1
00:00:02,000 --> 00:00:04,560
Moin, so einfach komplex. 
Heute mach ich das mal. 

2
00:00:04,560 --> 00:00:07,120
Der Burkhard Ich hab hier wie 
immer dabei den Gerrit der das 

3
00:00:07,120 --> 00:00:10,240
eigentlich Anmoderiert. 
Hallo Gerrit, Hallo Burkhard und

4
00:00:10,240 --> 00:00:12,800
wir haben heute wunderbaren Gast
dabei den Tobias Hallo Tobias. 

5
00:00:13,200 --> 00:00:15,120
Moin zusammen. 
Ja, sehr schön. 

6
00:00:15,120 --> 00:00:17,480
Moin, ist gut. 
Ja, wir sprechen heute über 

7
00:00:17,480 --> 00:00:20,480
Ontologien, also alle die jetzt 
nicht genau zugehört hat, nicht 

8
00:00:20,480 --> 00:00:23,520
über Ornithologie, das ist das 
mit den mit den zwitschernden 

9
00:00:23,520 --> 00:00:25,920
Kollegen im im im Wald und so 
weiter, sondern wir sprechen 

10
00:00:25,920 --> 00:00:28,800
über Ontologien, das ist was 
anderes, was es genau ist. 

11
00:00:28,960 --> 00:00:31,800
Werdet ihr wissen, wenn ihr 
diese Folge bis zum Ende gehört 

12
00:00:31,800 --> 00:00:33,840
habt. 
Es ist super spannend, es ist n 

13
00:00:34,240 --> 00:00:36,800
eigentlich n Thema, was es schon
ziemlich lange gibt und was auch

14
00:00:37,760 --> 00:00:40,480
kennt nicht jeder und ist auch n
bisschen komplex, selbst wenn 

15
00:00:40,480 --> 00:00:43,760
man Software entwickelt ist es 
aber hochrelevant, das kann ich 

16
00:00:43,760 --> 00:00:46,880
schon mal so so sagen, es hat 
nämlich was mit KI zu tun und 

17
00:00:46,880 --> 00:00:51,480
zwar mit den letzten neuesten 
Entwicklungen von KI, insofern 

18
00:00:51,480 --> 00:00:53,720
bleibt dran ist spannend und ich
geb jetzt erstmal das Wort 

19
00:00:53,720 --> 00:00:56,200
weiter, ich hab genug geredet 
mit Moderation und so weiter bin

20
00:00:56,200 --> 00:00:57,200
ich gar nicht so gut drin 
eigentlich. 

21
00:00:57,600 --> 00:01:00,000
An Tobias. 
Hallo Tobias, schön, dass du da 

22
00:01:00,000 --> 00:01:01,840
bist. 
Du bist der Experte für nicht 

23
00:01:01,840 --> 00:01:06,080
Ornithologie vielleicht doch, 
aber Ontologie erzähl erst mal 

24
00:01:06,080 --> 00:01:08,640
kurz, wer du bist und warum du 
das weißt und dann starten wir 

25
00:01:08,640 --> 00:01:11,480
richtig rein. 
Ja, vielen Lieben Dank für für 

26
00:01:11,480 --> 00:01:13,120
die Einladung. 
Burkhard Gerrit, Freu mich hier 

27
00:01:13,120 --> 00:01:16,160
zu sein heute und euch mit euch 
n bisschen über Wissensgrafen 

28
00:01:16,400 --> 00:01:18,800
Ornithologie ich meinte 
natürlich Ontologie und Co. 

29
00:01:18,800 --> 00:01:22,280
Zu sprechen, ich bin einer der 
Gründer von Tetris, wir sind nen

30
00:01:22,280 --> 00:01:25,360
Startup aus dem schönen Raum 
rossisphalen Lippe. 

31
00:01:25,600 --> 00:01:27,600
Wir bauen ne Graph Datenbank, 
vielleicht kommen wir auch noch 

32
00:01:27,600 --> 00:01:30,560
dazu, dann wird es noch 
komplexer und ja, wir sind jetzt

33
00:01:30,560 --> 00:01:33,640
quasi dabei das Feld von hinten 
aufzurollen und es in die 

34
00:01:33,640 --> 00:01:35,920
Infrastruktur für die 
datengetriebene Welt von Morgen 

35
00:01:35,920 --> 00:01:38,320
zu bauen. 
Sehr schick, sehr schick, sehr 

36
00:01:38,320 --> 00:01:40,560
schick. 
Ich glaube wir müssen erstmal 

37
00:01:40,560 --> 00:01:43,760
anfangen, ganz grundsätzlich 
unseren Zuhörern und 

38
00:01:43,760 --> 00:01:48,480
Zuhörerinnen zu erklären, was 
verbirgt sich hinter dem Wort 

39
00:01:48,560 --> 00:01:52,480
Wissens Graphen. 
Und überhaupt vielleicht noch 

40
00:01:52,480 --> 00:01:56,000
mal kurz Graphen erklären und 
vor allen Dingen dem dem Ding 

41
00:01:56,000 --> 00:01:58,840
Ontologie und Semantik und so 
weiter ich glaub du kannst uns 

42
00:01:58,840 --> 00:02:02,240
da mal reinführen ich hätte n 
kleinen Wunsch, wenn wenn du es 

43
00:02:02,240 --> 00:02:03,280
machst. 
Vielleicht kannst du es n 

44
00:02:03,280 --> 00:02:06,160
bisschen, ich glaube viele von 
unseren Zuhörern Zuhörern haben 

45
00:02:06,160 --> 00:02:08,600
vielleicht schon mal was von 
Datenbanken und SQL gehört und 

46
00:02:08,600 --> 00:02:12,040
von Tabellen und Relationen und 
und und so weiter und 

47
00:02:12,040 --> 00:02:15,520
Assoziationen, vielleicht können
wir ja bei dem erklären so n 

48
00:02:15,520 --> 00:02:18,840
bisschen einmal immer schielen, 
wie ist das in der normalen 

49
00:02:18,840 --> 00:02:22,480
relationalen Tabellenwelt? 
Und was ist quasi anders in der 

50
00:02:22,480 --> 00:02:24,960
Ontologie Welt? 
Weil wir es geht doch, so viel 

51
00:02:24,960 --> 00:02:29,760
darf ich verraten, darum, wie 
wir Daten abspeichern, aber 

52
00:02:29,760 --> 00:02:33,520
besser, sodass wir auch, wie 
soll ich sagen, schnellere, 

53
00:02:33,680 --> 00:02:36,960
andersartige Semantischere 
suchen, nachher machen können? 

54
00:02:36,960 --> 00:02:40,560
Ja, vielleicht magst du uns aber
erst mal so ganz grob erst mal 

55
00:02:40,560 --> 00:02:43,520
aufgleisen was ist da los, ja? 
Ja, voll gerne. 

56
00:02:43,520 --> 00:02:45,280
Ich will vielleicht so n 
bisschen mit der Geschichte 

57
00:02:45,280 --> 00:02:46,400
anfangen, wenn das für euch OK 
ist. 

58
00:02:46,400 --> 00:02:48,920
Wo kommen wir überhaupt her, 
aber wie hat das Ganze 

59
00:02:48,920 --> 00:02:51,800
gestartet, weil das Ganze wie du
schon meintest vorhin ist eben 

60
00:02:51,800 --> 00:02:54,960
nicht quasi in den letzten 23 
Jahren entstanden, sondern hat 

61
00:02:54,960 --> 00:02:58,160
Anfang, Ende der 90er mit Tim 
Berner Leave vielleicht den ein 

62
00:02:58,160 --> 00:03:00,880
der ein oder andere kennt ihn 
noch, der Creator des Web 

63
00:03:00,880 --> 00:03:05,000
begonnen, weil er sagte so Hey, 
das Web soll nicht nur für 

64
00:03:05,000 --> 00:03:08,000
Menschen lesbar sein, sondern 
auch für Maschinen verstehbar. 

65
00:03:08,400 --> 00:03:11,240
Weil zu dem Zeitpunkt hatten wir
ganz, ganz viel Text und HTML 

66
00:03:11,240 --> 00:03:13,480
und wenn du das ne Maschine 
gegeben hast, dann hatte die 

67
00:03:13,480 --> 00:03:16,640
keine Chance das zu verstehen. 
So ne also als Beispiel Berlin 

68
00:03:16,640 --> 00:03:18,240
ist die Hauptstadt von 
Deutschland, das war für 

69
00:03:18,240 --> 00:03:21,000
Menschen klar, aber für 
Maschinen war das nur Text und 

70
00:03:21,000 --> 00:03:23,520
die haben das nicht in ins 
Verhältnis in der Relation 

71
00:03:23,520 --> 00:03:25,840
setzen können. 
Häufig war die Vision des 

72
00:03:25,840 --> 00:03:27,920
Semantic Webs deswegen auch 
Semantics. 

73
00:03:28,320 --> 00:03:31,360
Zu verstehen oder Maschinen 
verständig etwas zu erklären, 

74
00:03:31,360 --> 00:03:33,400
was Menschen auch verstehen 
können, zum Beispiel Fragen 

75
00:03:33,400 --> 00:03:35,880
beantworten wie, was ist ein 
Ding, also zum Beispiel 

76
00:03:35,880 --> 00:03:38,960
Personenort oder auch welche 
Beziehung besteht zwischen 

77
00:03:38,960 --> 00:03:41,760
diesen Personen, zwischen diesen
Orten und was folgt logisch 

78
00:03:41,760 --> 00:03:45,520
daraus, also letztlich das Ziel,
ne automatische Schlussfolgerung

79
00:03:45,520 --> 00:03:48,880
über Wissen im Web, was davon 
übrig geblieben ist, ist 

80
00:03:48,880 --> 00:03:50,640
tatsächlich nicht viel, weil 
sich das nicht wirklich 

81
00:03:50,640 --> 00:03:53,360
durchgesetzt hat, aber das sind 
tatsächlich die Wissensgraphen 

82
00:03:53,360 --> 00:03:57,280
oder die neue Straphs, die quasi
das überlebende Erbe so kleben, 

83
00:03:57,280 --> 00:03:59,080
oder? 
Framemess viele des Semantic 

84
00:03:59,080 --> 00:04:02,760
Webs tatsächlich sind, und da 
kommen wir so n bisschen her und

85
00:04:02,760 --> 00:04:05,840
Wissensgraphen sind nichts 
anderes als eine strukturierte 

86
00:04:05,840 --> 00:04:09,280
Präsentation von wissen. 
Wissensgraphen könnt ihr euch so

87
00:04:09,280 --> 00:04:12,320
vorstellen wie eine riesengroße 
netzwerkartige Struktur, wie ne 

88
00:04:12,320 --> 00:04:15,440
Mindmap, wir Deutschen lieben 
Mindmaps und wir lieben Knoten 

89
00:04:15,440 --> 00:04:18,320
und Kanten, und je größer diese 
Mindmap, desto besser ist 

90
00:04:18,320 --> 00:04:20,800
natürlich auch die Struktur und 
je besser kann man Beziehungen 

91
00:04:20,800 --> 00:04:24,560
miteinander vernetzen und wenn 
wir das mal plakativ an einem 

92
00:04:24,560 --> 00:04:26,160
Beispiel nehmen. 
Du wolltest. 

93
00:04:26,160 --> 00:04:28,560
Du hattest vorhin so n bisschen 
auf relationale Datenbanken 

94
00:04:28,560 --> 00:04:31,120
angespielt. 
Ich nehm dann ganz gerne immer 

95
00:04:31,120 --> 00:04:32,720
so das Beispiel von einer Excel 
Tabelle. 

96
00:04:33,120 --> 00:04:36,520
Eine Excel Tabelle ist quasi das
Frontend einer relationalen 

97
00:04:36,520 --> 00:04:39,320
Datenbank, das kennt jeder, aber
jeder kennt auch das Problem, 

98
00:04:39,320 --> 00:04:42,160
wenn man zigtausend spreadsheets
hat oder 10 Spreadsheets, dann 

99
00:04:42,160 --> 00:04:44,160
wird das ganze relativ 
schwierig, schwierig 

100
00:04:44,160 --> 00:04:47,000
unterschiedliche Beziehungen 
miteinander zu matchen um dann 

101
00:04:47,000 --> 00:04:49,800
zu einer Antwort zu kommen und 
irgendwann sagt der Mensch boah 

102
00:04:49,800 --> 00:04:52,320
ich hab da keinen Bock mehr 
drauf das ganze Miteinander zu 

103
00:04:52,320 --> 00:04:55,360
vernetzen, also zu joinen. 
Und genau das Gleiche ist 

104
00:04:55,360 --> 00:04:58,080
natürlich auch bei Maschinen, 
weil die dann irgendwann so viel

105
00:04:58,080 --> 00:05:01,040
im Zwischenspeicher, also Sorry 
im Arbeitsspeicher haben, dass 

106
00:05:01,040 --> 00:05:04,720
die n Timeout haben und aus dem 
Grund wurden eben Wissensgraphen

107
00:05:04,720 --> 00:05:07,280
entwickelt beziehungsweise 
Wissensgraphen haben sich da 

108
00:05:07,280 --> 00:05:10,040
durchgesetzt, weil du eben sehr 
sehr schnell Relation 

109
00:05:10,040 --> 00:05:12,800
miteinander vernetzen kannst. 
Und so siehst das quasi dann 

110
00:05:12,800 --> 00:05:16,880
auch in so werden dann quasi aus
Tabellen Beziehungen zwischen 

111
00:05:16,880 --> 00:05:19,680
den einzelnen Knoten, zwischen 
den einzelnen Datenpunkten. 

112
00:05:20,400 --> 00:05:22,720
OK, also ich ich stopp dich mal 
kurz ein. 

113
00:05:22,960 --> 00:05:26,400
Ich versuch mal zu repetieren. 
In der klassischen Welt der 

114
00:05:26,400 --> 00:05:29,360
relationalen Datenbanken können 
wir natürlich Relationen 

115
00:05:29,360 --> 00:05:33,800
aufbauen, machen das so mit mit,
mit Foreign Key, so irgendwie 

116
00:05:33,800 --> 00:05:37,520
weiß ich nicht, ein was weiß 
ich, der Professor hat mehrere 

117
00:05:37,520 --> 00:05:39,800
Studenten oder Studentinnen und 
so weiter dann hab ich solche 

118
00:05:39,800 --> 00:05:44,320
Beziehungen, aber die sind ja 
eigentlich, na ja, unwissend sag

119
00:05:44,320 --> 00:05:45,880
ich mal. 
Ja, also das sind einfach fest 

120
00:05:45,880 --> 00:05:49,520
definierte Dinger, da weiß jetzt
die Maschine noch nicht, ja es 

121
00:05:49,520 --> 00:05:51,600
weiß, es gibt diese Studenten, 
aber wenn zum Beispiel. 

122
00:05:52,240 --> 00:05:54,480
Falls zum Beispiel nicht, dass 
das alles Personen sind, ja 

123
00:05:54,480 --> 00:05:56,720
vielleicht, dass der Professor 
ist ne Person, ne ständ ist ne 

124
00:05:56,720 --> 00:05:58,560
Person und so weiter und wenn 
ich jetzt zum Beispiel fragen 

125
00:05:58,560 --> 00:06:00,960
will, wer sind denn alles 
Personen und so weiter dann fang

126
00:06:00,960 --> 00:06:04,480
ich an immer mehr Joints 
aufzubauen und du sagst, diese 

127
00:06:04,480 --> 00:06:08,560
semantischen Wissensgraphen sind
besonders dann mächtig, wenn ich

128
00:06:08,560 --> 00:06:13,600
hoch vernetzte assoziierte 
Informationen habe und die 

129
00:06:14,000 --> 00:06:16,320
performant raussuchen will. 
Das ist jetzt was technisches, 

130
00:06:16,320 --> 00:06:18,840
erstmal was du auch gesagt hast.
Und tatsächlich ist glaub ich so

131
00:06:18,840 --> 00:06:20,840
auch von der Algorithmik, die 
die Datenbanken sterben 

132
00:06:20,840 --> 00:06:22,680
irgendwann mal das das weiß 
jeder der das schon mal so n 

133
00:06:22,680 --> 00:06:24,640
bisschen gemacht wenn man ne 
riesen Datenbank hat und hat zu 

134
00:06:24,640 --> 00:06:27,600
viele Joints in einer Anfrage. 
Joints sind ja quasi das 

135
00:06:27,600 --> 00:06:30,160
Auflesen der Assoziation. 
Ja wo ich sage ich gib mir noch 

136
00:06:30,160 --> 00:06:32,480
das und auch das und der Tabelle
guckst du noch das aus mit der 

137
00:06:32,480 --> 00:06:35,120
Order und so dann fangen die an 
zu schützen die Datenbanken das 

138
00:06:35,120 --> 00:06:37,440
mögen die nicht so gerne ja also
irgendwann ist der Feierabend. 

139
00:06:37,920 --> 00:06:39,600
Ja, also jeder kennt das 
eigentlich. 

140
00:06:39,600 --> 00:06:42,080
Also wenn ich zum Beispiel als 
Business Sky, kenn ich das, wenn

141
00:06:42,080 --> 00:06:45,440
auf einmal mein PC langsam wird.
So jeder kennt dieses Ding, dass

142
00:06:45,440 --> 00:06:48,160
der Arbeitsspeicher aus auf 
einmal nicht mehr funktioniert, 

143
00:06:48,400 --> 00:06:51,600
weil man einfach zu viele 
Applications auf hat und das ist

144
00:06:51,600 --> 00:06:54,240
so das ganz klassische Beispiel,
wo dann eben du n Timeout hast. 

145
00:06:54,240 --> 00:06:57,040
Und das kannst du eben. 
Je besser die Daten man im 

146
00:06:57,040 --> 00:06:59,840
Hintergrunddaten abrufen kann, 
desto weniger Arbeitsspeicher 

147
00:06:59,840 --> 00:07:02,160
benötigst du natürlich auch, 
weil die weil die Prozesszeit 

148
00:07:02,160 --> 00:07:05,160
verkürzt wird. 
Und je komplexer die Anfrage, 

149
00:07:05,160 --> 00:07:08,200
desto mehr Joints musst du 
natürlich machen und desto 

150
00:07:08,200 --> 00:07:10,680
uncharmanter wird es, eine 
relationale Datenbank zu 

151
00:07:10,680 --> 00:07:14,280
benutzen, weil du eben zig Join 
zwischen den einzelnen Tabellen 

152
00:07:14,280 --> 00:07:17,000
spreadets oder beziehungsweise 
indexen sendest, dann quasi tief

153
00:07:17,000 --> 00:07:20,240
im Backend nutzen nutzen musst. 
Und das hast du eben mit einer 

154
00:07:20,240 --> 00:07:22,960
Graph Datenbank nicht, weil du 
eben schön durch die einzelne 

155
00:07:22,960 --> 00:07:25,640
Netzwerkstruktur gehen kannst. 
Umso schneller die Daten eben 

156
00:07:25,640 --> 00:07:28,560
miteinander zu vernetzen 
beziehungsweise auch abzufragen.

157
00:07:29,080 --> 00:07:31,720
Ich will einmal kurz fragen und 
ob ich das jetzt richtig gehört 

158
00:07:31,720 --> 00:07:34,400
habe, dass oder ob man sagen 
könnte, je einfacher die 

159
00:07:34,400 --> 00:07:36,960
Abfragen sind, desto mehr Sinn 
macht es vielleicht auch ne 

160
00:07:36,960 --> 00:07:38,960
relationale Datenbank zu 
benutzen. 

161
00:07:38,960 --> 00:07:42,000
Und je komplexer meine Abfragen 
sind oder so komplexe der Use 

162
00:07:42,000 --> 00:07:44,960
Case Abfrage Use Case ist, desto
eher tendier ich vielleicht dazu

163
00:07:44,960 --> 00:07:47,280
n Wissensgraph einzusetzen. 
Absolut. 

164
00:07:47,280 --> 00:07:50,680
Also 100% ne, also ne ne 
relationale Datenbank ist für 

165
00:07:50,680 --> 00:07:54,360
Struktur gebaut um einfache 
Abfragen transaktionalen 

166
00:07:54,360 --> 00:07:56,960
Workload schnell und einfach 
durchzuführen. 

167
00:07:56,960 --> 00:07:59,880
Da wird ne Graph Datenbank 
niemals besser sein ne also es 

168
00:07:59,880 --> 00:08:02,720
gibt für jede Datenbank, für 
jede Applikation gibt es 

169
00:08:02,720 --> 00:08:05,760
bestimmte Sweet Spots oder 
Optimierungen bei einer 

170
00:08:05,760 --> 00:08:08,000
relationalen Datenbank ist es 
die Struktur, ist es der 

171
00:08:08,000 --> 00:08:12,480
transaktionale Workload bei No 
SQL zum Beispiel Mongo de B und 

172
00:08:12,480 --> 00:08:16,240
Co ist es die Skalierbarkeit. 
Wir umgeben bei es bei Vector 

173
00:08:16,240 --> 00:08:19,360
DBS, also Vector Datenbanken. 
Die Ähnlichkeit ist bei Graph 

174
00:08:19,360 --> 00:08:21,920
Datenbanken sind es die 
Beziehung, die keine dieser 3 

175
00:08:22,160 --> 00:08:24,760
eben abbilden kann, also das 
tiefgehende Verständnis von 

176
00:08:24,760 --> 00:08:27,280
Beziehungen zwischen den 
einzelnen Datenpunkten. 

177
00:08:28,480 --> 00:08:30,400
Ja, genau das ist ja so ne 
unterliegende Wahrheit. 

178
00:08:30,400 --> 00:08:31,680
Immer noch ne. 
Also es gibt halt in der 

179
00:08:31,680 --> 00:08:34,400
Software und es ist glaub ich 
einfach n logisches 

180
00:08:34,400 --> 00:08:37,280
mathematisches nachweisbares 
Problem wahrscheinlich wir haben

181
00:08:37,280 --> 00:08:40,799
verschiedene Use Cases und es 
gibt nicht die Silver Bullet. 

182
00:08:41,159 --> 00:08:43,880
Wie man so schön sagt, die eine 
Lösung, die es alles erschlägt 

183
00:08:43,880 --> 00:08:46,600
und alles Tip top macht, sondern
wir müssen halt verschiedene 

184
00:08:46,600 --> 00:08:49,680
Algorithmen, verschiedene 
Mathematiken, verschiedene 

185
00:08:50,160 --> 00:08:54,320
Ansätze wählen um das Problem, 
dass wir gerade unterm Finger 

186
00:08:54,320 --> 00:08:58,960
haben, optimal zu erschlagen. 
Ja und optimal von vom Ergebnis 

187
00:08:58,960 --> 00:09:01,040
her und optimal vor allen Dingen
auch von der Laufzeit her, von 

188
00:09:01,040 --> 00:09:03,760
der Performance auf, ja wir 
sprechen heutzutage, wenn wir 

189
00:09:03,760 --> 00:09:06,320
irgendwas Relevantes machen 
immer im Notfall über sehr viele

190
00:09:06,320 --> 00:09:08,880
Daten und dann ist 
algorithmische Performance auch 

191
00:09:08,880 --> 00:09:11,040
ein Thema. 
Vielleicht da noch ein ein 

192
00:09:11,040 --> 00:09:12,720
Punkt, so dass, weil da viele 
verstehen, gar. 

193
00:09:12,720 --> 00:09:15,360
Also wir haben da immer so 
häufig diesen Punkt, wenn man 

194
00:09:15,360 --> 00:09:18,640
von analytischer Query spricht 
oder so, dann denken meistens 

195
00:09:18,640 --> 00:09:21,200
alle, Boah, das sind 
irgendwelche total lange Linien,

196
00:09:21,200 --> 00:09:24,080
total komplexe Abfragen, aber es
kann tatsächlich schon so ne 

197
00:09:24,080 --> 00:09:27,160
einfache Abfrage sein, die gibt 
mir mal den Krankheitsstandpunkt

198
00:09:27,160 --> 00:09:30,560
von der Sales und Marketing Unit
in meinem Unternehmen y. 

199
00:09:30,880 --> 00:09:33,680
Das ist schon ne Komplexe 
Anfrage, die viele gar nicht 

200
00:09:33,680 --> 00:09:36,800
performen müssen können und dann
manuell quasi in die Daten 

201
00:09:36,800 --> 00:09:39,040
reingehen müssen, um das Step 
für Step abzufragen. 

202
00:09:39,120 --> 00:09:41,480
Und das wär zum Beispiel so ne 
ganz klassische Anfrage für ne 

203
00:09:41,480 --> 00:09:44,960
Graph Datenbank, die du nicht 
mit einer SQL oder mit einer 

204
00:09:44,960 --> 00:09:47,720
Mongo DB oder wie auch immer 
Vektordatenbank performen 

205
00:09:47,720 --> 00:09:50,840
kannst. 
Mhm, wir haben noch nie ne Folge

206
00:09:50,840 --> 00:09:52,680
über Graphen algorithmik 
gemacht, das müsste man 

207
00:09:52,680 --> 00:09:55,600
eigentlich auch mal machen. 
Die haben nämlich ganz besondere

208
00:09:55,600 --> 00:09:58,400
Eigenschaften und so weiter ich 
ich sag da nur mal, ich sag mal 

209
00:09:58,400 --> 00:10:00,160
23 Wörter dazu, dass man sich 
das vorstellen kann. 

210
00:10:00,160 --> 00:10:01,360
Was ist überhaupt Graph 
Datenbank? 

211
00:10:01,360 --> 00:10:03,800
Du hast schon mal gesagt, es 
gibt Knoten und Kanten und so 

212
00:10:03,800 --> 00:10:07,200
weiter erschlägt mich bitte 
nicht, wenn ich jetzt nicht die 

213
00:10:07,200 --> 00:10:10,080
perfekte Definition von Graphen 
algorithmik in aber das 

214
00:10:10,080 --> 00:10:13,000
Wichtigste sind tatsächlich 
Knoten und Kanten, das ist 

215
00:10:13,000 --> 00:10:16,040
eigentlich was n Graph ausmacht,
Knoten ist quasi der Runde der 

216
00:10:16,040 --> 00:10:18,560
Runde Kreis und dann hab dann 
mach ich ne Linie die nennt sich

217
00:10:18,560 --> 00:10:22,080
Kante im im in der Informatik 
bis zum nächsten Kreis ja. 

218
00:10:22,560 --> 00:10:25,760
Und jetzt kann ich n Graph und 
es gibt diese vorwart Graph 

219
00:10:25,760 --> 00:10:28,960
algorithms, das heißt ich beweg 
mich quasi in einer Richtung, 

220
00:10:29,040 --> 00:10:31,320
ich geh halt nicht wieder zurück
oder sowas, aber ich beweg mich 

221
00:10:31,320 --> 00:10:34,160
halt von einem von einem Kreis 
über ne Kante zum nächsten 

222
00:10:34,160 --> 00:10:36,480
Kreis. 
Jetzt ist aber so bei Graphen, 

223
00:10:36,560 --> 00:10:39,800
Kreise können halt ganz viele 
Kanten haben, ganz viele Linien 

224
00:10:39,800 --> 00:10:41,680
zu anderen Kreisen und so weiter
und im Notfall auch 

225
00:10:41,680 --> 00:10:43,960
Zirkularitäten und so weiter und
sofort und ich kann halt 

226
00:10:43,960 --> 00:10:46,200
abbiegen und dann dann kann man 
sich schon vorstellen wenn man 

227
00:10:46,200 --> 00:10:48,360
jetzt viele Kreise und viele 
Linien zeichnet, dann kann man 

228
00:10:48,360 --> 00:10:50,760
viele Beziehungen. 
Ausdrücken und ich kann euch 

229
00:10:50,760 --> 00:10:52,840
durch vielleicht gleichzeitig 
sogar durch viele Wege durch 

230
00:10:52,840 --> 00:10:56,840
diesen Graph gehen und so weiter
ja, bringt mich jetzt dazu, dass

231
00:10:56,840 --> 00:10:59,280
du mir noch mal erklärst, 
Tobias, was ist nämlich da gibt 

232
00:10:59,280 --> 00:11:02,080
es ja das Wort triplet oder 
sowas ja triplets und so weiter 

233
00:11:02,080 --> 00:11:05,600
das ist ja das, das bin noch so 
im Studium hängen geblieben, das

234
00:11:05,600 --> 00:11:08,720
ist ja sowas was die die die 
Ontologie, was ja eher die 

235
00:11:08,720 --> 00:11:10,520
Ontologie ist, ja eher das 
Schema, sag ich mal die 

236
00:11:10,520 --> 00:11:13,720
Beschreibung während der 
Wissenskraft, das Schema, die 

237
00:11:13,720 --> 00:11:16,880
Beschreibung, die möglich ist 
mit einer Instanz von Daten 

238
00:11:16,880 --> 00:11:19,440
ausfüllt sag ich mal, ist gerade
n bisschen technisch so, aber. 

239
00:11:19,680 --> 00:11:21,600
Wir wollen das ruhig mal n 
bisschen ordentlich hier auf die

240
00:11:21,680 --> 00:11:25,600
auf die Tonspur bringen. 
Und warum funktioniert Ontologie

241
00:11:25,600 --> 00:11:27,720
anders als jetzt ne SQL 
Datenbank? 

242
00:11:27,720 --> 00:11:29,600
Ich glaube es ist das 
unterliegendste Ding ist, dass 

243
00:11:29,600 --> 00:11:31,760
wir nämlich nicht Tabellen 
haben, sondern wir haben immer 

244
00:11:31,760 --> 00:11:34,040
so ne Art Triple von 
Informationen, vielleicht kannst

245
00:11:34,040 --> 00:11:36,320
du das noch mal irgendwie auf 
die Tonspur bringen. 

246
00:11:36,720 --> 00:11:40,400
Ja, also im Bereich der 
Wissensgraphen gibt muss man 2 

247
00:11:40,400 --> 00:11:43,280
Wissensgraphen unterscheiden, 
der auf der einen Seite hast du 

248
00:11:43,280 --> 00:11:47,120
Wissensgraphen die eine keine 
Ontologie haben, also kein 

249
00:11:47,120 --> 00:11:49,520
Schema on top. 
Und es gibt auf der anderen 

250
00:11:49,520 --> 00:11:52,720
Seite wissensgraphen, die haben 
einen Scemer und da würde ich 

251
00:11:52,720 --> 00:11:56,120
dir gerne das Beispiel einmal 
geben im vom Auto, dass man sich

252
00:11:56,120 --> 00:11:58,400
das so n bisschen plakativer 
vorstellen kann und ich würde 

253
00:11:58,640 --> 00:12:01,640
mit der Ontologie mal beginnen, 
was überhaupt die Ontologie ist.

254
00:12:01,640 --> 00:12:04,880
Du hast schon richtig gesagt, 
die Ontologie legt Dinge fest 

255
00:12:04,880 --> 00:12:07,360
wie sie heißen und wie sie 
zusammenhängen, also ganz 

256
00:12:07,360 --> 00:12:09,800
plakativ. 
Auto ist ein Fahrzeug hat nen 

257
00:12:09,800 --> 00:12:12,720
Motor, motor ist kein Fahrzeug, 
also man kann auch Regeln 

258
00:12:12,720 --> 00:12:16,640
festlegen Elektroauto ist ein 
Auto, ein Auto hat genau einen 

259
00:12:16,640 --> 00:12:18,800
Motor. 
Ne, damit macht man schon mal 

260
00:12:18,800 --> 00:12:21,600
klar, was ist erlaubt, was ist 
Unsinn, was gehört zusammen und 

261
00:12:21,600 --> 00:12:24,520
so kann man eine formale Logik, 
eine formale Semantik, das ist 

262
00:12:24,520 --> 00:12:28,320
die Semantik, dann erklären und 
so auch skalieren, weil man dann

263
00:12:28,320 --> 00:12:31,360
eine Semantik festgelegt hat, 
die übergeordnet in der 

264
00:12:31,360 --> 00:12:34,960
kompletten im kompletten 
Unternehmen genutzt wird, und 

265
00:12:34,960 --> 00:12:38,480
dann kann man darauf basierend 
natürlich ein Wissensgraph in 

266
00:12:38,480 --> 00:12:42,400
diese Ontologie oder in das GEMA
Hineinsetzen und zum Beispiel 

267
00:12:42,400 --> 00:12:46,160
sagen, ein Auto Auto a hat motor
m 1. 

268
00:12:46,480 --> 00:12:51,680
Also Objekt, Prädikat, Subjekt, 
Auto. 1 Subjekt hat einen, das 

269
00:12:51,680 --> 00:12:55,840
ist quasi die Verbindung oder 
das Prädikat Objekt Motor a 1 

270
00:12:55,920 --> 00:12:58,680
und so kann man das ganze 
komplett skalieren und unendlich

271
00:12:58,680 --> 00:13:01,400
und man hat immer ne formale 
Semantik und du kannst dann 

272
00:13:01,400 --> 00:13:04,920
super auch Unklarheiten oder 
auch Fehleranalysen, Predictive 

273
00:13:04,920 --> 00:13:07,360
Maintenance und Co. 
Sehr sehr einfach eben 

274
00:13:07,360 --> 00:13:09,960
vonstattenfahren, weil alles 
miteinander verlinkt ist und die

275
00:13:09,960 --> 00:13:13,280
formale Semantik eben erlaubt, 
ganz klar herauszufinden was 

276
00:13:13,280 --> 00:13:15,840
möglich ist, was erlaubt ist, 
was nicht erlaubt ist und wo 

277
00:13:15,840 --> 00:13:17,720
vielleicht sogar. 
Ein Fehler entdeckt werden 

278
00:13:17,720 --> 00:13:19,920
könnte, wo ich selber als Mensch
das nicht gesehen hab. 

279
00:13:20,560 --> 00:13:22,960
Ja, voll gut. 
Ja, also jeder Distelfink ist 

280
00:13:22,960 --> 00:13:25,360
ein Vogel, aber nicht jeder 
Vogel ist ein Distelfink. 

281
00:13:25,360 --> 00:13:28,480
Ja, um mir noch mal die 
Kognitologie Omnithologie ins 

282
00:13:28,480 --> 00:13:31,560
Spiel zu, klingt für mich auch 
so ein bisschen nach OOP, also 

283
00:13:31,560 --> 00:13:33,680
objektorientierter 
Programmierung, da haben wir 

284
00:13:33,680 --> 00:13:35,440
auch oft solche Beschreibungen 
von. 

285
00:13:36,160 --> 00:13:38,560
Hat also beim beim Komponieren 
quasi ne. 

286
00:13:38,560 --> 00:13:42,640
Die Klasse hat eine andere 
Instanz oder die Klasse ist vom 

287
00:13:42,640 --> 00:13:45,520
Typ einer anderen Klasse und so 
weiter wahrscheinlich hat das 

288
00:13:45,520 --> 00:13:47,720
auch, also wenn man da drüber 
nachdenkt und so weiter findet 

289
00:13:47,720 --> 00:13:50,200
man wahrscheinlich Analogien 
auch zu anderen Bereichen sag 

290
00:13:50,200 --> 00:13:52,440
ich mal ja. 
Die ähnlichste Analogie, die wir

291
00:13:52,440 --> 00:13:55,040
am meisten verwenden, ist 
tatsächlich die Taxonomie im SQL

292
00:13:55,040 --> 00:13:58,520
Bereich, wo du eben immer nur 
ist Relation hast und das Macht 

293
00:13:58,520 --> 00:14:01,920
das eben nicht skalierbar und 
nicht semantisch logisch, 

294
00:14:02,080 --> 00:14:04,400
wohingegen du mit einer 
Ontologie. 

295
00:14:04,720 --> 00:14:07,560
Eben unterschiedliche Relationen
auch einfach abbilden kannst. 

296
00:14:07,560 --> 00:14:11,760
Ne hat gebaut, Lebbei gehört zu 
und so kann man das eben super 

297
00:14:11,760 --> 00:14:15,360
schön semantisch skalieren. 
Die sind die frei wählbar, diese

298
00:14:15,360 --> 00:14:17,160
Beziehung untereinander. 
Also du hast jetzt n paar 

299
00:14:17,160 --> 00:14:18,800
Beispiele gemacht, Lebbei gehört
zu. 

300
00:14:19,360 --> 00:14:22,320
Die sind tatsächlich frei 
wählbar, aber wenn sie einmal 

301
00:14:22,320 --> 00:14:24,320
definiert sind, dann sind sie 
definiert. 

302
00:14:24,800 --> 00:14:28,880
Und das ist auch das Wichtige, 
weil so ein Skemer vielleicht 

303
00:14:28,880 --> 00:14:31,600
einige von euch sind mit n 
bisschen mit SQL unterwegs und 

304
00:14:31,600 --> 00:14:33,360
Co. 
Da ist das Skemer sehr sehr 

305
00:14:33,360 --> 00:14:36,000
schwer anpassbar. 
Du musst quasi immer wieder ein 

306
00:14:36,000 --> 00:14:39,400
neues Skemer aufsetzen, wenn 
dein Case zu Ende ist. 

307
00:14:39,680 --> 00:14:42,400
Im Wissenskraftbereich 
beziehungsweise in Ontologie. 

308
00:14:42,720 --> 00:14:45,360
Die ist flexibel. 
Bedeutet du kannst einfach ne 

309
00:14:45,360 --> 00:14:49,120
neue klasse hinzufügen oder neue
property hinzufügen, ohne dass 

310
00:14:49,120 --> 00:14:51,840
du dein Scemer verändern musst. 
Und das ist eben ne unfassbare 

311
00:14:51,840 --> 00:14:54,480
Power und ne Flexibilität, die 
du in keinem anderen Modell 

312
00:14:54,480 --> 00:14:56,160
hast. 
Und das macht Wissensgraphen 

313
00:14:56,160 --> 00:14:59,040
sehr sehr flexibel. 
Und wenn du eben einmal die 

314
00:14:59,200 --> 00:15:01,920
Klasse definiert hast, dann 
guckst du eben so als als 

315
00:15:01,920 --> 00:15:05,600
Developer zum Beispiel leb bei, 
gibt es schon, OK cool, dann 

316
00:15:05,600 --> 00:15:08,120
kann ich die weiter benutzen, 
gibt es das doch nicht. 

317
00:15:08,640 --> 00:15:11,520
OK, muss ich die einführen, aber
dann kann immer jemand danach 

318
00:15:11,520 --> 00:15:13,760
gucken, tatsächlich. 
Und wenn du eine sehr, sehr 

319
00:15:13,760 --> 00:15:16,760
ähnliche Relation zueinander 
hast, dann wird es quasi auch im

320
00:15:16,760 --> 00:15:20,240
Wissenskraft angezeigt. 
Mhm, ich hab auch noch mehr 

321
00:15:20,240 --> 00:15:23,640
naive Fragen. 
Ja, ich hätte jetzt, ich hätte 

322
00:15:23,640 --> 00:15:26,040
jetzt noch ne Ergänzung zu dem 
ist das definiert und so weiter 

323
00:15:26,040 --> 00:15:27,760
hat sie ja gefragt. 
Gerrit Ich wenn ich mich richtig

324
00:15:27,760 --> 00:15:30,360
an meinen Informatikunterricht, 
der jetzt sehr lange her ist, 

325
00:15:30,360 --> 00:15:33,120
erinnere, dann war es glaub ich 
damals schon so, dass es im W 3 

326
00:15:33,120 --> 00:15:37,120
C Standard irgendwie. 
Quasi auch Definitionen gibt zu 

327
00:15:37,120 --> 00:15:39,280
der Semantik und so weiter 
kannst du da noch n Wörtchen 

328
00:15:39,280 --> 00:15:41,200
verlieren? 
Tobi ist das richtig, wird das 

329
00:15:41,200 --> 00:15:43,960
richtig in Erinnerung? 
Ja, es ist absolut richtig, ne. 

330
00:15:43,960 --> 00:15:47,040
Also das World Wide 
Webkonsortion wurde Anfang der 

331
00:15:47,040 --> 00:15:50,080
Zweitausender hat sich damit 
beschäftigt quasi diese ganzen 

332
00:15:50,080 --> 00:15:53,000
Standards zu entwickeln, 
festzusetzen, zu definieren und 

333
00:15:53,000 --> 00:15:55,240
das ist auch eine große Stärke 
tatsächlich von dem 

334
00:15:55,240 --> 00:15:58,840
Wissensgraphen es gibt zum 
Beispiel ADF, das sind die Daten

335
00:15:58,840 --> 00:16:01,600
als Triple, so nennt sich das 
Resource Description Framework, 

336
00:16:01,600 --> 00:16:03,920
Subjekt, Prädikat, Objekt, das 
ist das Datenmodell. 

337
00:16:04,440 --> 00:16:07,920
Dann hast du da on top, nennt 
sich Auel oder ADFS. 

338
00:16:07,920 --> 00:16:09,920
Das sind die Ontologien und 
Logiken. 

339
00:16:09,920 --> 00:16:13,640
Also Auel ist die Ontologie, 
ADFS ist die Logik, also man 

340
00:16:13,640 --> 00:16:16,960
kann zum Beispiel auch aus einem
Wissensgraph, bedingt durch das 

341
00:16:16,960 --> 00:16:21,040
definierte Vokabular, implizites
Wissen aus dem expliziten Wissen

342
00:16:21,040 --> 00:16:23,640
ziehen, das ist super spannend 
zum Beispiel, man könnte zum 

343
00:16:23,640 --> 00:16:26,880
Beispiel feststellen, dass 
dadurch bedingt, dass Gerrit und

344
00:16:26,880 --> 00:16:30,240
Burkhard Menschen sind. 
Und auch zu dem beim Individuum 

345
00:16:30,240 --> 00:16:32,960
und ihr mit mir verlinkt seid, 
wenn die passende Proportion 

346
00:16:32,960 --> 00:16:34,120
ist. 
Dass zum Beispiel ich auch ein 

347
00:16:34,120 --> 00:16:37,960
Mensch bin, wenn es eben passend
im Wissenskraft abgebildet ist. 

348
00:16:37,960 --> 00:16:40,880
Und so kannst du eben super viel
influence auch betreiben, was du

349
00:16:40,880 --> 00:16:44,640
mit anderen Datenmodellen nicht 
tatsächlich tun kannst. 

350
00:16:44,880 --> 00:16:47,760
Und der letzte Punkt klar ist. 
Barclays die Abfragesprache. 

351
00:16:48,080 --> 00:16:50,000
Aber was man auch dazu sagen 
muss, das ist das. 

352
00:16:50,000 --> 00:16:51,520
Immer, dass sie es ja noch mal 
langsam sagen. 

353
00:16:51,920 --> 00:16:54,960
Die Abfragesprache bei unserem 
relationalen Datenbank ist 

354
00:16:54,960 --> 00:16:59,680
Sequel, so spricht man es SQL 
geschrieben Ja Structured Query 

355
00:16:59,680 --> 00:17:03,400
Language und jetzt hast du 
gesagt, die Abfragesprache ist 

356
00:17:03,400 --> 00:17:07,119
sparkul ja wird Sparkle wird es 
ausgesprochen oder benutz ich 

357
00:17:07,119 --> 00:17:09,920
nicht jeden Tag? 
Immer unterschiedlich, wenn es 

358
00:17:09,920 --> 00:17:10,920
schnell von der Lippe gehen 
soll. 

359
00:17:10,920 --> 00:17:12,839
Sagst du Sparkle, wenn du es 
richtig sagen willst, sagst du 

360
00:17:12,839 --> 00:17:14,720
Spark UR. 
Und wofür steht das? 

361
00:17:14,720 --> 00:17:16,480
Weißt du das zufällig, die die 
Abkürzung? 

362
00:17:18,000 --> 00:17:20,599
Ich weiß immer nur sagen Query 
Language, aber Spa weiß ich auch

363
00:17:20,599 --> 00:17:22,000
nicht. 
OK, das können unsere Zuhörer 

364
00:17:22,000 --> 00:17:23,960
und Zuhörerinnen dann selber 
nachgucken, wo der Gerrit macht,

365
00:17:23,960 --> 00:17:25,319
das vielleicht hier nebenbei mal
gucken hab. 

366
00:17:25,960 --> 00:17:29,960
Ich auch was zu tun, ja. 
Sorry, prima Gerrit, aber du 

367
00:17:29,960 --> 00:17:31,120
hattest noch was. 
Du hattest noch was. 

368
00:17:31,920 --> 00:17:35,680
Ja, und zwar hab ich ja jetzt 
das Bild im Kopf. 

369
00:17:35,680 --> 00:17:39,240
Von relationalen Datenbanken ist
irgendwie zweidimensional, ne, 

370
00:17:39,240 --> 00:17:42,160
ich hol immer Tabellen, es gibt 
Spalten und Reihen und dann gibt

371
00:17:42,160 --> 00:17:45,280
es aber ganz viele Tabellen und 
die sind in einer ist Beziehung 

372
00:17:45,280 --> 00:17:47,920
zueinander ne so. 
Kann man das ja mal sagen. 

373
00:17:48,320 --> 00:17:50,800
Ich hab ja in der Vorbereitung 
auch mal Knowledge Graph und 

374
00:17:50,800 --> 00:17:53,760
Wissensgraph eingegangen und so 
und da können wir mal so 3 d 

375
00:17:53,760 --> 00:17:56,800
mäßige Konstrukte, ne wie ihr 
das ja auch gesagt habt, es gibt

376
00:17:56,800 --> 00:17:59,600
die es gibt die Punkte und die 
Verbindung, also die die Knoten 

377
00:17:59,600 --> 00:18:02,920
und die Kanten und die können ja
nicht nur in 2 Dimensionen 

378
00:18:02,920 --> 00:18:05,600
gehen, die Kanten, die können ja
auch in ne dritte Dimension 

379
00:18:05,600 --> 00:18:07,680
gehen, nach vorne, nach hinten, 
sonst wohin in alle Richtungen 

380
00:18:08,000 --> 00:18:10,240
und kann man sich das in 
irgendeiner Form noch angucken 

381
00:18:10,240 --> 00:18:14,400
so n so Knowledge Graph, also so
wie man auch auf ne Excel 

382
00:18:14,400 --> 00:18:16,640
Tabelle drauf gucken kann. 
Tatsächlich? 

383
00:18:16,640 --> 00:18:19,360
Ja, das ist das coole, und das 
war auch die Vision 

384
00:18:19,360 --> 00:18:21,720
ursprünglich, dass es eben für 
Menschen und Maschinen 

385
00:18:21,720 --> 00:18:25,760
gleichmäßig lesbar ist. 
Du kannst dir das so vorstellen,

386
00:18:26,080 --> 00:18:31,200
wenn du eine sparkual Abfrage an
das System schießt, dann kriegst

387
00:18:31,200 --> 00:18:35,120
du einerseits nen datenoutput, 
du hast ne Anfrage gestellt, 

388
00:18:35,120 --> 00:18:38,560
wenn Hey, sag mir die Hauptstadt
von von Deutschland und dann 

389
00:18:38,560 --> 00:18:40,920
hast du Berlin bekommen, aber 
dann kriegst du quasi kannst du 

390
00:18:40,920 --> 00:18:43,440
dir auch die. 
Den Teilgraph, der für die 

391
00:18:43,440 --> 00:18:46,160
Antwort benutzt wurde, 
visualisieren lassen, um genau 

392
00:18:46,160 --> 00:18:48,640
zu sehen, hey welcher Teilgraph 
wurde denn dafür benutzt? 

393
00:18:48,800 --> 00:18:51,280
Passt das denn überhaupt oder 
hab ich sogar vielleicht ne 

394
00:18:51,280 --> 00:18:54,720
coole Zeitinformation, die ich 
noch aus diesem Graph selber 

395
00:18:54,720 --> 00:18:58,000
herausziehen kann und das ist 
eben auch n unfassbarer Vorteil 

396
00:18:58,000 --> 00:19:00,560
und gibt dir ne Erklärbarkeit, 
die dir kein anderes Datenmodell

397
00:19:00,560 --> 00:19:03,240
geben kann und deswegen geht es 
zum Beispiel auch gerade wenn es

398
00:19:03,240 --> 00:19:05,520
Richtung AIKI Thematiken geht 
und co. 

399
00:19:05,760 --> 00:19:07,680
Immer mehr auf Wissensgraphen 
gesetzt, weil die 

400
00:19:07,680 --> 00:19:10,400
Vektordatenbanken. 
Selber dir eben diese 

401
00:19:10,400 --> 00:19:13,280
Erklärbarkeit gar nicht liefern 
können, aber eben der der 

402
00:19:13,280 --> 00:19:15,880
Wissenskraft, weil du ihr das 
Datenmodell eben visualisieren 

403
00:19:15,880 --> 00:19:17,360
kannst. 
Und das ist total wichtig. 

404
00:19:17,680 --> 00:19:19,360
Tobi, jetzt nimmst du schon das 
Geheimnis vorweg. 

405
00:19:19,360 --> 00:19:21,760
Worüber sprechen wollten? 
Genau, aber also da, da setzen 

406
00:19:21,760 --> 00:19:24,120
wir uns gleich noch mal richtig 
tief rein in die das find ich 

407
00:19:24,160 --> 00:19:26,920
nämlich super spannend was das 
mit KI, warum das für die KI 

408
00:19:26,920 --> 00:19:28,520
total relevant ist. 
Das müssen wir noch mal n 

409
00:19:28,520 --> 00:19:31,840
bisschen ausbreiten, aber lass 
uns vorher noch mal kurz alle 

410
00:19:31,840 --> 00:19:34,560
Themen abschließen, dass wir 
gutes Verständnis haben was 

411
00:19:34,560 --> 00:19:37,600
wissensgraphen. 
Und Semantik und Ontologie und 

412
00:19:37,600 --> 00:19:39,720
so weiter sind. 
Ich glaube, wir haben es auch 

413
00:19:39,720 --> 00:19:42,320
schon n bisschen, aber 
vielleicht hat Gerrit noch ne 

414
00:19:42,320 --> 00:19:45,360
Frage oder du noch ne Anmerkung 
bevor wir dann in die bevor wir 

415
00:19:45,360 --> 00:19:48,480
dann tatsächlich würd ich sagen 
mal in diese LLM Geschichten 

416
00:19:48,480 --> 00:19:51,280
reingucken und was das mit RAG 
und so weiter zu tun hat, ja. 

417
00:19:51,840 --> 00:19:55,280
Ja, vielleicht so allgemein was,
weil manchmal hilft es auch so, 

418
00:19:55,280 --> 00:19:59,040
das Verständnis, wo man häufig 
so Wissensgraphen im Alltag 

419
00:19:59,040 --> 00:20:01,080
begegnet, wo man gar keine 
Ahnung hat, dass da überhaupt 

420
00:20:01,080 --> 00:20:03,120
wissensgraphen so hinter sind. 
Das ist vielleicht auch noch mal

421
00:20:03,120 --> 00:20:05,440
ganz spannend. 
Und ich find das coolste 

422
00:20:05,440 --> 00:20:08,080
Beispiel, weil ich selber nen 
seriensuchti bin. 

423
00:20:08,080 --> 00:20:10,920
Hab mich jetzt geoutet zwischen 
Amazon Prime und Netflix. 

424
00:20:10,920 --> 00:20:14,120
Tatsächlich, jeder kennt es, 
vielleicht Amazon Prime ganz 

425
00:20:14,120 --> 00:20:17,080
ganz schlechte Recommendation 
Engine und sehr sehr langsam zum

426
00:20:17,080 --> 00:20:20,080
Teil wenn man nach neuen Filmen 
oder Serien sucht, Netflix auf 

427
00:20:20,080 --> 00:20:23,200
der anderen Seite unfassbar 
coole UI, unfassbar schnell, 

428
00:20:23,200 --> 00:20:24,800
sehr sehr gut in der 
Recommendation. 

429
00:20:25,040 --> 00:20:28,320
Der einfache Unterschied oder 
der der Grund, warum Netflix so 

430
00:20:28,320 --> 00:20:30,640
viel besser ist, ist, weil sie 
Wissenskraften einsetzen im 

431
00:20:30,640 --> 00:20:33,200
Vergleich zu Amazon Prime und 
dadurch können die eben super 

432
00:20:33,200 --> 00:20:36,720
coole Recommendations dir geben,
persönlich aber auch, und dass 

433
00:20:36,720 --> 00:20:38,800
das viel entscheidender, warum 
Netflix so wirklich gut 

434
00:20:38,800 --> 00:20:42,800
performen, die können den 
Wissensgraph dafür benutzen, die

435
00:20:42,800 --> 00:20:46,560
Insights der User Experience mit
deren Filmdaten zu matchen, um 

436
00:20:46,560 --> 00:20:50,320
darauf basierend neue Serien und
Filme zu produzieren, was ich 

437
00:20:50,320 --> 00:20:53,160
super spannend finde und 
vielleicht auch so noch mal so n

438
00:20:53,160 --> 00:20:54,640
bisschen den Punkt gibt, wo man 
eben. 

439
00:20:54,960 --> 00:20:57,440
Im Analytics Bereich auch 
Wissensgraphen sehr sehr 

440
00:20:57,440 --> 00:20:59,600
effizient einsetzen, obwohl wir 
selber das gar nicht merken. 

441
00:21:00,960 --> 00:21:02,960
Ein kurzer Hinweis in eigener 
Sache. 

442
00:21:03,120 --> 00:21:05,120
Kennst du das auch? 
Ihr seid gefangen zwischen 

443
00:21:05,120 --> 00:21:08,080
starrer, veralteter 
Standardsoftware und endlosen 

444
00:21:08,080 --> 00:21:11,320
Individualentwicklungsprojekten 
unsere Mission bei Heisenware 

445
00:21:11,320 --> 00:21:15,120
ist es, das zu beenden mit 
unserem App Baukasten geben wir 

446
00:21:15,120 --> 00:21:17,720
dir die Möglichkeit, 
maßgeschneiderte Software für 

447
00:21:17,720 --> 00:21:20,800
den Shopfloor schnell und ohne 
Code zu erstellen. 

448
00:21:21,280 --> 00:21:24,000
Denk an Maschinendatenerfassung 
moderne Visualisierung für die 

449
00:21:24,000 --> 00:21:26,640
Produktionsleiter oder eine 
mobile App zur Buchung von 

450
00:21:26,640 --> 00:21:30,800
Zeiten und das beste du kannst 
deine Lösung ganz einfach ohne 

451
00:21:30,800 --> 00:21:34,520
it Aufwand selbst betreiben. 
Kurz gesagt, günstiger als eine 

452
00:21:34,520 --> 00:21:37,760
externe Entwicklung unendlich 
passender als Software von der 

453
00:21:37,760 --> 00:21:39,600
Stange. 
Weitere Infos und eine 

454
00:21:39,600 --> 00:21:43,120
kostenlose 30 Tage Testphase 
findest du auf heisenware.com. 

455
00:21:43,200 --> 00:21:47,440
Einfach komplex und jetzt viel 
Spaß mit der weiteren Folge. 

456
00:21:49,760 --> 00:21:51,760
Ja, das war noch mal n richtig 
anfassbares Beispiel, das find 

457
00:21:51,760 --> 00:21:54,320
ich richtig cool, aber das nimmt
auch noch mal zusammen, was wir 

458
00:21:54,320 --> 00:21:57,600
ganz am Anfang gesagt haben, das
für bestimmte Probleme und 

459
00:21:57,760 --> 00:22:02,880
Amazon Prime versus Netflix und 
diese ganzen Dinger die damit zu

460
00:22:02,880 --> 00:22:04,960
tun haben auch warum ich 
irgendwas besser oder schlechter

461
00:22:04,960 --> 00:22:08,560
finde, Inhalte und so weiter das
sind ja hoch vernetzte 

462
00:22:08,560 --> 00:22:11,360
hochkomplexe Informationen. 
Jetzt sagst du noch mal unter 

463
00:22:11,360 --> 00:22:14,480
outperformt halt so ne 
Wissenskraft einfach die 

464
00:22:14,480 --> 00:22:17,920
schlichte SQL Implementierung ja
das ist schon cool ne ist total 

465
00:22:17,920 --> 00:22:20,240
anfassbar. 
Hast du noch mehr so Beispiele, 

466
00:22:20,240 --> 00:22:23,960
die wir, die wir kennen könnten.
Spotify ist zum Beispiel auch so

467
00:22:23,960 --> 00:22:27,280
n klassischer Case, die setzen 
massiv auf Wissensgraphen Google

468
00:22:27,360 --> 00:22:29,360
die komplette Google Maschine 
ist auf Wissensgraphen 

469
00:22:29,360 --> 00:22:34,480
aufgesetzt oder was was auch n 
sehr sehr klassisches Beispiel 

470
00:22:34,480 --> 00:22:37,120
ist. 
Wir alle ich jetzt nicht so, 

471
00:22:37,120 --> 00:22:43,200
aber viele mögen lieben Ikea und
Ikea hat nen Versuch gestartet, 

472
00:22:43,360 --> 00:22:46,760
die wollten nämlich ihren 
kompletten Physical Store in 

473
00:22:46,760 --> 00:22:50,840
ihren Digital Store Münzen. 
Und die haben das mit einer mit 

474
00:22:50,840 --> 00:22:52,800
dem Wissensgraf gemacht. 
Und was haben die gemacht, die 

475
00:22:52,800 --> 00:22:56,000
haben die Domänenexperten aus 
dem Store genommen, die mit den 

476
00:22:56,000 --> 00:22:59,280
Techies zusammengesetzt haben 
eine Ontologie gebaut, basierend

477
00:22:59,280 --> 00:23:02,640
auf dem Wissen von dem Store um 
den dann komplett auf den Online

478
00:23:02,640 --> 00:23:08,480
Store umzumünzen, um so die 
Erfahrung aus den Stores vor Ort

479
00:23:09,040 --> 00:23:12,080
online zu präsentieren und die 
haben ihren Umsatz verzehnfacht,

480
00:23:12,640 --> 00:23:17,080
weil die die ganzen Erfahrungen.
Eben aus den Physical Stores zum

481
00:23:17,080 --> 00:23:18,320
Beispiel. 
Das Kissen gehört zu dieser 

482
00:23:18,320 --> 00:23:22,200
Couch, wird gerne gekauft, 1 zu 
1 realtime auf die auf den 

483
00:23:22,200 --> 00:23:25,120
Online Store gemünzt haben. 
Das ist zum Beispiel auch so ein

484
00:23:25,120 --> 00:23:29,040
Beispiel, wo man es häufig 
einsetzt beziehungsweise nie 

485
00:23:29,040 --> 00:23:33,200
merkt, dass man es benutzt. 
Ein anderes Beispiel wäre zum 

486
00:23:33,200 --> 00:23:36,560
Beispiel auch im About You 
Modegeschäft. 

487
00:23:37,280 --> 00:23:40,480
Ganz häufig suchen wir nach 
irgendwelchen Modelinien. 

488
00:23:40,640 --> 00:23:43,520
Und wir finden das Teil nicht, 
weil die, weil du meistens nicht

489
00:23:43,520 --> 00:23:45,560
nach den Modelinien suchst, 
sondern nach den Stars, die die 

490
00:23:45,560 --> 00:23:49,320
angeworben haben. 
Und je besser du da dein Wissen,

491
00:23:49,320 --> 00:23:51,680
die Relation vernetzt, desto 
besser funktioniert natürlich 

492
00:23:51,680 --> 00:23:54,720
auch die Suche und je höher ist 
der Warenkorb und da kannst du 

493
00:23:54,720 --> 00:23:57,080
zum Beispiel auch Gute Online 
Stores von schlechten online 

494
00:23:57,080 --> 00:23:59,840
Stores unterscheiden. 
Ja, kann ich verstehen. 

495
00:24:00,480 --> 00:24:02,960
Und jetzt wollte ich euch nicht 
aufhalten, dass ihr über die KI 

496
00:24:02,960 --> 00:24:04,960
sprecht, ne? 
Ich, ich übertrag das noch, ich 

497
00:24:04,960 --> 00:24:07,200
will, ich will die Spannung, die
Spannungsboden noch n bisschen 

498
00:24:07,200 --> 00:24:09,120
dehnen. 
Bevor wir darüber sprechen, 

499
00:24:09,360 --> 00:24:12,400
einmal kurze Frage. 
Das klang jetzt alles noch n 

500
00:24:12,400 --> 00:24:15,520
bisschen abstrakt und so weiter 
es ist ja, aber du hast ja 

501
00:24:15,520 --> 00:24:18,400
gesagt, es ist im Einsatz, es 
ist anfassbar, es funktioniert 

502
00:24:18,800 --> 00:24:24,080
Technologie die es gibt in gibt 
es Frameworks, Tools die man 

503
00:24:24,080 --> 00:24:26,960
kennen muss, die wichtigsten 
vielleicht also Implementierung 

504
00:24:26,960 --> 00:24:30,240
von wissenskraft, Datenbanken 
und so weiter wie kann man, wenn

505
00:24:30,240 --> 00:24:32,200
man das mal ich sag mal mal 
Softwareentwickler ist oder so, 

506
00:24:32,200 --> 00:24:33,440
wenn man es mal ausprobieren 
will. 

507
00:24:35,120 --> 00:24:37,600
Also ich weiß ja ne postquest 
ich hol mir n dockercontainer 

508
00:24:37,760 --> 00:24:40,400
Pack da ne postquest Datenbank 
rein, dann fang ich an und dann 

509
00:24:40,400 --> 00:24:42,560
geht das relativ schnell. 
Wenn ich das jetzt mal machen 

510
00:24:42,560 --> 00:24:44,720
will und will mal ausprobieren 
wirklich händisch. 

511
00:24:44,960 --> 00:24:48,080
Was ist denn das Wissenskrafen 
und so weiter was nehm ich denn 

512
00:24:48,080 --> 00:24:49,920
da? 
Ja, da nimmst du auf jeden Fall 

513
00:24:49,920 --> 00:24:53,600
zentris ne klar, also. 
Style Vorlage. 

514
00:24:55,600 --> 00:24:57,760
Na ja, also also ich kann das 
Beispiel jetzt mal an Tentris zu

515
00:24:57,760 --> 00:24:59,600
Ende gehen, aber du kannst, ich 
nenn dir gleich noch n paar 

516
00:24:59,600 --> 00:25:02,920
andere, also für für normal hat 
jeder vender wenn du eine 

517
00:25:02,920 --> 00:25:05,200
Grafdatenbank betreibst, ne 
Documentation der du sehr sehr 

518
00:25:05,200 --> 00:25:08,800
gut follow kannst und dann gibt 
es meistens example 

519
00:25:08,880 --> 00:25:10,560
wissensgraphen die du dann 
reinladen kannst. 

520
00:25:10,560 --> 00:25:13,440
Und dann gibt es ne Anleitung 
quasi wie du die Anfrage quasi 

521
00:25:13,440 --> 00:25:15,240
schalten sollst. 
Und dann gibt es quasi spacle 

522
00:25:15,240 --> 00:25:18,600
One A, One Sessions oder LPG One
A One Sessions und dann gehst du

523
00:25:18,600 --> 00:25:21,200
da relativ straight durch. 
Spacle ist für den Anfang 

524
00:25:21,200 --> 00:25:23,840
meistens immer n bisschen 
komplexer, weil es quasi aus dem

525
00:25:23,920 --> 00:25:26,680
akademischen kommt. 
Deswegen sagen wir immer, wenn 

526
00:25:26,680 --> 00:25:29,560
du nen ersten schnellen Schritt 
im Wissenskraftbereich machen 

527
00:25:29,560 --> 00:25:32,520
möchtest, geh mit Neo for J. 
Das ist der größte Platsch hier 

528
00:25:32,520 --> 00:25:35,280
ist, da findest du alles, da ist
quasi alles in der Cloud drinne,

529
00:25:35,520 --> 00:25:38,120
musst du nicht groß irgendwie 
was selber im Dockercontainer 

530
00:25:38,120 --> 00:25:40,160
oder so hosten, dann kannst 
direkt quasi in deren Cloud 

531
00:25:40,160 --> 00:25:42,720
Environment gehen. 
Machst du die ersten Use Cases 

532
00:25:42,720 --> 00:25:46,080
und wenn du dann wissensgrafen 
spannend findest, musst du dir 

533
00:25:46,080 --> 00:25:48,360
eben überlegen. 
Was ist dir wirklich wichtig? 

534
00:25:48,360 --> 00:25:50,440
Es gibt eben so n paar 
Unterschiede, zum Beispiel bei 

535
00:25:50,440 --> 00:25:53,360
Labit Procticrus bei Neo for J 
hast du keine Ontologie, also 

536
00:25:53,360 --> 00:25:55,880
keine formale Semantik, deswegen
würdest du dann eher zum 

537
00:25:55,880 --> 00:25:59,480
Beispiel Richtung uns gehen, die
Semantic eben supporten, dann 

538
00:25:59,480 --> 00:26:01,960
hast du dann eben so immer so ne
gewisse Abwägung, ne, aber per 

539
00:26:01,960 --> 00:26:04,680
se hast du, wenn du Tetris zum 
Beispiel nutzen möchten würdest.

540
00:26:04,680 --> 00:26:08,000
Also unser Datenmodell hättest 
du uns innerhalb von 34 Minuten 

541
00:26:08,160 --> 00:26:11,800
gedownloaded hochgeladen, den 
Lizenzkey und du könntest 

542
00:26:11,800 --> 00:26:14,640
starten, tatsächlich, weil wir 
es so gebaut haben, dass es sehr

543
00:26:14,640 --> 00:26:15,880
sehr einfach tatsächlich nutzbar
ist. 

544
00:26:15,880 --> 00:26:17,120
Und das ist bei anderen nicht 
der Fall. 

545
00:26:17,520 --> 00:26:19,560
Cool? 
Ja, das war ja, ist ja auch mal 

546
00:26:19,560 --> 00:26:21,440
wichtig, dass man muss ja auch 
mal sagen, warum man sich 

547
00:26:21,440 --> 00:26:24,320
auskennt und so weiter du bist 
natürlich mit dem mit einem 

548
00:26:24,320 --> 00:26:27,280
Schirm her über ein schönes 
Produkt wirst du da erfahren und

549
00:26:27,360 --> 00:26:29,640
kannst das auch gerne hier auch 
ruhig mal anbieten, ne, das ist 

550
00:26:29,640 --> 00:26:32,360
richtig gut, ja gerne mal 
ausprobieren tentos ich werd es 

551
00:26:32,360 --> 00:26:34,360
mal ich ich hoffe ich hab mal 
ich bei mir ist immer das 

552
00:26:34,360 --> 00:26:36,800
Problem wenn ich keine Zeit hab 
aber ich würd es echt gern mal 

553
00:26:36,800 --> 00:26:39,480
ausprobieren weil die die 
Empfehlung geht ab wenn man es 

554
00:26:39,480 --> 00:26:41,680
mal in die Hand genommen hat 
wenn man wirklich mal was 

555
00:26:41,680 --> 00:26:43,920
gemacht hat damit dann glaub ich
kommt das Verständnis noch 

556
00:26:43,920 --> 00:26:46,040
tiefer. 
Irgendwie rein, als wenn man nur

557
00:26:46,040 --> 00:26:48,320
drüber spricht. 
Ja, also alle gerne mal 

558
00:26:48,320 --> 00:26:50,000
ausprobieren. 
Ja ich sag das mal jetzt mal 

559
00:26:50,640 --> 00:26:52,880
gucken wieviel zuhören, dann 
wann eure Webseite explodiert. 

560
00:26:54,160 --> 00:26:57,200
Ich würd fairerweise sagen, also
macht es gar nicht so auf Tetris

561
00:26:57,200 --> 00:27:00,080
abhängig oder so, sondern 
entscheidet für euch selber, wie

562
00:27:00,080 --> 00:27:02,760
viele relationale Beziehungen 
haben wir denn bei uns überhaupt

563
00:27:02,760 --> 00:27:04,880
im Unternehmen? 
Macht es überhaupt Sinn so ne 

564
00:27:04,880 --> 00:27:08,560
Graph Datenbank mal auszutesten 
und wenn ihr dann, wenn ihr zum 

565
00:27:08,560 --> 00:27:11,000
Beispiel das Problem dann habt 
oder seht boah wir haben voll 

566
00:27:11,000 --> 00:27:14,080
viele Joints bei uns vorliegen. 
Und wir haben total viele 

567
00:27:14,080 --> 00:27:17,280
komplexe Beziehungen, die wir 
besser mappen wollen, weil wir 

568
00:27:17,280 --> 00:27:18,880
es selber datentechnisch 
hinbekommen. 

569
00:27:19,040 --> 00:27:21,720
Dann guckt euch das das 
Wissenskraftmodell an, es gibt 

570
00:27:21,720 --> 00:27:25,440
super viele unterschiedliche 
Wände, Neo for J Graph, TB. 

571
00:27:25,440 --> 00:27:28,160
Uns gibt es, dann gibt es auch 
Open Source Lösungen wie Fuseki 

572
00:27:28,160 --> 00:27:31,200
zum Beispiel, die kann man auch 
super zum Einstieg nutzen, also 

573
00:27:31,200 --> 00:27:34,960
es gibt super viele Educational 
Tutorials, es gibt super viele 

574
00:27:35,200 --> 00:27:38,000
coole Triple Stores oder auch 
eben Graph Datenbanken. 

575
00:27:38,320 --> 00:27:40,880
Einfach Rausschießen und dann 
eben das Beste nehmen, was einem

576
00:27:40,880 --> 00:27:43,960
selber quasi gut, also wo man am
besten mit klarkommt. 

577
00:27:44,400 --> 00:27:46,640
Gibt es so ne Art 
Migrationsprozess? 

578
00:27:46,640 --> 00:27:49,440
Also angenommen ich hab schon, 
du hast das Unternehmen genannt 

579
00:27:49,440 --> 00:27:51,920
in einem bestimmten Bereich ne 
Datenbank im Einsatz, vielleicht

580
00:27:52,560 --> 00:27:54,240
für Produktionsplanung oder 
sowas. 

581
00:27:54,240 --> 00:27:58,080
Ja und jetzt möchte ich mal 
einfach mal testen ausprobieren 

582
00:27:58,080 --> 00:28:00,840
und kann ich dann irgendwie gibt
es so Tools die dabei helfen 

583
00:28:00,840 --> 00:28:03,120
oder muss ich das händisch dann 
machen oder wie wie wie könnte 

584
00:28:03,120 --> 00:28:04,560
man sich so n Prozess 
vorstellen? 

585
00:28:05,040 --> 00:28:08,000
Ja, also wenn wir jetzt mal das 
Beispiel nehmen, ich hab ne SGL 

586
00:28:08,000 --> 00:28:10,880
Datenbank, ich hab da meine 
Daten und ich würde die Daten 

587
00:28:11,040 --> 00:28:14,080
gerne in ne Wissenskraft 
transformieren, dann gibt es 

588
00:28:14,080 --> 00:28:17,520
einfach n mapper diesen open 
Source r to RML zum Beispiel 

589
00:28:17,680 --> 00:28:21,880
kann man super einfach benutzen,
ob man das ich sag mal entweder 

590
00:28:21,880 --> 00:28:24,720
mit einem bisschen gehirnschmalz
selber hinbekommt oder ob man 

591
00:28:24,720 --> 00:28:28,160
jemanden fragt, das ist dann 
immer so quasi die Bio do it 

592
00:28:28,160 --> 00:28:30,640
yourself Sache. 
Aber das ist auf jeden Fall Open

593
00:28:30,640 --> 00:28:32,320
Source verfügbar. 
Dann kann man das in den Wissen,

594
00:28:32,320 --> 00:28:34,480
in den in die Grafdatenbank 
Reinladen und dann quasi 

595
00:28:34,480 --> 00:28:36,320
Anfragen darauf stellen. 
Also das ist möglich. 

596
00:28:36,480 --> 00:28:37,760
Aber dann muss ich ja schon 
noch. 

597
00:28:38,280 --> 00:28:40,080
Also wenn ich jetzt nicht 
komplett falsch abgebogen bin, 

598
00:28:40,080 --> 00:28:44,000
mental in den letzten Minuten, 
die wir geredet haben, muss ich 

599
00:28:44,000 --> 00:28:46,640
ja, kann ich ja nicht 1 zu 1 
überbügeln, weil ich hab ja 

600
00:28:46,640 --> 00:28:49,360
Informationen nicht, die ich 
vielleicht noch brauche, also 

601
00:28:49,360 --> 00:28:51,760
ich muss ja vielleicht noch n 
bisschen mehr assoziative 

602
00:28:51,760 --> 00:28:53,840
Informationen zu geben, als dass
ich einfach nur mein 

603
00:28:53,840 --> 00:28:57,120
relationales datenbankdingel da 
irgendwie in ne wissensgraph 

604
00:28:57,120 --> 00:28:59,080
reinschütte, oder? 
Wieder jetzt was falsch 

605
00:28:59,080 --> 00:29:02,160
verstanden. 
Es kommt auf die Größe des Use 

606
00:29:02,160 --> 00:29:04,080
Cases an. 
Tatsächlich für normal würde ich

607
00:29:04,080 --> 00:29:06,400
jetzt vermuten, dass du jetzt 
nicht mit vielen Zeilen und 

608
00:29:06,400 --> 00:29:09,600
spalten quasi so n Use Case so 
NPOC machen wollen würdest. 

609
00:29:09,680 --> 00:29:12,000
Wir machen das Ganze meistens 
so, dass wir den Unternehmen 

610
00:29:12,000 --> 00:29:14,000
sagen. 
Hey, gebt uns mal n kleines 

611
00:29:14,000 --> 00:29:16,720
Datenmodell, muss gar nicht groß
sein, wir transformieren euch 

612
00:29:16,720 --> 00:29:18,960
das relativ zügig, weil wir es 
eben wissen wie es geht. 

613
00:29:18,960 --> 00:29:22,680
In einem Wissenscarve geben euch
die turns Instanz und dann könnt

614
00:29:22,680 --> 00:29:25,360
ihr damit quasi n bisschen 
rumspielen und das funktioniert,

615
00:29:25,360 --> 00:29:28,040
das ist für uns n paar Minuten 
tatsächlich gemacht und das 

616
00:29:28,040 --> 00:29:30,680
kannst du eben bei anderen 
Benders genauso machen, nicht 

617
00:29:30,680 --> 00:29:32,880
bei allen, aber zum Beispiel 
auch bei Neo 4 J kannst du dir 

618
00:29:32,880 --> 00:29:37,800
quasi deine Daten kannst du 
quasi musst du erst importieren,

619
00:29:37,800 --> 00:29:40,320
dann kannst du die wieder bei 
Neo 4 J exportieren für nen 

620
00:29:40,320 --> 00:29:42,560
kleinen Use Case und dann damit 
auch selber rumspielen. 

621
00:29:43,120 --> 00:29:46,320
Alles klar, cool, jetzt ist die 
Zeit gekommen, glaube ich. 

622
00:29:46,480 --> 00:29:49,360
Seid ihr alle bereit für das 
Highlight dieser Folge. 

623
00:29:49,600 --> 00:29:52,240
Spaß beiseite jetzt, jetzt 
sprechen wir mal über KI und 

624
00:29:52,240 --> 00:29:54,760
warum, warum jetzt? 
Wir hatten zuerst die Geschichte

625
00:29:54,760 --> 00:29:56,560
erzählt, man wollte mal 
eigentlich das Internet 

626
00:29:56,560 --> 00:29:58,840
semantisch machen, damit es 
besser durchsuchbar ist und so 

627
00:29:58,840 --> 00:30:02,080
weiter vielleicht es kommt jetzt
erst die Epoche, in der das 

628
00:30:02,080 --> 00:30:06,720
tatsächlich passiert und zwar 
mit Hilfe von KI und ich Gleis 

629
00:30:06,720 --> 00:30:08,880
das Thema mal an, weil wir 
hatten schon mal ne Folge 

630
00:30:08,880 --> 00:30:13,280
Garrett über RAG AI. 
Das ist hier das Stichwort RAG 

631
00:30:13,360 --> 00:30:16,880
nur mal kurz zur Erinnerung 
heißt Retrieval Augmented 

632
00:30:17,200 --> 00:30:21,840
Generation AI und noch mal ganz 
kurz abgesprochen, was ist das 

633
00:30:22,240 --> 00:30:24,920
die AI die ihr so kennt wenn ihr
irgendwas eintippt in den prompt

634
00:30:24,920 --> 00:30:28,880
irgendwie bei Jet GBT Germany 
und Co da da ist quasi der 

635
00:30:28,880 --> 00:30:31,720
Kontext den ihr rein gibt ist 
quasi wird direkt dem Modell zur

636
00:30:31,720 --> 00:30:35,400
Verfügung gestellt und auf 
diesen Kontext und dem gelernten

637
00:30:35,400 --> 00:30:39,120
Neuronalen. 
Netzwerk der Anatomie, also dem 

638
00:30:39,120 --> 00:30:41,720
hier in dem Modell, quasi das, 
was das alles so kennt mit den 

639
00:30:41,720 --> 00:30:43,920
Gewichten, kommt quasi eine 
Antwort raus. 

640
00:30:44,240 --> 00:30:47,360
So weit so gut, das ist noch 
nicht RAG AI, das ist erstmal 

641
00:30:47,440 --> 00:30:50,640
nur AI sag ich mal. 
Verhaftet mich wieder nicht wenn

642
00:30:50,640 --> 00:30:53,160
ich jetzt das mal sehr einfach 
gerade darstelle, aber was ist 

643
00:30:53,160 --> 00:30:57,680
das RAG an dem AI dran, das 
heißt quasi ich nehme jetzt 

644
00:30:57,680 --> 00:31:00,720
extra Informationen die das 
Modell nicht kennt. 

645
00:31:00,880 --> 00:31:03,320
Das Modell hat zwar dieses ganze
Internet irgendwie durchleuchtet

646
00:31:03,320 --> 00:31:05,040
und so weiter ist auch nicht 
ganz blöd, ja. 

647
00:31:05,680 --> 00:31:07,200
Aber ich hab jetzt irgendwie 
noch ganz viele PDFS, Dokumente,

648
00:31:07,200 --> 00:31:09,280
accels, Bilder, was weiß ich von
meiner Firma. 

649
00:31:09,280 --> 00:31:12,320
Die letzten 20 Jahre oder 
irgendsowas jemand hat das auf n

650
00:31:12,320 --> 00:31:14,320
Scanner gelegt und so weiter wie
auch immer ja also Informationen

651
00:31:14,320 --> 00:31:17,680
die halt einfach das Modell 
nicht hat, die auch vielleicht 

652
00:31:17,680 --> 00:31:20,240
sogar privat für mich sind und 
die ich dem gar nicht wo ich 

653
00:31:20,240 --> 00:31:22,880
auch happy bin, dass das so n 
Modell das nämlich nicht weiß ja

654
00:31:22,880 --> 00:31:28,280
wie kann ich jetzt ne KI nutzen,
sodass aber trotzdem diese Daten

655
00:31:28,280 --> 00:31:31,680
die ich ja hab und das kann sehr
sehr sehr sehr sehr viele sein. 

656
00:31:32,880 --> 00:31:36,480
Benutzt werden für die KI, um 
Aussagen zu machen. 

657
00:31:36,480 --> 00:31:39,280
Ja und ich kann es halt nicht 
einfach in den Chat prompt 

658
00:31:39,280 --> 00:31:42,520
reingeben, weil wir haben so ne 
Art Token Fenster, also die die 

659
00:31:42,520 --> 00:31:45,280
Anzahl der der Zeilen. 
Das hat mir auch mal in der 

660
00:31:45,280 --> 00:31:47,840
Folge die ich da oder der 
Tokens, ja da der Inhalte quasi 

661
00:31:47,840 --> 00:31:50,760
die ich dem KI Modell direkt 
reinwerfen kann ist halt immer 

662
00:31:50,760 --> 00:31:54,720
noch limitiert und deswegen 
versuche ich diese Daten die ich

663
00:31:54,720 --> 00:31:57,920
selber hab vorzustrukturieren 
und wie wird das gemacht? 

664
00:31:58,320 --> 00:32:00,400
Ich geh durch die Dokumente 
durch Junket die. 

665
00:32:00,880 --> 00:32:02,200
Also wild, also richtig 
technisch. 

666
00:32:02,200 --> 00:32:03,600
Man kann es mir mit der Axt 
vorstellen. 

667
00:32:03,600 --> 00:32:07,200
Ja, ich hab n ich hab NPDF 24 
Seiten und irgendwie weiß ich 

668
00:32:07,200 --> 00:32:12,160
nicht alle 300 Wörter mach ich n
zack ja und dann dann werden die

669
00:32:12,160 --> 00:32:16,400
quasi diese Inhalte als Vektoren
abgespeichert mit dem Wedding 

670
00:32:16,400 --> 00:32:20,080
Vektoren in der Datenbank 
hinterlegt und jetzt mal ganz 

671
00:32:20,080 --> 00:32:22,960
ganz grob gesprochen wenn ich 
jetzt ne Anfrage ans KI Modell 

672
00:32:22,960 --> 00:32:28,080
mache, dann wird vorher diese 
Datenbank angefragt aber nur mit

673
00:32:28,080 --> 00:32:30,960
einer. 
Euklidischen abstandsdistanz sag

674
00:32:30,960 --> 00:32:32,480
ich mal. 
Also es wird etwas nur geguckt 

675
00:32:32,640 --> 00:32:38,080
sind wo sind Ähnlichkeiten vom 
Wort her in meiner Datenbank. 

676
00:32:38,320 --> 00:32:40,640
Das ist aber eigentlich stumpf, 
also das sind zwar schon 

677
00:32:40,640 --> 00:32:44,640
Ähnlichkeiten kontextuelle, aber
in dieser in diesem Retrieval 

678
00:32:44,640 --> 00:32:48,800
Prozess steckt nichts drin über 
ne Semantik, das ist da einfach 

679
00:32:48,800 --> 00:32:54,160
stupider mathematischer 
Vergleich von Ähnlichkeiten von 

680
00:32:54,400 --> 00:32:57,400
von Wörtern sag ich mal ja und 
wenn ich das über 4567 Dokumente

681
00:32:57,400 --> 00:32:59,880
verteilt hab Informationen. 
Dann kommen die Halt einzeln da 

682
00:32:59,880 --> 00:33:03,240
an und dann dann verliert aber 
eigentlich im Prinzip die KIN 

683
00:33:03,240 --> 00:33:07,280
bisschen diesen Kontext und so 
weiter ja und jetzt ist die Idee

684
00:33:07,600 --> 00:33:11,520
und jetzt bist du gleich dran 
Tobi das aufzuhören, diese diese

685
00:33:11,520 --> 00:33:14,320
Vektor, also diese 
Vektordatenbank zu füllen mit 

686
00:33:14,320 --> 00:33:18,560
diesen mit der Axt gechankten 
Stücken, sondern glaube ich, 

687
00:33:18,560 --> 00:33:21,280
wenn ich es richtig verstanden 
hab, quasi mit Graph. 

688
00:33:21,280 --> 00:33:23,120
Also wir machen nicht mehr, wir 
machen nicht Rack, sondern wir 

689
00:33:23,120 --> 00:33:24,640
machen Graph Rack oder 
Irgendsowas. 

690
00:33:25,040 --> 00:33:29,040
Und und diese diese Suchanfrage,
die die KI macht, um um dann 

691
00:33:29,280 --> 00:33:32,320
relevanten Kontext mit ins 
Modell zu geben, passiert halt 

692
00:33:32,320 --> 00:33:35,840
gerade wieder die Wissenskraft 
wissenskraft weil, und das wird 

693
00:33:35,840 --> 00:33:38,880
zu besseren Ergebnissen führen, 
vielleicht weil weil nämlich 

694
00:33:38,880 --> 00:33:42,320
halt da ne Semantik drinne ist 
und schon und da schon quasi die

695
00:33:42,320 --> 00:33:45,080
ähnlicheren Sachen mit 
zusammengezogen werden, hab ich 

696
00:33:45,080 --> 00:33:49,040
das richtig gesagt, oder? 
Ja, das geht schon voll in die 

697
00:33:49,040 --> 00:33:51,480
in die richtige Richtung. 
Man kann eigentlich das so sich 

698
00:33:51,480 --> 00:33:54,920
darstellen, so im High Level, 
wir haben das LLM oder sagen wir

699
00:33:54,920 --> 00:33:58,640
mal JGPT man stellt irgend nen 
prompt und das erste was 

700
00:33:58,640 --> 00:34:01,400
passiert ist, man muss sich 
erstmal die Ganzen den die Text 

701
00:34:01,400 --> 00:34:04,840
Snippets angucken bedeutet man 
braucht nen Textindex um zu 

702
00:34:04,840 --> 00:34:08,000
gucken OK wo wo sehen wir 
gewisse Ähnlichkeiten, wo gibt 

703
00:34:08,000 --> 00:34:10,480
es Überschneidungen um zum 
Beispiel für irgendwelche 

704
00:34:10,480 --> 00:34:13,199
Rechtschreibfehler, Grammatik, 
Thematiken et cetera PP 

705
00:34:13,199 --> 00:34:16,159
auszumerzen und dann gehst du 
quasi in den Graph rein. 

706
00:34:16,639 --> 00:34:19,719
Durch die Ontologie hast du ja 
schon ne gute Struktur dem 

707
00:34:19,719 --> 00:34:22,320
Datenmodell gegeben. 
Dann guckst du dir den Teilgraph

708
00:34:22,320 --> 00:34:23,800
an. 
Der Teilgraph wird dann quasi 

709
00:34:23,800 --> 00:34:26,360
zurück an das LLM in das Window 
geschickt und dann wird daraus 

710
00:34:26,360 --> 00:34:29,520
die Antwort generiert und da das
coole daran ist, wenn das eben 

711
00:34:29,520 --> 00:34:31,600
in der Datenbank selber liegt, 
hast du eben keine Halluzination

712
00:34:31,600 --> 00:34:34,719
auf der einen Seite, weil ne 
Datenbank kann nur 1 oder 0 

713
00:34:34,719 --> 00:34:38,000
abgeben. 
Und die größte Differenzierung 

714
00:34:38,239 --> 00:34:41,600
zum Vectorbasierten Rack ist 
tatsächlich die Erklärbarkeit, 

715
00:34:41,600 --> 00:34:44,000
wo wir vorhin schon n bisschen 
drüber gesprochen haben, weil du

716
00:34:44,000 --> 00:34:45,920
kannst die Daten tatsächlich 
visualisieren. 

717
00:34:45,920 --> 00:34:49,040
Also du kannst sie als Mensch 
nachverfolgen, im Vectorraum nun

718
00:34:49,040 --> 00:34:51,920
gut, Good Good luck mit dem 
quasi repräsentieren, so nach 

719
00:34:51,920 --> 00:34:55,280
dem Motto oder visualisieren ne 
und das ist quasi so der größte 

720
00:34:55,280 --> 00:34:58,480
Unterschied von Graph Rack zu zu
Vector Rack und gerade wenn es 

721
00:34:58,480 --> 00:35:01,000
eben darum kommt, dass man nicht
nur Hunderte Dokumente, sondern 

722
00:35:01,000 --> 00:35:03,200
1000 Dokumente hat, 
unterschiedliche Silos, 

723
00:35:03,200 --> 00:35:06,240
unterschiedliche Strukturen. 
In Unternehmen selber. 

724
00:35:06,240 --> 00:35:08,320
Dann kannst du eben nicht mehr 
nach Ähnlichkeiten suchen, da 

725
00:35:08,320 --> 00:35:10,880
musst du nach formaler Semantik 
suchen, nach formalen 

726
00:35:10,880 --> 00:35:13,480
Definitionen und das geht dann 
nur durch Wissensgraphen und 

727
00:35:13,480 --> 00:35:15,440
deswegen haben wir jetzt quasi 
diesen Hype der 

728
00:35:15,440 --> 00:35:17,960
Vektordatenbanken und Co. 
Ad acta gelegt. 

729
00:35:17,960 --> 00:35:20,360
Wir hatten tatsächlich am Anfang
mal vor gut 2 Jahren darüber 

730
00:35:20,360 --> 00:35:23,040
überlegt ne eigene 
Vektordatenbank einzubauen, das 

731
00:35:23,040 --> 00:35:24,760
ist gar nicht mehr nötig, weil 
du das quasi über diesen 

732
00:35:24,760 --> 00:35:27,600
Textindex, diese textsuche super
einfach hinbekommst. 

733
00:35:28,240 --> 00:35:30,000
Und wenn ihr wollt, kann ich 
euch gerne auch n Beispiel 

734
00:35:30,000 --> 00:35:31,840
geben. 
Im Industriekontext finden. 

735
00:35:31,840 --> 00:35:33,200
Also wenn wir die Zeit. 
Haben voll gerne. 

736
00:35:33,200 --> 00:35:35,200
Ich würd dir noch mal einen 
Schritt zurückgeben, wenn es OK 

737
00:35:35,560 --> 00:35:36,720
ist. 
Also wir sprechen immer noch 

738
00:35:36,720 --> 00:35:40,960
über die gleichen LLMS wie sie 
da sind, so die, die auf dieser 

739
00:35:40,960 --> 00:35:43,040
Transformarchitektur basieren 
und so weiter da will keiner 

740
00:35:43,040 --> 00:35:46,560
dran, aber es gibt Rack wo ich 
mein Wissen dazu gebe und da 

741
00:35:46,560 --> 00:35:48,560
kann ich entweder ne 
Vektordatenbank nehmen oder ne 

742
00:35:48,800 --> 00:35:51,040
oder oder knowledge sprachliste 
das ist ne Kraft DB. 

743
00:35:51,920 --> 00:35:54,480
Ich beschreib das immer ganz 
gerne so, dass dass wir n Brain 

744
00:35:54,480 --> 00:35:56,960
haben und unser menschliches 
Gehirn. 

745
00:35:57,280 --> 00:35:58,640
Besteht ja auch nicht aus 
Vektoren. 

746
00:35:58,640 --> 00:36:01,040
Das besteht aus Beziehungen aus 
relationalen Beziehungen 

747
00:36:01,040 --> 00:36:03,600
zwischen unseren Synapsen, 
zwischen den Neuronen und so 

748
00:36:03,600 --> 00:36:06,280
weiter und sofort. 
Und das LLM ist letztlich unser 

749
00:36:06,280 --> 00:36:09,280
Mund, das Sprachrohr, das gibt 
nur quasi die Inferenz, die 

750
00:36:09,280 --> 00:36:11,880
Schlussfolgerung, die in 
Wissenskraft selber sind aus und

751
00:36:11,880 --> 00:36:14,880
das LLM selber muss, bedingt 
durch die Graf Struktur, die wir

752
00:36:14,880 --> 00:36:16,760
ja schon in unserem Kopf haben, 
gar nicht mehr die 

753
00:36:16,760 --> 00:36:19,880
Schlussfolgerung geben. 
Aber noch mal, um genau gerrits 

754
00:36:19,880 --> 00:36:22,480
Frage zu beantworten. 
Ich glaube ja, das ist richtig. 

755
00:36:22,480 --> 00:36:26,400
Ne, du hast jetzt also das LLM. 
Ist ja n Modell und das ist 

756
00:36:26,400 --> 00:36:27,760
abgeschlossen. 
Ja was heißt abgeschlossen, aber

757
00:36:27,760 --> 00:36:30,320
das ist ja erstmal fertig, 
trainiert ja so wenn wir es also

758
00:36:30,400 --> 00:36:32,600
wenn wir jetzt an Jamie ny 
denken oder sowas, ja das ist ja

759
00:36:32,600 --> 00:36:35,080
n spezielles Modell ist 
natürlich immer im Hintergrund 

760
00:36:35,080 --> 00:36:37,360
weiter trainiert und so weiter 
von den Firmen so, aber am am 

761
00:36:37,360 --> 00:36:40,320
Ende ist es erstmal fertig. 
Ja und und tatsächlich sprechen 

762
00:36:40,320 --> 00:36:43,360
wir und das wir verifizieren das
noch mal mit dir Tobi wir wir 

763
00:36:43,360 --> 00:36:47,360
sprechen über diesen Anteil wo 
ich quasi wie kriege ich noch 

764
00:36:47,360 --> 00:36:51,840
mehr präziser Informationen in 
ein fertiges Modell rein ne und 

765
00:36:51,920 --> 00:36:56,160
Rack ist halt eine Technik. 
Und Graphrack, also wo der wo 

766
00:36:56,160 --> 00:36:58,360
das raussuchen vom richtigen 
Kontext. 

767
00:36:58,360 --> 00:37:02,480
Man könnte so ne Art sagen 
Vorfilterung von relevanten 

768
00:37:02,480 --> 00:37:06,160
Informationen ist ist es ist 
dann halt einfach schicker. 

769
00:37:06,160 --> 00:37:09,680
Ja und wahrscheinlich ist es da 
wieder so, genauso wie bei den 

770
00:37:09,680 --> 00:37:12,080
Case, die du vorher gesagt hast.
Kommt halt drauf an wieviel 

771
00:37:12,080 --> 00:37:15,360
wieviel Daten hast du und wie 
assoziiert sind die wenn es 

772
00:37:15,680 --> 00:37:19,400
wahrscheinlich einfach riesige 
Mengen sind, dann dann performt 

773
00:37:19,400 --> 00:37:21,440
wahrscheinlich n wissenskraft da
an der Stelle schon wieder viel 

774
00:37:21,440 --> 00:37:23,680
besser als. 
Ja, aber wenn ich aber nur 

775
00:37:23,680 --> 00:37:25,800
irgendwie 10 PDFS hab oder 
irgend so was, dann ist es 

776
00:37:25,800 --> 00:37:27,520
wahrscheinlich gerade wurscht. 
Ja, dann kann ich auch irgendwie

777
00:37:27,520 --> 00:37:30,560
Chroma DB nehmen oder irgendwas 
als als Vector Datenbank, ja. 

778
00:37:30,600 --> 00:37:33,840
Es geht wirklich auf die großen 
Use Cases ne und große Use Cases

779
00:37:33,840 --> 00:37:37,600
beginnen dann, wenn du in 
unterschiedlichen Datensilos, 

780
00:37:37,600 --> 00:37:41,440
also zum Beispiel Marketing, 
Sales, Produktion unterwegs 

781
00:37:41,440 --> 00:37:44,400
bist, dann beginnen wir von 
unstrukturierten Daten zu 

782
00:37:44,400 --> 00:37:47,920
sprechen und dann kriegen Vector
Datenbanken extreme Probleme, 

783
00:37:47,920 --> 00:37:50,160
weil die Menschen 
unterschiedliche Begriffe. 

784
00:37:50,480 --> 00:37:52,880
Für das Produkt zum Beispiel 
selbst benutzen. 

785
00:37:52,880 --> 00:37:55,360
Und das kriegst du dann nur über
Wissensgraphen über 

786
00:37:55,520 --> 00:37:58,200
beziehungsweise durch Beziehung 
sehr sehr gut vernetzt. 

787
00:37:58,200 --> 00:38:00,320
OK, das wolltest du grad dein 
Beispiel machen, ne ne. 

788
00:38:00,720 --> 00:38:04,880
Also zum Beispiel ja, also zum 
Beispiel die so ne ganz 

789
00:38:04,880 --> 00:38:08,080
klassische Frage im Maschbau ist
ja häufig, warum fällt Maschine 

790
00:38:08,080 --> 00:38:11,840
XYZ aus, super nervig und wenn 
du dann zum Beispiel ne 

791
00:38:11,840 --> 00:38:14,800
Vektordatenbank benutzt. 
Kriegst du Ähnlichkeitsberichte,

792
00:38:14,800 --> 00:38:16,960
dann gehst du in die 
Serviceberichte rein und dann 

793
00:38:16,960 --> 00:38:20,000
sagt dir die vektordatenbank 
hey, es könnte an. 

794
00:38:20,000 --> 00:38:22,800
Zum Beispiel bei den 
Überhitzungen oder der Lagerung 

795
00:38:22,800 --> 00:38:26,080
liegen. 
So könnte es ist kein 1 oder 0. 

796
00:38:26,560 --> 00:38:29,600
Und wenn du jetzt zum Beispiel 
ne Graf Datenbank benutzt und 

797
00:38:29,600 --> 00:38:32,560
dieselbe Frage stellst, dann 
wird wird quasi eine 

798
00:38:32,560 --> 00:38:35,360
Ursachenforschung begonnen und 
die Antwort wäre dann nicht mehr

799
00:38:35,360 --> 00:38:39,840
könnte sondern hey, die Maschine
fällt aus, weil sich das Lager 

800
00:38:40,000 --> 00:38:42,960
XYZ. 
Enthält, was aktuell 

801
00:38:42,960 --> 00:38:47,160
zurückgeworfen und zurückgerufen
wird vom vom Entlieferanten und 

802
00:38:47,160 --> 00:38:49,720
zudem kann es in feuchter 
Umgebung beim Lagertyp vermehrt 

803
00:38:49,720 --> 00:38:51,800
zu ausfallen kommen. 
Und dann kommt eben noch mal 

804
00:38:51,800 --> 00:38:54,000
dieser Text, Search, dieser 
Textindex hinzu. 

805
00:38:54,320 --> 00:38:58,800
Empfohlene Maßnahmen, Austausch 
gemäß Rückruf XYZ und das sind 

806
00:38:58,800 --> 00:39:01,360
zum Beispiel dann die kompletten
Unterschiede, wo du dann 

807
00:39:01,360 --> 00:39:05,200
vectoric Search vectoric 
Ähnlichkeits Similarity Search 

808
00:39:05,360 --> 00:39:07,560
mit wirklich bravrek 
vergleichst, weil du dann 

809
00:39:07,560 --> 00:39:09,600
wirklich eine semantische 
Antwort bekommst. 

810
00:39:10,640 --> 00:39:12,120
Mhm, ich glaub ich hab es 
verstanden. 

811
00:39:12,160 --> 00:39:13,920
Ist es nicht auch total? 
Ist nicht auch n total 

812
00:39:13,920 --> 00:39:17,320
relevanter use Case wenn wir ich
sprech jetzt mal kurz von 

813
00:39:17,320 --> 00:39:19,120
unseren Entwicklern. 
Ja ich spreche ja selber das die

814
00:39:19,120 --> 00:39:21,880
ganze Zeit mache und wenn wir so
ne riesige Codebase haben, das 

815
00:39:21,880 --> 00:39:26,160
ist ja quasi auch wieso wie 
Marketing, Sales und und Betrieb

816
00:39:26,160 --> 00:39:27,560
und Produktion oder was weiß 
ich. 

817
00:39:27,560 --> 00:39:30,360
Du hast ja irgendwie boah du 
hast jetzt nicht microservice 

818
00:39:30,360 --> 00:39:32,240
und so weiter irgendwie haben 
die was miteinander zu tun 

819
00:39:32,240 --> 00:39:34,640
ähnliche Begrifflichkeiten auch 
von den verschiedenen 

820
00:39:34,640 --> 00:39:36,240
Entwicklerteams vielleicht 
gemacht und so. 

821
00:39:36,560 --> 00:39:39,920
Und das Verständnis über so ne 
Gesamtarchitektur von so einem 

822
00:39:39,920 --> 00:39:43,360
riesigen Code Ding. 
Ja, das könnte man ja auch 

823
00:39:43,360 --> 00:39:46,360
wahrscheinlich in so einer 
Wissens so Wissenskraft 

824
00:39:46,360 --> 00:39:50,280
darstellen, der dann auch wenn 
du dann übergreifende wenn du 

825
00:39:50,280 --> 00:39:52,640
sagst, OK, was passiert denn, 
wenn ich das und das hier 

826
00:39:52,640 --> 00:39:56,040
weglösche wenn ich wenn ich ne 
das ist ja oft ne Frage so n in 

827
00:39:56,040 --> 00:39:58,760
der das ist glaub ich der Grund 
warum viel Code kaputt geht, man

828
00:39:58,760 --> 00:40:01,040
macht irgendwas neu oder hier 
engineer irgendwas, man nimmt an

829
00:40:01,040 --> 00:40:03,960
irgendeiner Stelle weg und hat 
vergessen das ist irgendwie im 

830
00:40:03,960 --> 00:40:06,720
microservice XY. 
Das irgendwie auch noch Grad 

831
00:40:06,720 --> 00:40:08,720
relevant ist. 
Ja das hat irgendwo ne Beziehung

832
00:40:08,720 --> 00:40:10,640
dazu. 
Ja, könnte ja sein, dass meine 

833
00:40:10,640 --> 00:40:12,880
Wissenskraft das weiß, während 
ich es vergessen hab. 

834
00:40:12,880 --> 00:40:15,320
Ja und mir dann das Ding sagt so
Pass mal auf, da musst du 

835
00:40:15,320 --> 00:40:17,200
gucken, ja. 
Ja, absolut. 

836
00:40:17,200 --> 00:40:19,520
Also stimm ich 100% zu oder so n
so n. 

837
00:40:19,520 --> 00:40:22,880
Anderes Beispiel was ich jetzt 
gestern mitbekommen hab, fand 

838
00:40:22,880 --> 00:40:27,200
ich auch ganz spannend, da ging 
es um den Prime Minister von 

839
00:40:27,240 --> 00:40:30,600
Island wo dann herausgefunden 
wurde, bedingt durch die ganzen 

840
00:40:30,600 --> 00:40:34,880
relationalen Beziehungen, dass. 
Eine selbige Person, die er im 

841
00:40:34,880 --> 00:40:37,680
gleichen Haus wohnt und dass 
diese Person quasi n offshore 

842
00:40:37,680 --> 00:40:41,280
Konto hatte, wo Geld drauf 
transferiert wurde und dieses 

843
00:40:41,280 --> 00:40:44,040
Geld konnte dann zurückgeführt 
würden auf den isländischen 

844
00:40:44,040 --> 00:40:47,520
Prime Minister und nur so konnte
der quasi des Betrugs überführt 

845
00:40:47,520 --> 00:40:48,920
werden. 
Das hättest du eben nie 

846
00:40:48,920 --> 00:40:51,760
hinbekommen, hättest du quasi 
nicht diese ganzen Relationen 

847
00:40:51,760 --> 00:40:54,560
also zwischen. 
Prime Minister wohnt an Adresse 

848
00:40:54,560 --> 00:40:57,880
bei Person, wohnt bei Adresse 
bei subsidiary ist Y und so 

849
00:40:57,880 --> 00:41:01,120
weiter und sofort und das kannst
du zum Beispiel Fortbetrug, 

850
00:41:01,120 --> 00:41:03,400
Geldwäsche und Co. 
Sind die zum Beispiel auch super

851
00:41:03,400 --> 00:41:05,880
viel eingesetzt, weil es eben 
sehr sehr komplexe Beziehungen 

852
00:41:05,880 --> 00:41:08,240
sind und du das manchmal gar 
nicht nachvollziehen kannst, wo 

853
00:41:08,240 --> 00:41:09,840
was genau miteinander 
zusammenhängt. 

854
00:41:10,480 --> 00:41:14,200
Jetzt kam so n bisschen durch. 
OK, das ist jetzt ne alternative

855
00:41:14,200 --> 00:41:16,640
Art Rack zu machen. 
Also es gibt halt Graph Rack, 

856
00:41:17,680 --> 00:41:21,440
aber der de facto Standard ist 
noch ne vektordatenbank. 

857
00:41:21,840 --> 00:41:25,040
Zu nutzen, oder wie kann man 
sich das vorstellen? 

858
00:41:25,040 --> 00:41:28,160
Ist das gibt es da gegenläufige 
Bewegungen, ist der Markt Fifty 

859
00:41:28,160 --> 00:41:31,240
Fifty aufgeteilt, weil es gibt 
ja C Greg Anwendungen da 

860
00:41:31,240 --> 00:41:32,920
draußen. 
Ja, was wird denn da genutzt 

861
00:41:32,920 --> 00:41:36,040
jetzt in Wirklichkeit? 
Die Big Five gehen alle auf 

862
00:41:36,040 --> 00:41:39,520
Wissensgraphen. 
Also es gibt große Unternehmen, 

863
00:41:39,600 --> 00:41:42,320
die tatsächlich jetzt gesagt 
haben, wir ändern unser 

864
00:41:42,320 --> 00:41:45,920
komplettes Datenmodell auf 
Wissensgraphen, weil die Daten. 

865
00:41:46,160 --> 00:41:48,920
So rasant wachsen und dadurch, 
dass die Daten so rasant 

866
00:41:48,920 --> 00:41:53,080
wachsen, wachsen die Beziehungen
natürlich exponentiell, weil je 

867
00:41:53,080 --> 00:41:55,640
mehr Daten, umso mehr 
Beziehungen hast du und das 

868
00:41:55,640 --> 00:41:58,000
kannst du nicht mehr in einer 
Vektordatenbank Mergen 

869
00:41:58,480 --> 00:42:01,920
beziehungsweise gut abbilden. 
Und gerade wenn es Richtung AI 

870
00:42:01,920 --> 00:42:04,320
geht und die Daten immer größer 
werden, hast du keine Chance das

871
00:42:04,320 --> 00:42:06,320
mehr in der Vektordatenbank 
abzubilden und das war sie auch 

872
00:42:06,320 --> 00:42:09,360
verlässlich und auch erklärbar 
und wir hatten jetzt zum 

873
00:42:09,360 --> 00:42:13,440
Beispiel zuletzt n Use Case, wo 
wir vectordatenbank versus draf 

874
00:42:13,440 --> 00:42:16,040
Datenbank. 
Uns angeschaut haben und die 

875
00:42:16,040 --> 00:42:18,160
Graph Datenbank hat die 
Vectordatenbank outperformt, 

876
00:42:18,560 --> 00:42:22,240
weil wenn die Ontologie einmal 
sauber formuliert ist, dann 

877
00:42:22,240 --> 00:42:25,120
kannst du da deine kompletten 
Daten reinpacken, ganz easy 

878
00:42:25,120 --> 00:42:28,240
einfach hochladen und du hast 
keine falsche Antwort mehr und 

879
00:42:28,240 --> 00:42:30,840
du kannst ja jegliche Antworten 
einfach nachvollziehen, das ist 

880
00:42:30,840 --> 00:42:34,320
unfassbar cool und wenn du zum 
Beispiel ne neue Produktserie 

881
00:42:34,320 --> 00:42:37,360
oder ne neue Maschine dabei 
hast, passt die entweder direkt 

882
00:42:37,360 --> 00:42:40,000
in ne Ontologie rein. 
Oder wenn du quasi die Ontologie

883
00:42:40,000 --> 00:42:42,640
erweitern wollen wollen würdest.
Also das Schema kannst du 

884
00:42:42,640 --> 00:42:45,920
einfach weitere Klassen oder 
eben subcasts hinzufügen und 

885
00:42:45,920 --> 00:42:48,120
dann kannst du quasi wieder das 
Business Graph Modell erweitern.

886
00:42:48,640 --> 00:42:51,680
Also nein, es ist keine 
Vektordatenbank mehr benötigt, 

887
00:42:51,680 --> 00:42:54,720
du kannst komplett auf Graph 
Datenbank gehen um dann darauf 

888
00:42:54,720 --> 00:42:58,640
dein AI Rec Tool laufen zu 
lassen oder deine Recommendation

889
00:42:58,640 --> 00:43:00,240
laufen zu lassen. 
Cool. 

890
00:43:01,760 --> 00:43:03,400
Ich wüsste zwar nicht, wie ich 
es programmieren müsste 

891
00:43:03,400 --> 00:43:07,200
heutzutage noch, aber also wir 
wir also also mit so ne Rack AI 

892
00:43:07,200 --> 00:43:08,920
hab ich auch schon mal 
programmiert das da gibt es ja 

893
00:43:08,920 --> 00:43:11,040
auch Tools und so weiter aber 
da, das muss man sich einfach 

894
00:43:11,040 --> 00:43:12,800
mal angucken. 
Ja ich glaub man muss deswegen 

895
00:43:12,800 --> 00:43:15,200
machen wir auch den Podcast wir 
wir wir gucken auch mal was gibt

896
00:43:15,200 --> 00:43:18,400
es alles so und was sollte man 
sich auch noch mal reinziehen ja

897
00:43:18,560 --> 00:43:21,680
genau du hast ja schon mal paar 
Tools gesagt deine deine eigene 

898
00:43:21,680 --> 00:43:23,640
Firma gibt es. 
Da muss man dann, da muss man 

899
00:43:23,640 --> 00:43:25,720
dann einfach mal loslegen, glaub
ich, man findet sich viel Scheiß

900
00:43:25,720 --> 00:43:27,400
zurecht es. 
Geht super viel, also die 

901
00:43:27,400 --> 00:43:29,200
kompletten. 
Man muss fairerweise sagen, 

902
00:43:29,200 --> 00:43:32,440
bevor der Hype von KI und Co. 
War, waren Graphdatenbanken gar 

903
00:43:32,440 --> 00:43:35,240
nicht so in aller Munde. 
Es gab so ein 2. 

904
00:43:35,240 --> 00:43:38,960
Keyplayer, also seit 23 Jahren 
hat eben bedingt dadurch, dass 

905
00:43:38,960 --> 00:43:42,760
die Wissensgraphen sehr sehr gut
mit der LLM Struktur 

906
00:43:42,760 --> 00:43:45,840
harmonieren, das n unfassbaren 
Hype Gang bekommen und wo man 

907
00:43:45,840 --> 00:43:47,480
jetzt vor gut einem Jahr 
festgestellt hat, die 

908
00:43:47,480 --> 00:43:49,600
Vektordatenbanken die die 
Skalieren nicht. 

909
00:43:49,920 --> 00:43:52,520
Haben die ganzen Graph Tools 
noch mal quasi nen Push bekommen

910
00:43:52,520 --> 00:43:54,600
und es wurden sehr sehr viele 
auch aufgekauft. 

911
00:43:54,600 --> 00:43:58,240
Zum Beispiel hat Samsung letztes
Jahr nen Competitor aufgekauft 

912
00:43:58,320 --> 00:44:02,480
um deren komplette IOT 
Variibles, also die komplette AI

913
00:44:02,480 --> 00:44:05,920
deren Wissensmanagement auf ne 
Graph Datenbank aufzubauen, weil

914
00:44:05,920 --> 00:44:09,280
du das sind eben das ist super 
cool, das ist n super evangeling

915
00:44:09,280 --> 00:44:12,720
Feld und es wird noch super viel
passieren weil einfach 

916
00:44:12,720 --> 00:44:16,800
Wissensmanagement das ich sag 
mal eine der wichtigsten 

917
00:44:16,800 --> 00:44:18,800
Ressourcen geworden ist. 
Auch gerade im demokratischen 

918
00:44:18,800 --> 00:44:21,400
Wandel. 
Fachkräftemangel et cetera PP 

919
00:44:21,400 --> 00:44:24,080
und wir müssen unser Wissen 
besser speichern und wenn man in

920
00:44:24,080 --> 00:44:26,200
die meisten Unternehmen 
reinguckt ich will keinem zu 

921
00:44:26,200 --> 00:44:29,800
nahe treten, aber das ist schon 
manchmal spannend. 

922
00:44:29,800 --> 00:44:31,520
Ne wie die Daten dann 
gespeichert sind. 

923
00:44:32,000 --> 00:44:35,040
Ich würd gern noch mal noch mal 
n bisschen mehr so in die die 

924
00:44:35,040 --> 00:44:39,360
praktische Ecke zurück, weil man
auch wieder naive Fragen. 

925
00:44:39,920 --> 00:44:44,800
Klar, es gibt SQL oder Sequel, 
es gibt Spacal Spacal, aber man 

926
00:44:44,800 --> 00:44:47,200
kann ja auch zum Beispiel bei 
einer Datenbank ne restabbieter 

927
00:44:47,200 --> 00:44:50,480
Vorhängen oder sowas und dann. 
Über Überrest sozusagen. 

928
00:44:50,800 --> 00:44:54,560
Mit der Kommunizieren gibt es da
auch solche Geschichten bei 

929
00:44:54,560 --> 00:44:58,560
Graph Datenbanken sag ich mal, 
dass man so gleich ne AP hat, 

930
00:44:58,800 --> 00:45:01,200
ist gleich. 
Klar, ganz gleich also ist ne 

931
00:45:01,200 --> 00:45:04,480
Datenbank funktioniert wie ne 
andere Datenbank mit den APIS 

932
00:45:04,720 --> 00:45:08,640
ist so n anderes Datenmodell. 
Mhm, jetzt muss noch mein Kopf. 

933
00:45:09,920 --> 00:45:11,680
Du musst eben quasi immer so 
denken. 

934
00:45:11,680 --> 00:45:15,360
Meistens hat n Unternehmen für 
jegliche Anwendung ne Datenbank 

935
00:45:15,680 --> 00:45:18,320
und. 
Wir kennen, wir agieren meistens

936
00:45:18,320 --> 00:45:21,360
nur mit dem Frontend und das 
Frontend ist natürlich zu 

937
00:45:21,360 --> 00:45:25,360
irgendeinem Back end vernetzt. 
Über ne API ne Rest API meistens

938
00:45:25,840 --> 00:45:28,800
und das muss dann einfach nur 
ausgetauscht werden und dann 

939
00:45:28,800 --> 00:45:31,400
siehst du dann auf einmal n 
Performance inquise wenn dann 

940
00:45:31,400 --> 00:45:34,240
auf einmal deine dein Frontend 
deutlich schneller ist. 

941
00:45:34,240 --> 00:45:37,080
Gerade in komplexen Anfragen, 
weil dann da nicht mehr ne SQL 

942
00:45:37,080 --> 00:45:39,680
hinter ist, die quasi einfache 
Transaktionale Anfrage 

943
00:45:39,680 --> 00:45:42,600
beantworten kann, sondern ne 
Graph Datenbank, die dann eben 

944
00:45:42,600 --> 00:45:45,000
komplexe Anfragen sehr sehr 
schnell beantworten kann. 

945
00:45:45,000 --> 00:45:46,160
Da musst du nicht mehr so lange 
warten. 

946
00:45:46,680 --> 00:45:49,280
Und das ist ein einfacher 
Austausch, der der Datenbank da 

947
00:45:49,840 --> 00:45:51,840
klar muss das da n Datenmodell 
noch verändern. 

948
00:45:52,000 --> 00:45:54,800
Aber wenn das passiert ist ist 
das kein großer Aufwand mehr. 

949
00:45:55,600 --> 00:45:58,160
Kann denn so ne Datenbank auch 
irgend ne Rolle spielen im im 

950
00:45:58,160 --> 00:46:01,600
Training von von von AI oder so 
oder ist das das? 

951
00:46:01,600 --> 00:46:02,880
Geht es wirklich um die Abfrage 
dann? 

952
00:46:03,360 --> 00:46:06,840
Ich würde es anders formulieren.
Um Datenbanken abzufragen, 

953
00:46:06,840 --> 00:46:10,240
braucht das LLM unfassbar viel 
Wissen, um Anfragen gut stellen 

954
00:46:10,240 --> 00:46:13,360
zu können, tatsächlich. 
Und wir hatten vor, ungefähr bis

955
00:46:13,360 --> 00:46:17,000
vor ein 2 Jahren das Problem, 
dass Wissensgraf abfragen nicht 

956
00:46:17,000 --> 00:46:20,760
so wirklich gut in dem Modell 
Trainings verwendet wurden, weil

957
00:46:20,760 --> 00:46:22,240
es eben einfach zu wenig Daten 
gab. 

958
00:46:22,240 --> 00:46:24,800
Je mehr Daten du zur Verfügung 
hast und Training, desto besser 

959
00:46:24,800 --> 00:46:28,200
versteht natürlich auch das LLM,
wie es coden muss, wie es denken

960
00:46:28,200 --> 00:46:31,200
muss und so weiter und sofort 
und das hat sich jetzt durch die

961
00:46:31,200 --> 00:46:34,080
letzten Modelle. 
Um ein Vielfaches verbessern, 

962
00:46:34,160 --> 00:46:36,240
weil natürlich durch den KI Hype
und Co. 

963
00:46:36,320 --> 00:46:38,960
Und was über viele Datenpunkte 
hinzugekommen sind, wie man eben

964
00:46:38,960 --> 00:46:42,027
mit Wissensgraphen umgeht und 
das war zum Beispiel so ne Win 

965
00:46:42,027 --> 00:46:45,680
Win Situation. 
OK, ja, du hast gerade irgendwas

966
00:46:45,680 --> 00:46:46,440
danken würde. 
Ja, ich weiß. 

967
00:46:46,440 --> 00:46:48,880
Ich, ich, ich hab gerade ich hab
auch gerade noch mal n bisschen 

968
00:46:48,880 --> 00:46:50,960
gespickt, ich mach das ja auch 
nicht jeden Tag ne und dann du 

969
00:46:50,960 --> 00:46:53,120
hast gerade du hast gesagt Ah 
das kann man das wie stellt man 

970
00:46:53,120 --> 00:46:55,680
sich das vor ich würd noch mal 
was verifizieren was ich 

971
00:46:55,680 --> 00:47:00,040
tatsächlich gerade schnell mal 
geminight hab wenn man sich 

972
00:47:00,040 --> 00:47:03,760
jetzt so ne Sparkle. 
Abfrage vorstellt. 

973
00:47:04,160 --> 00:47:07,120
Ich glaube der Unterschied ist 
dann halt auch wieder diese 

974
00:47:07,120 --> 00:47:11,400
triplet Abfrage, also du machst 
quasi nen Select ne und dann und

975
00:47:11,400 --> 00:47:14,160
das in den Ware statements wo 
man ja sagt wo man dann 

976
00:47:14,160 --> 00:47:17,920
definiert was ich genau haben 
will und wo wo in der in der 

977
00:47:17,920 --> 00:47:20,240
Sequel Bereich kommen dann noch 
Joints und so weiter und bei den

978
00:47:20,240 --> 00:47:22,600
Ware Statements kann ich dann 
quasi auch diese diese dreier 

979
00:47:22,600 --> 00:47:28,800
Beziehung sagen ja wo Service 
ist bla oder wo das sind wo. 

980
00:47:29,840 --> 00:47:32,800
Ich verbinde das damit Variablen
das ist also ist akademisch, ne.

981
00:47:32,800 --> 00:47:35,240
Also wir haben gesagt, das ist 
nicht so einfach, aber am Ende 

982
00:47:35,240 --> 00:47:37,760
des Tages kann ich mehrere 
Bedingungen hinschreiben, 

983
00:47:38,000 --> 00:47:40,600
1234567 ja und benutze quasi 
diese Subjekt, Prädikat, Objekt,

984
00:47:40,600 --> 00:47:45,840
Sachen, die dann ja schon sehr 
menschlich klingen, ne wo ich wo

985
00:47:46,240 --> 00:47:50,400
ich relativ ja fast fast wie 
normaler Sprache ausdrücke, was 

986
00:47:50,400 --> 00:47:53,680
ich alles so brauche, ja und 
dann kommt da halt n Ergebnis 

987
00:47:53,680 --> 00:47:55,240
raus. 
Ja das ist schon ziemlich cool, 

988
00:47:55,240 --> 00:47:58,880
genau. 
Und deswegen ist das eben auch 

989
00:47:58,880 --> 00:48:00,720
sehr, sehr cool. 
Auch von der Anfragesprache her,

990
00:48:00,720 --> 00:48:04,040
dass es sehr an unserer Sprache 
orientiert ist und nicht zum 

991
00:48:04,040 --> 00:48:07,200
Beispiel bei Secle oder so n 
bisschen abstrakter gehalten. 

992
00:48:07,200 --> 00:48:10,920
Ne, bei secle hab ich ja wo, da 
sag ich ja where irgendwas ist 

993
00:48:10,920 --> 00:48:12,760
was oder greater dan oder lower 
dan. 

994
00:48:12,760 --> 00:48:14,960
Dann gibt es noch das Like für 
Strings und so weiter ja, 

995
00:48:14,960 --> 00:48:19,120
während ich dann quasi bei 
Sparkle sagen kann, wo wo der 

996
00:48:19,120 --> 00:48:21,960
Vogel von der. 
Art ist oder so wie n bisschen. 

997
00:48:21,960 --> 00:48:24,600
Wie wir denken 1. 
So bisschen Menschen denken, da 

998
00:48:24,600 --> 00:48:26,200
ist es da tatsächlich dran 
orientiert. 

999
00:48:26,200 --> 00:48:29,600
Das war quasi so dieser 
Ursprung, das menschliche Denken

1000
00:48:29,600 --> 00:48:32,160
in dieser Anfragesprache zu 
integrieren. 

1001
00:48:32,240 --> 00:48:34,320
Genau das sieht man n bisschen 
geht natürlich nicht perfekt, 

1002
00:48:34,320 --> 00:48:36,800
aber das war so, der die Vision 
dahinter, du. 

1003
00:48:37,360 --> 00:48:41,160
Sagtest ja Tim Berners Lee, der 
hat ne auf seinen Gedanken fußt 

1004
00:48:41,160 --> 00:48:45,280
das ja Erfinder des Webs oder 
oder der wird Worldwide Webs ne 

1005
00:48:45,440 --> 00:48:48,520
glaub ich. 
Und sind wir jetzt einfach 30 

1006
00:48:48,520 --> 00:48:51,200
Jahre zu spät dran oder so? 
Oder hat das so lange gedauert 

1007
00:48:51,360 --> 00:48:53,840
oder ist jetzt tatsächlich das 
so, wie Buckel amox meinte, dass

1008
00:48:53,840 --> 00:48:57,160
KI jetzt der Treiber ist, dass 
das plötzlich n Thema wird 

1009
00:48:57,160 --> 00:49:00,160
wieder. 
Es ist eher Big Data, dass der 

1010
00:49:00,160 --> 00:49:03,280
Treiber ist. 
Tatsächlich Ja, Unternehmen 

1011
00:49:03,280 --> 00:49:06,320
handeln meistens nur dann, wenn 
ein Problem vorliegt. 

1012
00:49:06,720 --> 00:49:09,520
Die Unternehmen hatten in den 
vergangenen Jahren nicht oder in

1013
00:49:09,520 --> 00:49:12,240
den vergangenen Jahrzehnten 
nicht das Problem, dass sie 

1014
00:49:12,400 --> 00:49:15,120
unstrukturierte Daten zugreifbar
machen wollen würden. 

1015
00:49:15,440 --> 00:49:20,320
Infekt 68% der Daten in 
Unternehmen sind nicht für KI 

1016
00:49:20,320 --> 00:49:23,400
oder Analysezwecke brauchbar, 
weil sie unstrukturiert sind. 

1017
00:49:23,440 --> 00:49:25,800
Hauptsächlich dadurch bedingt, 
dass sie nicht miteinander in 

1018
00:49:25,800 --> 00:49:29,680
Beziehung gesetzt werden können.
Und das war vor n paar Jahren 

1019
00:49:30,240 --> 00:49:32,480
egal. 
So ne, aber das hat jetzt 

1020
00:49:32,480 --> 00:49:35,240
natürlich unfassbar Traction 
aufgenommen, weil jeder jetzt 

1021
00:49:35,240 --> 00:49:38,280
auf einmal sagt, Oh verdammt, 
ich muss wirklich meine Daten 

1022
00:49:38,280 --> 00:49:40,640
vernetzen, ich sehe dann 
unfassbares Potenzial, 

1023
00:49:40,880 --> 00:49:44,960
Fachkräftemangel, Ressourcen, 
Einsparungen et cetera PP. 

1024
00:49:45,360 --> 00:49:47,640
Und dadurch hat das so viel 
Fahrt aufgenommen und dadurch 

1025
00:49:47,640 --> 00:49:50,240
hast du eben als den Wissensgraf
als einzig wirklich gut 

1026
00:49:50,240 --> 00:49:53,160
strukturiertes Modell, was ein 
tiefgehendes Verständnis von 

1027
00:49:53,160 --> 00:49:56,000
Beziehungen merken kann und 
deswegen quasi da Big Data 

1028
00:49:56,000 --> 00:49:58,880
tiefgehendes Verständnis von 
Beziehungen, da ist, es quasi 

1029
00:49:58,880 --> 00:50:02,800
hat es das Fahrt aufgenommen. 
OK, cool, was glaubst du, 

1030
00:50:02,800 --> 00:50:05,320
Tobias, was haben wir noch nicht
gecovert, wo würdest du gerne 

1031
00:50:05,320 --> 00:50:09,000
mal drüber reden oder denkst du 
wir haben das erstmal passend 

1032
00:50:09,000 --> 00:50:11,320
erläutert? 
Ich glaub ich würd einfach jedem

1033
00:50:11,320 --> 00:50:13,800
mitgeben das mal selber 
auszuprobieren, weil wir können 

1034
00:50:13,800 --> 00:50:15,680
jetzt total viel erzählen. 
Wir haben euch voll viel Input 

1035
00:50:15,680 --> 00:50:17,480
gegeben, aber ich würd es 
einfach mal sagen, so gebt euch 

1036
00:50:17,480 --> 00:50:20,400
mal ein 2 Stunden Zeit, spielt n
bisschen selber damit rum was 

1037
00:50:20,400 --> 00:50:25,040
ist so n wissensgraf get used it
so nach dem Motto und also jeder

1038
00:50:25,040 --> 00:50:27,960
der relationale Beziehungen hat 
sollte sich damit sag ich mal 

1039
00:50:27,960 --> 00:50:31,120
gerade auch im deutschen 
Mittelstand sich genau damit 

1040
00:50:31,120 --> 00:50:33,680
auseinandersetzen, weil die 
Großen machen es schon, die 

1041
00:50:33,680 --> 00:50:36,240
sagen es nur nicht. 
Und wenn man wirklich jetzt mit 

1042
00:50:36,240 --> 00:50:38,840
Big Data, KI und Co. 
Auf auf einer Wellenlänge 

1043
00:50:38,840 --> 00:50:41,440
schwimmen will und diese 
Digitalisierung mitmachen will, 

1044
00:50:41,680 --> 00:50:44,480
dann sollte man da jetzt eher 
zeitig als zu spät handeln. 

1045
00:50:45,120 --> 00:50:48,400
Gut, dann lass uns doch noch mal
wissen, wie dann tentress da ne 

1046
00:50:48,400 --> 00:50:50,640
Rolle spielen kann. 
Ich weiß ihr seid mit der Beta 

1047
00:50:50,640 --> 00:50:53,120
glaub ich gerade durch ne was 
sind eure nächsten Pläne? 

1048
00:50:53,760 --> 00:50:56,320
Wir bauen ne grafdatenbank ne. 
Es geht immer um Schnelligkeit 

1049
00:50:56,320 --> 00:50:58,120
und Co. 
Bestehende Grafdatenbanken 

1050
00:50:58,120 --> 00:51:00,400
wurden darauf ausgelegt, 
einfache Use Cases nur 

1051
00:51:00,400 --> 00:51:04,320
abzuspielen bedeutet, wenn es zu
komplexen Use Cases geht. 

1052
00:51:04,800 --> 00:51:07,200
Da haben die einfach n Timeout, 
werden langsam, brauchen zu viel

1053
00:51:07,200 --> 00:51:09,920
Arbeitsspeicher und so weiter 
das haben wir quasi optimiert, 

1054
00:51:09,920 --> 00:51:12,560
sind bis zu 150 mal schneller 
10, mal kostengünstiger, bedingt

1055
00:51:12,560 --> 00:51:15,480
durch ne neue Daten 
Infrastruktur die wir benutzen 

1056
00:51:15,480 --> 00:51:19,120
und unsere nächsten Steps sind 
quasi jetzt im März die 10 zu 

1057
00:51:19,120 --> 00:51:20,600
launchen, haben jetzt erste 
Contracts rausgesendet 

1058
00:51:20,600 --> 00:51:24,680
beziehungsweise auch schon 
unterzeichnet mit Unternehmen 

1059
00:51:24,680 --> 00:51:27,760
die auch wirklich Graf 
Datenbanken einsetzen und dann 

1060
00:51:27,760 --> 00:51:30,760
ist der nächste Step quasi immer
weiter Richtung Enterprise AI 

1061
00:51:30,760 --> 00:51:35,440
cementic Layer zu gehen. 
Um eben Unternehmen n gutes 

1062
00:51:35,440 --> 00:51:38,400
Backend für ihre skalierbare 
Infrastruktur geben zu können. 

1063
00:51:38,880 --> 00:51:40,720
Ganz viel Erfolg dafür. 
Wir verlinken das. 

1064
00:51:40,800 --> 00:51:42,120
Dankeschön. 
Du darfst dich bei dir melden, 

1065
00:51:42,120 --> 00:51:45,320
nehm ich mal an, jederzeit 
gerne, auch wenn offene Fragen 

1066
00:51:45,320 --> 00:51:48,720
sind, wir sind immer auch offen,
weil wir es auch so n bisschen 

1067
00:51:48,720 --> 00:51:51,720
als unsere Aufgabe sehen zu 
educaten und nicht zwangslich 

1068
00:51:51,720 --> 00:51:53,840
nur um den kommerziellen Aspekt 
zu gehen, weil. 

1069
00:51:54,160 --> 00:51:57,120
Wenn wir ne gute Community 
aufbauen, die das eben versteht,

1070
00:51:57,120 --> 00:52:00,360
dann ist das viel viel Powerful 
als wenn wir irgendwie nur um 

1071
00:52:00,360 --> 00:52:02,360
den Kommerz immer denken. 
Und ich glaube das ist so n 

1072
00:52:02,360 --> 00:52:04,400
Punkt wie den wir Deutsch noch 
so n bisschen mehr verstehen 

1073
00:52:04,400 --> 00:52:07,120
müssen, dass es auch um 
Community Building geht, um 

1074
00:52:07,120 --> 00:52:10,560
neues neues Tool schneller 
auszuprobieren als wir das sonst

1075
00:52:10,560 --> 00:52:12,920
immer gemacht haben, so n 
bisschen skeptisch zu sein und 

1076
00:52:12,920 --> 00:52:15,600
deswegen haben wir immer n 
offenes Ohr für jede Person, die

1077
00:52:15,600 --> 00:52:17,200
sich tatsächlich auch an uns 
richtet. 

1078
00:52:17,640 --> 00:52:19,600
Na dann haben wir ja mit dieser 
Aktion hier schon den richtigen 

1079
00:52:19,600 --> 00:52:20,880
Schritt in die richtige Richtung
gemacht. 

1080
00:52:20,880 --> 00:52:23,280
Ja, in dem Podcast, da wird ja 
auch schon mal n bisschen 

1081
00:52:23,280 --> 00:52:26,800
educated, wie du sagst. 
Ja, sehr cool, ja vielen Dank 

1082
00:52:26,800 --> 00:52:29,120
auch von mir, Tobi, super 
spannend, super spannendes 

1083
00:52:29,120 --> 00:52:32,080
Thema, ich hatte es glaub ich 
für viele irgendwie abgetan mit 

1084
00:52:32,080 --> 00:52:35,120
gab es mal den Versuch das ganze
Internet irgendwie semantisch 

1085
00:52:35,120 --> 00:52:36,640
aufzustellen, hat nicht 
geklappt. 

1086
00:52:36,800 --> 00:52:39,480
Ja und dann? 
Ja, wie das so ist, ne, der 

1087
00:52:39,480 --> 00:52:41,360
Mensch ist halt so. 
Ja dann hat man das abgetan im 

1088
00:52:41,360 --> 00:52:44,240
Kopf und dann weiß man 
tatsächlich, also ich wusste das

1089
00:52:44,240 --> 00:52:47,280
nicht, dass tatsächlich die ganz
großen auch und das tatsächlich 

1090
00:52:47,280 --> 00:52:50,320
so einsetzen, wie du sagst, das 
wird ja auch nicht. 

1091
00:52:50,720 --> 00:52:52,720
Also ich mein ich les auch n 
bisschen Krams und so weiter 

1092
00:52:52,720 --> 00:52:55,600
aber es steht dann auch nicht 
überall, das war mal ganz 

1093
00:52:55,600 --> 00:52:58,080
interessant so und dass das 
jetzt natürlich noch mal 

1094
00:52:58,080 --> 00:53:01,680
Relevanz mehr erfährt durch KI 
und so weiter und wie du gesagt 

1095
00:53:01,680 --> 00:53:03,840
hast natürlich auch durch Big 
Data und durch einfach die ganz 

1096
00:53:03,840 --> 00:53:06,200
andere. 
Ganz andere, noch mal krassere 

1097
00:53:06,200 --> 00:53:09,080
Art der Effizienzbildung durch 
Digitalisierung, das war da 

1098
00:53:09,080 --> 00:53:11,440
super spannend für mich. 
Ja, also muss man sich also noch

1099
00:53:11,440 --> 00:53:14,960
mal die Ornithologie und das um 
den Kreis zu schließen vom 

1100
00:53:14,960 --> 00:53:18,360
Anfang, also die Ontologie doch 
noch mal zu Gemüte führen, weil 

1101
00:53:18,360 --> 00:53:21,760
es wird relevant, ja und super 
spannend, danke für den Input. 

1102
00:53:22,160 --> 00:53:23,600
Sehr gerne. 
Hat mich gefreut. 

1103
00:53:24,080 --> 00:53:27,120
Danke auch von mir, Tobias und 
alles Gute für euch. 

1104
00:53:27,520 --> 00:53:30,240
Dankeschön ciao. 
Tschüss nach Hamburg. 

1105
00:53:31,200 --> 00:53:34,480
Einfach komplex wird produziert 
und präsentiert von Heisenware. 

1106
00:53:34,720 --> 00:53:37,800
Heisenware ist deine Low Code 
Plattform zur Erstellung und zum

1107
00:53:37,800 --> 00:53:40,400
Betrieb interaktiver Apps rund 
um den Shopfloor. 

1108
00:53:40,400 --> 00:53:43,600
Starte noch heute deinen Free 
Trial unterheisenware.com 

1109
00:53:43,760 --> 00:53:45,440
einfach minus komplex.