Produktwissen liegt in langen Dokumenten; Beziehungen zwischen Varianten, Parametern und Voraussetzungen bleiben in einzelnen Passagen verborgen.
← Alle Projekte
CASE / 07 · 2025–2026
Fakten treffen Zusammenhänge
Hybrid Product Knowledge Center
GRAPH
Eine hybride Wissensplattform verbindet Dokumentensuche mit einem Wissensgraphen für präzise, kontextreiche Produktfragen.
Fachmodellierung sowie Architektur und Hands-on-Implementierung von Import-, Extraktions-, Graph- und Suchpipeline; inklusive Expertenkorrektur, Quellenbezug und Betriebsdesign.
Dokumente werden extrahiert, als semantische Abschnitte indexiert und um strukturierte Fakten ergänzt. Suche kombiniert passende Textstellen und Graphbeziehungen.
Potenzielle Wirkung · Modellrechnung
Welche Wirkung soll
messbar werden?
Die Werte sind transparente Szenarien auf Basis offengelegter Annahmen – keine nachträglich behaupteten Projektergebnisse. Reale Messwerte werden erst nach einer belastbaren Baseline als solche ausgewiesen.
Ungefähre ProduktionswerteModellierte Größenordnung zur wirtschaftlichen Einordnung
10 Personen × 20 Tage × 2 Recherchen × 6–12 Min. Zeitgewinn = rund 40–80 Std.
Produkt, Material, Eigenschaft und Quelle werden als prüfbare Beziehungen statt nur als Texttreffer dargestellt.
Recherchezeit, widersprüchliche Antworten, bestätigte Beziehungen und Anteil quellenbelegter Aussagen.
10 Fachkräfte mit täglich zwei komplexen Produktrecherchen; bisher 15–30 Minuten je Fragestellung.
Besonders wertvoll bei variantenreichen Produkten und Fragen, für die Textsuche allein keine eindeutige Antwort liefert.
Verständlich erklärt
So funktioniert das
Projekt im Alltag.
Zuerst der verständliche Überblick
Danach folgen alle fachlichen und technischen Details
DER ERSTE ÜBERBLICKDer Nutzen in vier verständlichen SchrittenAlle Details folgen darunter
01
WAS PASSIERT?
Dokumente einlesen
Produktblätter und technische Unterlagen werden verarbeitet.
JETZT IM DETAIL
Der vollständige Ablauf – ohne etwas wegzulassen
Der Überblick oben erklärt den Sinn. Die folgende Darstellung zeigt zusätzlich alle fachlichen Schritte, Prüfpunkte, Übergaben und Ergebnisse der Anwendung. Fachbegriffe bleiben als Nachweis sichtbar; die Texte erklären jeweils, was sie im Arbeitsalltag bedeuten.
END-TO-END PRODUCT WALKTHROUGHDokumentwissen plus explizite Produktbeziehungen
8 fachliche SchritteNUTZERAKTION
Upload UI→Ingestion
EREIGNISUPLOAD
SICHTBARES ERGEBNISProduktblatt NOVA-2
Dokument oder Tabelle importieren
Technische PDFs und strukturierte Dateien werden in einem kontrollierten Uploadbereich verwaltet.
Hybrid retrievalSemantischer Kontext plus exakte BeziehungenExpert editableExtraktion ist Vorschlag, nicht WahrheitRebuildableOCR-Cache und Quelldokumente ermöglichen Neuaufbau
Einfach eingeordnet
Technik verständlich.
Wirkung im Mittelpunkt.
Danach folgen der vollständige Informationsweg, die genaue Rolle der KI, Sicherheitsgrenzen, Systemaufbau und verwendete Technologien.
Wo hilft KI?
KI liest Dokumente, schlägt Fakten und Beziehungen vor und verbindet passende Textstellen mit bestätigten Produktdaten.
Was bleibt unter Kontrolle?
Vorgeschlagene Beziehungen bleiben überprüfbar und können durch Fachleute korrigiert werden.
Welcher Nutzen entsteht?
Komplexes Produktwissen wird leichter auffindbar und nachvollziehbar.
Der vollständige Ablauf
Was geschieht hintereinander
und wer ist beteiligt?
Die Grafik zeigt jeden Informationsweg. „System“ meint dabei eine beteiligte Anwendung oder Datenquelle. Ein Pfeil bedeutet, dass Informationen kontrolliert an den nächsten Beteiligten übergeben werden.
01Technisches Dokument importierenDatei und Version werden als kontrollierter Wissensbestand geführt.INFORMATION WIRD WEITERGEGEBEN
KI genau erklärt
Was übernimmt die KI?
Und was ausdrücklich nicht?
Art der UnterstützungHybrides RAG: Vektor + Knowledge Graph
Dokumente erschließen, Faktenbeziehungen vorschlagen und beide Retrieval-Arten kombinieren.
→Top-k Textsegmente sowie gezielt abgefragte Graphknoten und -kanten.
→Agno, pgvector, PostgreSQL, OCR, NetworkX und Graph-Tools.
→Quellengebundene Antwort plus sichtbarer Begründungspfad.
→Extrahierte Ontologie bleibt manuell editierbar; exakte Fakten werden nicht nur semantisch geraten.
✓ Semantik + exakte Beziehungen✓ Graph bleibt editierbar✓ OCR wiederverwendbar cachen
Was arbeitet im Hintergrund zusammen?
Von der Information
bis zum sichtbaren Ergebnis.
Jede Ebene übernimmt eine klar abgegrenzte Aufgabe. Die Fachbegriffe bleiben sichtbar und werden durch ihren Zweck eingeordnet.
Ingest
Hier entstehen oder liegen die Informationen, die für den Ablauf benötigt werden.
PDFOCR CacheSpreadsheet
↓Semantic
Diese Bausteine ordnen, prüfen oder verarbeiten die Informationen nach klaren Regeln.
ChunksEmbeddingspgvector
↓Structured
Hier werden Ergebnisse aufbereitet und für den nächsten Schritt bereitgestellt.
EntitiesAttributesEdges
↓Expert UX
Hier sehen Menschen das Ergebnis und können nachvollziehbar weiterarbeiten.
ChatSearchGraph Editor
✓Technische Bausteine · Nachweis der Architektur- und Umsetzungskompetenz
Nächster Case / 08Wiki Wissensassistent – Konzept→PythonPostgreSQLKnowledge GraphRAGOCRDocker