Die Geheimnisse der Entität entschlüsseln: Eine Wissensrevolution über zweitausend Jahre von Aristoteles bis zu großen KI-Modellen

Einführende Hinweise

Die Geschwindigkeit technologischer Iterationen war noch nie so rasant. Künstliche Intelligenz steht bereits an der Spitze der Welle, beschleunigt technologische Innovationen und treibt die gesamte Ära in eine neue, intelligente Zukunft.

Von 2023 bis 2026 hat sich der Aktienkurs von Palantir um das 32-fache erhöht.

Der Grund ist einfach: Dieses Unternehmen hat 20 Jahre lang nur eines getan – das Konzept der „Ontologie“ bis zur Perfektion vorangetrieben. Mit Ontologie hat es die Daten, die in verschiedenen Systemen eines Unternehmens verteilt sind, zu einem einheitlichen „Digitalen Zwilling“ verwoben – sodass Maschinen nicht nur Daten „sehen“, sondern auch die Beziehungen zwischen ihnen „verstehen“ und darauf basierend automatisch Entscheidungen treffen können.

Aber was ist Ontologie eigentlich? Es ist kein Konzept, das erst heute entstanden ist. Von der Zeit des griechischen Philosophen Aristoteles über die Vision des Semantischen Webs von Tim Berners-Lee, dem Erfinder des World Wide Webs, bis hin zu den Wissensgraphen im heutigen Zeitalter großer Modelle – das Geheimnis der Ontologie ist eine zweitausendjährige Wissensrevolution.

Heute werden wir es Schritt für Schritt aufschlüsseln: Woher stammt die Geschichte der Ontologie? Was sind ihre Kernkomponenten? Wie baut man sie auf? Mit welchen Werkzeugen? Und vor allem – welche Beziehung hat sie zu den heute beliebtesten großen Modellen?

01

Was ist Ontologie? – Von dem „Sein“ zum „Wissensmodell“

In der athenischen Akademie vor unserer Zeitrechnung stellte Aristoteles eine Frage: „Auf wie viele grundlegende Weisen existieren alle Dinge in der Welt?“ Er lieferte die erste systematische Klassifizierung – unterteilte das Sein in Substanz (Substance), Quantität, Qualität, Relation, Ort, Zeit, Lage, Zustand, Handlung und Leidenschaft, insgesamt zehn Kategorien.

Das ist der Ursprung der „Ontologie“ – eine Lehre vom „Sein“. Im Griechischen bedeutet „Onto-“ „Sein“ und „-logie“ „Lehre“. Die Frage, die die Ontologie beantworten soll, lautet: Was existiert in dieser Welt? Wie existieren sie? Welche Beziehungen bestehen zwischen ihnen?

Zweitausend Jahre später, 1993, lieferte Tom Gruber von der Stanford University eine Definition, die Informatiker verwenden können – „Eine Ontologie ist eine explizite, formale Spezifikation einer gemeinsamen Konzeptualisierung“. Dieser Satz klingt zwar sperrig, ist aber leicht verständlich, wenn man ihn aufschlüsselt:

Gemeinsam – nicht das Ergebnis einer spontanen Idee einer einzelnen Person, sondern ein Konsens, den das Team erzielt hat

Konzeptualisierung – keine Liste von Substantiven, sondern ein Netzwerk von Beziehungen zwischen Konzepten

Explizit – alles ist klar und eindeutig formuliert, es gibt keine Unklarheiten

Formal – Maschinen können es lesen, berechnen und daraus schließen

Noch einfacher ausgedrückt: Eine Ontologie ist „ein Wissensmodell, das Maschinen verstehen lässt, wie die Welt beschaffen ist, wie man Dinge klassifiziert und wie sie miteinander verbunden sind“. Sie ist wie eine Panoramakarte der Geschäftswelt – darauf sind wichtige Dinge (Klassen), die Eigenschaften jedes Dinges (Attribute), wie Dinge miteinander verbunden sind (Relationen) und die nicht verletzbaren Grundregeln des Geschäftslebens (Axiome/Regeln) dargestellt.

02

Jahrtausende lange Entwicklung: Vier Sprünge der Ontologie

Betrachtet man die Entwicklungsgeschichte der Ontologie, lassen sich deutlich vier Phasen erkennen:

Erste Phase: Die philosophische Ära (300 v. Chr. – 1950er Jahre)

Ontologie war ein spekulatives Werkzeug in der Hand von Philosophen, um die ultimative Frage „Was existiert in der Welt?“ zu klären. Von den zehn Kategorien des Aristoteles bis zu Kants Phänomenen und Dingen an sich war die Ontologie stets das Hauptfeld der Metaphysik. Sie beantwortete philosophische Fragen und hatte nichts mit Computern zu tun.

Zweite Phase: Die Ära des Wissensmanagements in der KI (1980er – 2000er Jahre)

Der Wandel fand im Zeitalter der künstlichen Intelligenz statt. Die Forscher erkannten: Um Maschinen intelligent zu machen, muss man zuerst dafür sorgen, dass Maschinen wissen, „was in der Welt existiert“. In den 1980er Jahren startete Doug Lenat das Cyc-Projekt – es versuchte, alle menschlichen Allgemeinkenntnisse in maschinenlesbare Regeln zu kodieren, und ist bis heute eine der größten manuellen Ontologien. 1998 entstand die Gen-Ontologie (Gene Ontologie), die zu der wichtigsten Wissensinfrastruktur im Bereich der Biomedizin wurde.

Dritte Phase: Die Ära des Semantischen Webs (2000 – 2012)

2001 zeichnete Tim Berners-Lee, der Erfinder des World Wide Webs, die Vision des „Semantischen Webs“ – mit Ontologien sollten Daten im Internet mit „maschinenverständlichen semantischen Tags“ versehen werden. Anschließend wurden RDF (2004), OWL (2004) und SPARQL (2008) nacheinander zu W3C-Standards. Aber die Idealvorstellung war groß, die Realität war enttäuschend – die Kosten für den Aufbau von Ontologien waren zu hoch, die Inferenzleistung reichte nicht aus, es fehlten an schlüsselfertigen Anwendungen, sodass die große Vision des Semantischen Webs nicht in großem Maßstab umgesetzt werden konnte.

Vierte Phase: Die Ära der Wissensgraphen und KI-nativen Systeme (2012 bis heute)

2012 stellte Google den Wissensgraphen vor. Dieses Mal verfolgte die Ontologie nicht mehr das Ziel, „das gesamte Internet mit Semantik zu versehen“, sondern konzentrierte sich auf die Lösung konkreter Probleme. Palantir machte die Ontologie zu einem „Digitalen Zwilling-Betriebssystem“ für Unternehmen, und der Aktienkurs stieg um das 32-fache. Younuo Technology schuf das Paradigma des „Ontologie-Neuronalen Netzes (ONN)“, das Ontologien und große KI-Modelle tief miteinander verschmelzen ließ. Die Ontologie wurde endlich von einem akademischen Konzept zu einer wertvollen Infrastruktur in der Industrie.

03

Vier Kernkomponenten der Ontologie

Eine vollständige Ontologie wird aus vier „Bausteinen“ aufgebaut:

Erste Komponente: Objekttyp – beschreibt „Wer“

Der Objekttyp (Klasse) repräsentiert die Kernentitäten in einem Bereich. Im Bereich des Vertragsmanagements definierst du Customer (Kunde), Product (Produkt), Contract (Vertrag), Invoice (Rechnung). In einer Unternehmensontologie definierst du Device (Gerät), Sensor (Sensor), Employee (Mitarbeiter). Jeder Objekttyp ist ein „Baustein“ der Welt.

Zweite Komponente: Eigenschaften – beschreibt „Wie es beschaffen ist“

Eigenschaften (Property) beschreiben die Merkmale von Objekten. Dateneigenschaften (Data Property) verbinden Objekte mit konkreten Werten, z. B. ist der Vertragsname eine Zeichenkette, der Vertragsbetrag eine Zahl und das Unterzeichnungsdatum ein Datum. Objekteigenschaften (Object Property) verbinden die Beziehungen zwischen zwei Objektinstanzen, z. B. „Vertrag → gehört zu → Kunde“, „Gerät → ist ausgestattet mit → Sensor“. Ersteres definiert, „was es ist“, Letzteres definiert, „mit wem es zusammenhängt“.

Dritte Komponente: Relationen – beschreibt „Wie sie verbunden sind“

In der Ontologie sind Relationen gleichberechtigte Elemente, keine Anhängsel von Fremdschlüsseln in Datenbanken. Sie tragen eine eigene Semantik:

Customer --places--> Contract (Kunde schließt Vertrag ab) Contract --contains--> Product (Vertrag enthält Produkt) Factory --hosts--> ProductionLine (Fabrik beherbergt Produktionslinie)

Wichtiger noch: OWL unterstützt inverse Eigenschaften: Wenn du „hasPaymentTerm“ (Vertrag → Zahlungsbedingung) definierst, leitet der Inferenzautomat automatisch „belongsToContract“ (Zahlungsbedingung → Vertrag) ab. In einer Datenbank musst du dafür JOIN-Anweisungen schreiben, in OWL ist das kostenlos.

Vierte Komponente: Axiome – beschreibt „Was erlaubt ist und was nicht“

Axiome sind der mächtigste Teil der Ontologie – sie speichern keine Daten, sondern Regeln. Zum Beispiel:

• Integritätsbeschränkungen

Jeder Vertrag muss genau einen Kunden haben (Kardinalitätsbeschränkung)

• Geschäftsregeln

Wenn der kumulierte Zahlungseingang eines Vertrages ≥ dem Gesamtbetrag des Vertrages ist, wird er automatisch als „abgeschlossener Vertrag“ klassifiziert (SWRL-Regel)

• Alarmierungslogik

Wenn die Temperatur eines Gerätes den Schwellenwert überschreitet und dies länger als 5 Minuten andauert, wird automatisch ein „Überhitzungsalarm“ generiert

Eine Datenbank kann nur abfragen, „was du gespeichert hast“, während Ontologie + Inferenzautomat ableiten kann, „was du noch wissen solltest“. Das ist der grundlegende Unterschied zwischen Ontologie und herkömmlichen Datenmodellen.

04

Wie baut man eine Ontologie auf? – Sieben-Schritte-Methode + Full-Stack-Werkzeugkette

Der Aufbau einer Ontologie ist nicht so einfach wie das Schreiben einiger Zeilen Code, sondern ein systematisches Verfahren. Die heute in der Industrie anerkannte ausgereifteste Methodik ist die von der Stanford University vorgestellte „Sieben-Schritte-Methode zum Aufbau von Ontologien“:

Schritt

Aufgabe

Ergebnis

1. Bereich und Umfang festlegen

Für wen ist es gedacht? Welches Problem soll gelöst werden?

Anforderungsdokument

2. Vorhandene Ontologien wiederverwenden

Gibt es etwas Vorhandenes, das man direkt verwenden oder anpassen kann?

Wiederverwendungsliste

3. Wichtige Begriffe auflisten

Welche Kernbegriffe gibt es in dem Bereich?

Begriffsliste

4. Klassen und Hierarchien definieren

Wie werden Begriffe gruppiert? Wie lauten die Vererbungsbeziehungen?

Klassenhierarchiebaum

5. Eigenschaften definieren

Welche Merkmale hat jede Klasse? Wie sind die Klassen miteinander verbunden?

Eigenschaftsdefinitionstabelle

6. Beschränkungen und Regeln definieren

Welche Dinge sind nicht erlaubt? Welche Bedingungen lösen welche Folgen aus?

SWRL-Regelsatz

7. Instanzen erstellen

Mit echten Daten füllen und prüfen, ob das Modell korrekt ist

Testdatensatz

Mit der Methodik brauchst du noch eine Full-Stack-Werkzeugkette, um es umzusetzen:

📐 Modellierung: Protégé (Open-Source der Stanford University, unterstützt OWL 2, kann direkt mit Inferenzautomaten verbunden werden)

🧠 Inferenz: HermiT / Pellet (Beschreibungslogik-Inferenzautomat, prüft automatisch Konsistenz und leitet neue Fakten ab)

🔍 Abfrage: DL Query (Abfragesprache auf Basis der Beschreibungslogik, inferenzgestützte Abfragen auf Ontologie-Ebene)

📜 Regeln: SWRL (IF-THEN-Regelsprache, drückt komplexe bedingte Inferenzen aus, die OWL selbst nicht ausdrücken kann)

🗺️ Visualisierung: WebVOWL (rendert OWL-Dateien zu interaktiven Klassenbeziehungsdiagrammen)

💾 Speicherung und Abfrage: GraphDB / Jena + SPARQL (Graphdatenbank + Standardabfragesprache)

Hier wird besonders auf Protégé eingegangen – es ist der derzeit beliebteste Open-Source-Editor für Ontologien. Damit kannst du auf intuitive Weise Klassen erstellen, Hierarchien definieren, Eigenschaften zuweisen, SWRL-Regeln schreiben, Inferenzautomaten verbinden und OWL-Dateien exportieren. Es unterstützt auch den Import von Beispielontologien aus URLs – wie das systeminterne „Pizza-Ontologie“-Modell, das Anfänger direkt zum Lernen öffnen können.

Ein wichtiger Tipp: Du musst den XML-Code von OWL nicht von Hand schreiben. Mit einem großen KI-Modell und einem sorgfältig gestalteten Prompt kannst du vollständige OWL-Definitionsdateien direkt generieren. Beschreibe die Geschäftsanforderungen klar, und das große Modell liefert vollständigen Ontologie-Code, der den OWL-Semantikstandards entspricht – importiere ihn in Protégé, und er ist sofort einsatzbereit. Dadurch sinkt die Hürde für den Aufbau von Ontologien um mehr als eine Größenordnung.

05

Wie verwendet man eine Ontologie? – Drei Praxisbeispiele

Beispiel 1: Palantir × globale Automobil-Lieferkette

Ein weltweit führender Automobilhersteller hat mehr als 20 Fabriken in mehreren Ländern. Daten zu Materialien, Bauteilen und Produktionslinien sind in Dutzenden heterogenen Systemen verteilt. Die herkömmliche Vorgehensweise bestand darin, ein Data Warehouse aufzubauen, ETL-Prozesse zu schreiben und breite Tabellen zu erstellen – aber die Beziehungen zwischen den Daten, die Geschäftsregeln und die Frage „Was tun, wenn etwas schiefgeht“, also die wirkliche Intelligenz, sind in den breiten Tabellen nicht sichtbar.

Die Vorgehensweise von Palantir: Zuerst die Ontologie aufbauen, dann die Daten einbinden. Auf der Foundry-Plattform wurde eine vollständige Lieferketten-Ontologie definiert – Materialien, Fabriken, Produktionslinien, Bestellungen, Qualitätsereignisse sind alle Objekttypen; die Beziehungen zwischen Objekten (Fabrik --beherbergt--> Produktionslinie, Bestellung --verbraucht--> Material) sind alle explizit definiert; wichtige Regeln (Lagerbestand unter dem Sicherheitsgrenzwert → löst automatisch Bestellung aus, schwerwiegendes Qualitätsereignis → Produktionsstopp-Alarm) sind alle als Axiome formuliert.

Ergebnis: Die Lagerumschlagszeit sank