität, Autorität, Aktualität, Bestätigung durch andere Quellen, Validierungsstatus) und einen Eintrag, wer sie wann bestätigt hat. Die Aktualität wird gegen das Fragment geprüft: Eine Änderung auf Seite 200 macht einen Fakt von Seite 5 nicht veraltet. Eine widerrufene Bestätigung bleibt in der Historie.
• Zwei Arten von Wissen Mit einem Produkt-Release geliefertes Wissen ist versioniert und trägt eine Release-Entscheidung; in der Umgebung des Betreibers gewonnene Fakten behalten, wer sie wann erfasst hat. Ein Produkt-Update überschreibt nicht, was dem Betreiber gehört.
• Rollen statt Namen Ein Verantwortlicher im Graphen ist eine Rolle; wer sie innehat, wird separat erfasst, sodass Personalwechsel den Graphen nicht brechen.
• Die Organisationsgrenze Interne Anmerkungen verlassen die Organisation nicht: Ein Export lässt sie anhand ihres Typs weg.
• Offene W3C-Standards Der Graph ist in RDF und der Web Ontology Language (OWL) beschrieben, wird als Turtle ausgetauscht, seine Ladevorgänge werden mit Shapes Constraint Language (SHACL)-Shapes geprüft und er wird mit SPARQL abgefragt.
• Der Chat liest nur Der Chat liest den Graphen über eine separate, rein lesende Schnittstelle und ändert ihn nicht.

Umfang der Lösung

• Knowledge Graph wird in Product Offering AI eingesetzt – der AI-Chat-Anwendung für Tarifpakete von WideCoup Convergent BSS; für andere Domänen wird der Graph im Projekt auf den Daten des Betreibers aufgebaut.
• Das Modell der Netzdienste und -ressourcen auf Basis von YANG-Modellen wird im Projekt auf den Daten des Betreibers aufgebaut.
• Die Taxonomie von TM Forum eTOM ist in die Ontologie des Graphen eingebaut.
• Externe Suchindizes bleiben rein lesend: Wir besitzen sie nicht und ändern sie nicht.
• Agenten für Fulfillment, Assurance und Billing über dem Graphen sind ein Zielszenario, dessen Umfang im Projekt vereinbart wird.
• Revenue-Assurance-Kontrollen, die den gesamten Paketstack lesen – ein Kilobyte-Tarif, der nicht zum Paket passt, ein teurer Tarif, der durch falsche Konfiguration unerreichbar ist, ein Ungleichgewicht zwischen Grundgebühr und Straftarif –, sind ein Zielszenario, dessen Umfang im Projekt vereinbart wird.

Der nächste Schritt ist ein Pilot auf einem begrenzten Ausschnitt Ihrer Daten, um den Nutzen des Graphen für das Geschäft und für Agenten an Ihrem eigenen Beispiel zu sehen.

Spezifikation

Die Ontologie, das Vertrauensmodul, der Ingest-Vertrag und die Vokabulare sind als Referenz für Integration und Prüfung veröffentlicht.

• L1-Ontologie – Klassen, Prädikate, Vokabulare und die eTOM-Taxonomie
• Vertrauensmodul – Aussagen mit Quelle, Nachweisen und Bestätigung
• Ingest-Vertrag
• Vokabulare zulässiger Werte

Mehr auf platform.mef.dev

• Knowledge Graph – was typisierte Kanten ermöglichen
• Graph und Suche zusammen