Knowledge Steward

Enterprise Graph & Vector Platform

Domäne:

🤖

Knowledge Steward

⋮⋮

◢

	Name & Domäne ↕	Kategorie / Label ↕	Knoten ↕	Kanten ↕	Release ↕	SHACL-Status ↕

Klasse (TBox)

Instanz (ABox)

Im Interview (Staging-Diff)

SHACL-Verstoß (Leuchtend)

Strg + Ziehen: Bereichsauswahl

Alle

Alle Phasen 0 Aufgaben

Erhebung & Interview Dialog mit Fachexperten

Formalisierung & Staging RDF/OWL Modellierung

SHACL-Qualitätsgate Owner- & Validierungsprüfung

Freigabe & Release Kanonischer Graph Release

Status ↕	Governance-Phase ↕	Aufgabe & Beschreibung ↕	Priorität ↕	Zugewiesen an ↕	Fälligkeit ↕	Aktionen

Agent- & LLM-Konfiguration

Das Interview nutzt die lokale Demo-Heuristik. Der ausgewählte LLM-Provider wird für Suchantworten verwendet; bei Ausfall wird eine als Smart Mock gekennzeichnete Ersatzantwort erzeugt. Einstellungen werden persistent gespeichert.

Aktiver LLM-Provider

Gemini API-Key

Gemini Modell

Kein API-Key hinterlegt

Externe SPARQL-Schnittstelle

Server-seitige, validierte Abfrage-Schnittstelle auf den Knowledge Graph (nur SELECT / ASK / CONSTRUCT / DESCRIBE).

YASGUI Workbench öffnen

Frage an den Knowledge Graph (via MCP)

Stellt eine Frage in natürlicher Sprache. Der Server ruft passende Fakten über das MCP-Gateway ab und beantwortet sie faktengetreu.

Datenquelle: OpenFlights

Die Aviation-Daten stammen aus dem OpenFlights-Datensatz — Airports, Airlines und Routen werden gecacht.

airports.dat • Prüfe...

airlines.dat • Prüfe...

routes.dat • Prüfe...

PostgreSQL 18 Quell-DB & Ingest-Ledger

• Prüfe Verbindung...

Verbindet relationale Quelltabellen (z. B. source.sap_equipment, source.airports) mit dem Knowledge Graph. Der operations.ingest_ledger speichert SHA-256 Hashes zur Idempotenz und Revisionssicherheit.

Quelltabelle:

Letzte Ingest-Ledger Einträge (operations.ingest_ledger)

ID	Quelle	Content-Hash	Status	Tripel	Zeitstempel
Keine Einträge geladen

Wissen importieren

Dokumente (.md, .txt) als eigenen benannten Graph hochladen und prüfen, bevor du sie in den kanonischen Graphen überführst.

Datenquellen & Lizenzen

OpenFlights — Airport, Airline & Route Database
Open Database License (ODbL). Quelle: openflights.org via GitHub.
ATMOnto — NASA Air Traffic Management Ontology
Ontologie-Schema (TBox): Klassen und Properties aus dem NASA ATM-Domänenmodell.

Sicherheitsereignisse & Audit-Log

Quellnetze sind Hinweise • 14 Tage Aufbewahrung

Dauerhaftes Protokoll 0 Einträge

Typ:

Level:

Seit:

Quellnetz:

Zeit (UTC)	Ereignis	Konto	Route	Status	Quellnetz	Gemeldete Herkunft

⚡ Vektordatenbank & Semantische Chunks

Systemverwaltung der persistenten Dokument- und Text-Embeddings für Graph-RAG und semantische Hybrid-Suchen.

Gespeicherte Chunks: 2 Dokumente

Embedding-Dimension: 1536D (Standard)

Synchronisiert mit Assets: assets/vectors/*.json

●	Dokument & ID ↕	Kategorie ↕	Inhalt & Vorschau	Länge ↕	Dimension

System-Reset: Golden State

Setzt den Knowledge Graph auf den definierten Anfangszustand zurück. Alle Interview-Vorschläge, Chat-Verläufe und Änderungen werden gelöscht. Die OpenFlights-Basisdaten bleiben erhalten.

Domäne: Aviation • Stand: Golden State

Vektordatenbank: Standard wiederherstellen

Setzt den lokalen Vektor-Store auf den definierten Aviation-Showcase-Datenbestand zurück (Wartungshandbuch A320, Flottenliste D-AINA, Tech-Log Sperre und Flugplan Leg LH100). Alle manuell erfassten Chunks werden dabei überschrieben.

Vektor-Store: Aviation Benchmark Showcase • Embeddings: Pure-Python Cosine-Space

🛡️ System-Information & Plattform-Status

v2.1.0

Vollständiger Revisions- und Betriebsstatus des Semantic AI Knowledge Steward. Alle Versionen, Schnittstellen und Governance-Leitplanken auf einen Blick.

System: Semantic AI Knowledge Steward

Git-Tag: Git-Tag: v2.1.0

Commit: c73dbc8

Rollback-Label: git checkout v2.1.0

Governance & SHACL: W3C SHACL 1.0 Validierung aktiv (Core & Target Constraints)

Ontologie-Standard: W3C RDF 1.1 / OWL 2 Full mit SPARQL 1.1 Query Engine

Vektor-Engine: Hybrid Dense-Vector Cosine Retrieval (1536D) & Lexical Grounding

Test-Abdeckung: Alle 15 Test-Suites grün (Backend & Frontend DOM Contract)

A/B-Vergleichsmodus: Wissensgraph vs. ungestützte Basis-KI ⚡ Reines Vektor-Retrieval (Top-K): Textähnlichkeits-Benchmark

💡

Bereit für semantische Wissensabfragen

Wählen Sie oben Wissensgraphen aus und stellen Sie eine Frage in das Suchfeld ein.

🛡️ Semantisch geführt

Knowledge-Graph Grounding

⏱️ 0ms 📌 0 Fakten 100% Faktenbasiert

⚡ Vektor-RAG (Top-K)

Reines Vektor-Retrieval

0 Chunks ⚠️ Textähnlichkeits-Raten

⚠️ Ungestützte Basis-KI

Ohne Graphen-Wissen (LLM Baseline)

⏱️ 0ms ⚠️ Halluzinationsrisiko

ℹ️ Hinweis: Ungestützte LLMs neigen bei unternehmensspezifischen Daten zu plausiblen, aber frei erfundenen Antworten (Halluzinationen), da keine expliziten Knowledge-Graph-Relationen vorliegen.

Verwendete Fakten & Relationen (Graph Provenance)

0 Fakten

Wissensgraph	Subjekt	Prädikat / Relation	Objekt	Konfidenz / Herkunft	Aktion

	Titel & Bezeichnung ▲	Kategorie ↕	Textinhalt / Vorschau	Tokens ↕	Dims ↕	Tags

📁 Assets Hub

Git-versionierte Repository-Dateien

Lade Assets...

📂

Keine Datei geöffnet

Wähle links ein Markdown-Transkript, ein SHACL-Regelwerk, eine Ontologie, eine Quelltabelle oder eine Vektordatenbank aus.

Neue Quelle hinzufügen

Lade Textdokumente (.md, .txt) hoch — einzeln, mehrere Dateien oder einen ganzen Ordner. Jeder Import landet als eigener, benannter Graph im Staging-Bereich und wird unabhängig von den übrigen Vorschlägen geprüft, gefiltert und erst nach deiner Freigabe gemergt. Mehrere Importe können gleichzeitig offen sein.

Name des Graphen Ankerknoten (optional) Dateien Ganzen Ordner auswählen (sofern vom Browser unterstützt)

Import-Graphen

Noch keine importierten Graphen.

Knowledge Steward