Are graphs really the new star schema? What do graphs look like to non-insiders, and what is it that attracts them to the graph community, methodologies, applications, and innovation? Im Verlauf der Verbindung mit Als Redner fanden wir uns in Gesprächen involviert, die über die Ursprünge und die Entwicklung der Gemeinschaft und der Technologie, auf der sie konvergiert, reflektieren und erarbeiten: Knowledge Graphs, Graph Analytics, AI, Data Science, Databases und Semantic Technology. Verbundene Daten London 2025 Die Art und Weise, wie wir es beschrieben haben, war - ein Kern von frühen Adoptern, die seit mehr als einem Jahrzehnt da sind, plus ein wachsendes Segment von Neulingen, die auf Grafiken stürzten, die entweder von GenAI oder durch die Erkenntnis gefordert wurden, dass Grafiken der beste Weg ist, um Connectedness zu modellieren. Heute gibt es mehr Datenpunkte, die verbunden werden müssen als je zuvor.Es gibt auch mehr Verbindungen, die schneller als je zuvor gemacht werden.Und die Menschen erkennen und nutzen die Bedeutung dieser Verbindungen mehr denn je. Alles ist miteinander verbunden. Grafen existieren für Modellverbindungen. Deshalb sind Grafen überall Deshalb gibt es eine Explosion in der Annahme, Gedankenführung, Tools, Features, Anwendungen und Methoden rund um Diagramme. , und der gezielte Kurationsansatz hat sich nicht geändert, es ist das bisher längste Thema. Es sind nur drei Monate seit dem vorherigen Dieses Thema richtet sich an alle – von Neuankömmlingen bis zu Experten und von strategischen Denkern und Modellierern bis hin zu Ingenieuren und Wissenschaftlern.Von Graph-Unterstützung auf Microsoft Azure, GitLab, Netflix, S&P und SAP bis hin zu Semantik und Agenten auf Databricks und Snowflake, Ontologien, Wissensgrafiken und KI, Graph-Transformatoren und wissenschaftlichen Durchbrüchen. To meet the leaders and innovators shaping Knowledge Graph, Graph Databases, Semantic Technology and Graph Analytics / Data Science / AI, come to . Connected Data London 2025 on November 20 – 21 Connected Data London 2025 vom 20. bis 21. November Tabelle der Inhalte Graph is the new star schema Graphs power Systems of Intelligence A unified semantic knowledge graph for Enterprise AGI Defining and building ontologies Getting started with knowledge graphs Adopting, building and populating knowledge graphs Knowledge graphs and AI: a two-way street The state of GraphRAG Multimodal graphs Graph databases grow and evolve LPG vs. RDF, OWL vs. SHACL Graph AI: GNNs, graph transformers and foundational models Graph science: Strong perfect graphs, the new Dijkstra’s algorithm and convergent neural networks Diese Ausgabe des Jahres des Grafs wird Ihnen von G.V(), Metaphacts, Linkurious und Cognee gebracht. Wenn Sie in einer bevorstehenden Ausgabe präsentiert werden und diese Arbeit unterstützen möchten, erreichen Sie! This issue of the Year of the Graph is brought to you by , , , and . G.V() metaphacts Linkurious cognee Die V() Metaphern Linker Cognie Wenn Sie in einer bevorstehenden Ausgabe präsentiert werden und diese Arbeit unterstützen möchten, erreichen Sie! Announcing the State of the Graph project Ankündigung des Status of the Graph-Projekts Ein umfassendes und aktuelles Repository, Visualisierung und Analyse aller Angebote im Grafik-Technologie-Raum. 👉 Kommen bald. Anmeldung für Updates hier Graph is the new star schema Graph ist das neue Sternenschema Irina Malkova, VP Product Data & AI bei Salesforce, denkt so.Vor der KI hatte Malkova nicht das Gefühl, dass graphische Metadaten eine positive ROI-Investition für ihr Team waren – obwohl sie sich nie zu genau angesehen haben. Ist Graph wirklich das neue Sternenschema? Jetzt erkennt Malkova jedoch, dass Agenten nicht autonom sein können, es sei denn, die Daten sind als ein Diagramm strukturiert. Als sie es legte, Malkova fragt sich, wie es wäre, wenn Grafinsider und Neulinge ihre Jobs neu vorstellen würden, indem sie voneinander lernen würden. wir leben durch die dritte Welle von Grafiken, die jetzt von der Notwendigkeit angetrieben wird, Daten an KI-Agenten zu füttern Was haben Grafiken und das Sternenschema des Datenspeichers gemeinsam? Sie sind allgegenwärtig und helfen, Wert für Organisationen zu entsperren. Im Gegensatz zum Sternenschema sind graphische Datenmodelle jedoch flexibel und können die Semantik eindeutig modellieren. als Ohne gut definierte Prozesse und widerstandsfähige Architekturen riskiert die Beschleunigung, die GenAI mit sich bringt, das Chaos zu verstärken, anstatt die Workflows zu rationalisieren. Charles Betz, VP, Chief Analyst bei Forrester Der Schlüssel liegt darin, ein robustes IT-Betriebsmodell aufzubauen, das GenAI in das Gewebe von Managementsystemen integriert.Graph-Datenbanken und die abrufverstärkte Generation sind grundlegende Technologien für diese Transformation. Graphs repräsentieren Entitäten und Beziehungen flexibel und ermöglichen es GenAI, über komplexe Datenlandschaften hinweg zu reden.Durch die Investition in grafische Wissensinfrastruktur können Organisationen das volle Potenzial von KI freischalten und gleichzeitig Transparenz, Rückverfolgbarkeit und Ausrichtung gewährleisten. Matan-Paul Shetrit, Director of Product Management bei Writer, geht noch einen Schritt weiter. Im traditionellen Unternehmen war die Koordination manuell, im hybriden Unternehmen wird die Koordination programmierbar. Grafik als Orchestrierungsschicht für Firmen der Zukunft Es ist nicht mehr die primäre Karte, wie Arbeitsabläufe laufen.Das Orchestrationsdiagramm ist: das dynamische, oft unsichtbare Netzwerk von Menschen, Agenten und Systemen, das durch Delegationslogik, Ausführungsschleifen und Eskalationswege verbunden ist. G.V() ist ein Graph-Datenbank-Client und IDE, die Sie durch jede Aufgabe ermächtigt: No matter what graph technology you work with, G.V() makes you more productive Schreiben, Ausführen und Profilabfragen Überprüfen Sie Ihr Datenmodell Erkunden Sie Ihre Daten mit leistungsstarker Grafikvisualisierung Hinzufügen oder Bearbeiten von Daten auf dem Fly Als die am weitesten kompatible Graph-Datenbank-IDE unterstützt G.V() mehr als 20 Tools, darunter Amazon Neptune, Google Spanner Graph, Neo4j und JanusGraph – und jetzt mit GQL-Unterstützung für Ultipa Graph. Probieren Sie es selbst aus und beginnen Sie in weniger als 5 Minuten mit der Abfrage Ihrer Datenbank: auf gdotv.com Graphs power Systems of Intelligence Graphs Power Systeme der Intelligenz Grafen entwickeln sich neben GenAI, beeinflussen und werden von ihm beeinflusst. Generative KI-Fähigkeiten entwickeln sich in einem schnellen Tempo und die Werkzeuge, die in den nächsten 2-5 Jahren verfügbar werden, werden transformativ sein. Nach dem Gartner 2025 AI Hype Cycle Al-Investitionen bleiben stark, aber der Fokus verschiebt sich vom GenAl-Hype zu grundlegenden Innovationen wie Al-ready-Daten, Al-Agenten, Al-Engineering und ModelOps. Diese Bedingungen bedeuten, dass GenAI weiterhin eine oberste Priorität für die C-Suite ist.Wissensdiagramme sind ein wichtiger Teil davon, positioniert auf der Hänge der Erleuchtung. . Wissensdiagramme sind auch die Grundlage für Systeme der Intelligenz ist ein Begriff, der von und von SiliconANGLE & theCUBE Analysten David Vellante und George Gilbert in ihrer . Systeme der Intelligenz von Geoffrey Moore Analyse darüber, wie Snowflake neue Wettbewerbsdynamiken navigiert Systeme der Intelligenz sind die Spitze der modernen Enterprise-Architektur, weil KI-Agenten nur so intelligent sind wie der Zustand des Geschäfts, der im Wissensdiagramm dargestellt wird. A unified semantic knowledge graph for Enterprise AGI Ein einheitliches semantisches Wissensdiagramm für Enterprise AGI Vellante und Gilbert zoomen auch auf die Bedeutung der Semantik in ihrer Analyse der Das Verständnis der Strategie besteht darin, zu erkennen, wie Systeme der Intelligenz, Systeme des Engagements und Systeme der Agentur ein Flywheel schaffen: Ali Ghodsi's Data Intelligence Playbook für Databricks verwandelt Daten in Agenturvorteile User Intent Feeds Semantics: Jede Frage bereichert letztendlich den Katalog mit einem reicheren Kontext und fügt den Daten Bedeutung hinzu, damit andere mehr Wert daraus extrahieren können. Semantics Feed Agents: Reichere Kontextwaffenagenten, um bessere Entscheidungen zu treffen und letztendlich autonom zu handeln. Agenten erstellen Ergebnisse: Agenten liefern Ergebnisse, die effektiver mit den Geschäftszielen übereinstimmen. Dies ist der Eckpfeiler der Data Intelligence-Strategie des Unternehmens. Ohne harmonisierte, gesteuerte und bereicherte Semantik können Dashboards, Agenten oder operative Anwendungen nicht integriert und funktionieren. Ali Ghodsi hat die Einsätze klar gemacht und den Besitz der Semantik als "existentiell" bezeichnet Das Ziel ist es, Agenten zu ermöglichen, die nicht nur wissen, was passiert ist, sondern auch ableiten können, warum, vorhersagen, was als nächstes ist und vorschreiben, was zu tun ist.Dies ist der heilige Graal der Enterprise AI - die Grundlage für "Enterprise AGI." Strategische Denker erkennen die Bedeutung der Semantik und Dies ist ein Teil des Grundes, warum Menschen über semantische Schichten sprechen – aber was ist eine semantische Schicht eigentlich? Semantische Schichten sind wichtiger denn je im Zeitalter der KI Mitglieder der Connected Data Community: Sofus Macskássy, Jessica Talisman, Juan Sequeda und Andreas Blumauer . semantische Schichten aus einer Vielzahl von Winkeln zu nähern, Definitionen und Richtlinien zu teilen Why AI alone can’t solve all your data problems LLMs "halluzinieren" oft, weil sie sich auf breite, statistische Muster verlassen, nicht auf das einzigartige Wissen Ihres Unternehmens. Mit metis können Sie semantische Modelle mit AI erstellen und verwalten, benutzerdefinierte Konversationsagenten entwerfen und bereitstellen und Tools für Zusammenfassung, Abfrageausführung und vieles mehr kombinieren. Verwenden Sie zuverlässige, vertrauenswürdige KI, die Ihr Geschäft wirklich versteht. Entdecken Sie Metis heute! Defining and building ontologies Definition und Aufbau von Ontologien Die Definition von semantischen Schichten könnte als Meta-Semantik bezeichnet werden, was ein bisschen ironisch ist, aber zugleich notwendig ist. Dasselbe kann über Ontologie gesagt werden.Wenn CTOs nachdenken“ „Und Experten wiegen ein, das Gespräch kann ziemlich technisch ziemlich schnell werden. . Was ist eine Ontologie Was Organisationen von dem Plakatkind für die Ontologie in Gebrauch lernen können: Palantir Dies weist auf ein weiteres ständig laufendes Gespräch hin: Selbst wenn die Menschen sich darüber einig sind, was eine Ontologie ist, was ist der beste Weg, um eine zu bauen? und ? Ontologie-Engineering ist wirklich ein Chaos Warum Ontologie- und Datenarchitekturteams die gleichen Probleme mit verschiedenen Sprachen lösen Palantir hat seine eigene, proprietäre Definition und Umsetzung der Ontologie. Einige Leute glauben, dass dies kontraproduktiv ist. Standards wie OWL, RDF, SKOS und SHACL existieren, so dass es keinen Grund gibt, das Rad neu zu erfinden. Andere denken, dass während die Interoperabilität gut ist, Und die Gruppe denkt, dass die Evolution Grenzen hat. those standards are not always fit for purpose Es wächst der Konsens, dass Joe Hoeller argumentiert, dass die Ontologieentwicklung schwierig ist, weil sie sich auf Fachexperten stützt, die ein tiefes Verständnis für Betriebssprache, Workflows und Terminologie bringen, aber in der Regel die formale Ausbildung fehlen, die erforderlich ist, um dieses Wissen innerhalb strenger Rahmenbedingungen darzustellen. Ontologien sind so schwierig, wie sie sich entwickeln können Top-Level Ontologies (TLOs), wie die Basic Formal Ontology (BFO), Common Core Ontology (CCO), oder SUMO (Suggested Upper Merged Ontology) sind solche strengen Rahmenbedingungen. . TLOs helfen mit ROI auf zwei Arten Zweitens, wenn Domains zusammenarbeiten müssen – Finanzierung mit Logistik, Compliance mit Operationen, Gesundheitsversorgung mit Versicherungen – senkt die gemeinsame Grundlage die Integrationskosten drastisch. ist etwas, das Menschen wie Tony Seale befürworten.Stardog CEO & Gründer Kendall Clark behauptet, dass . Verwenden von LLMs zur Unterstützung der Ontologieentwicklung Die Verwendung von fundamentalen Modellen ist "magisch", die über prompt-staffolding, symbolische Ausrichtung, formale Codierung und iterative Validierung funktioniert. Jedoch Dies, behauptet er, basiert auf der Annahme, dass wir viele Ontologien aufbauen müssen, da jedes Projekt eine Ontologie braucht. Semantic Arts CEO & Gründer Dave McComb widerspricht der Vorstellung, dass ein LLM, um auch eine hässliche Ontologie zu schaffen, ein guter Ausgangspunkt ist Was wir brauchen, argumentiert McComb, sind Größenordnungen weniger Ontologien.Du siehst wirklich die Superkräfte der Ontologien, wenn du die einfachste Ausdrucksweise komplexer Konzepte in einem Unternehmen hast. Dieser Glaube spiegelt sich in , an open-source, business-focused ontology actively developed by Semantic Arts. Its lightweight design and use of everyday terminology has made it a useful tool for kickstarting domain ontology development in a range of areas. . Gestern gist ist jetzt mit BFO ausgerichtet Egal, wie Sie wählen, um Ihre Ontologie zu bauen, Werkzeuge und Methoden, um zu helfen, existieren. Tools wie Open Source und . Einführung in Ontology Engineering Spreadsheet-basierter Ontologie Maker OntoAligner, ein umfassendes modulares und robustes Python-Toolkit für Ontologie-Alignment Sneak peek: Graph visualization and analytics, reimagined for the cloud Founded in 2013, Linkurious helps Global 2000 companies and government agencies turn complex connected data into clear insights. Linkurious Enterprise Cloud (nur Wochen vor dem Start ... gehören Sie zu den ersten, die es ausprobieren!) ist der benutzerfreundlichste, flexibelste und skalierbarste Weg, um Ihre Grafikdaten zu erforschen. 👉 Erhalten Sie frühen Zugriff – melden Sie sich der Warteliste für eine kostenlose Testversion an. Getting started with knowledge graphs Getting started with knowledge graphs Eine mit Wissensdiagrammen erstellte semantische Schicht erhöht den inhärenten Wert von Daten, indem sie eine schnellere Datenintegration ermöglicht und die Datenqualität und das Vertrauen in kontextuelle Beziehungen und geteilte Modelle verbessert. Siehe Sumit Pal. Organisationen müssen das neue Paradigma ECL (extrahieren, kontextualisieren, belasten) anstelle des traditionellen ETL (extrahieren, transformieren, belasten) für einen verbesserten ROI auf KI anwenden. Erstens, weil Ihre Tabellendaten dumm sind, auch wenn Ihr Unternehmen es nicht ist, und zweitens, weil im Gegensatz zu vorhersehbaren (statistischen) Schlussfolgerungen, die auf LLMs basieren, ontologische (logische) Schlussfolgerungen, die auf Wissensdiagrammen basieren, deterministisch und erklärbar sind. Businesses must ground their AI in knowledge graphs Sie denken vielleicht, dass Wissensdiagramme zu komplex sind, um sie umzusetzen, oder dass sie massive Datensätze benötigen. that Vasilije Markovic tries to address. But even if you are new to graphs, there are lots of resources to get you started. Häufige Missverständnisse rund um Wissensgrafiken in » „, Frank Blau bietet einen Leitfaden zum Graph Thinking. ” series, Paco Nathan shares how to get up to speed on graph fundamentals. Max De Marzi shares und . Beziehung zu Graph Graph Tech enthüllt Grafische Modellierung Mastery Tips Wenn Sie eine Rolle als Knowledge Graph Engineer anstreben, hat Thomas Thelen eine Liste von Interviewfragen zusammengestellt. Der Aufbau eines Wissensdiagramms klingt großartig, aber zu früh zu springen, ohne einige grundlegende Fragen zu beantworten, kann zu Zeitverschwendung und zu viel Engineering führen. . 15 Fragen, die Ihnen helfen, intelligent zu starten, egal ob Sie ein einfaches internes Diagramm erstellen oder ein komplexes GenAI-basiertes System planen Die Implementierung eines Enterprise Knowledge Graph ist eine mehrstufige Reise.Während Projekte von einem ursprünglichen Proof-of-Concept zu einem vollständig produktiven, multi-Domain-Diagramm wechseln, akkumulieren sich Kosten. . Joe Hoeller unterteilt die typischen Phasen (PoC, Pilot und vollständige Enterprise Deployment) und die Kosten, die in jeder Phase entstanden sind. Cognee turns any data into a queryable knowledge graph backed by embeddings Cognee verwandelt unstrukturierte, strukturierte und halbstrukturierte Daten in ein abrufbares Wissensdiagramm, das von Embeddings unterstützt wird. Cognee retrievers blend vector similarity with graph traversal for precise, multi-hop answers and reproducible context – so agents reason and remember with structure. Add Cognee’s enrichment layer, time-awareness, auto-optimization, and its new UI for an even better experience. For teams building domain-aware agents, copilots, and search for knowledge-heavy domains. Cognee is open source, with a hosted version – cogwit. Try it. Cognee ist Open Source, mit einer gehosteten Version – cogwit. Adopting, building and populating knowledge graphs Adopting, building and populating knowledge graphs Knowledge graph adoption is peaking. There are more people wanting to build knowledge graphs, and more tools and approaches to do this than ever before. Bei SAP können Sie jetzt ... . kann für Codebase RAG, Code-Navigation, Impact-Analyse und Architektur-Visualisierung verwendet werden. . Semantisches Abfragen mit dem SAP HANA Cloud Knowledge Graph verwenden GitLab Wissensgrafiken Graph-Code is an open source graph-based RAG system for any codebase Synalinks is a Keras-based neuro-symbolic framework that bridges the gap between neural networks and symbolic reasoning. features optimized and constrained knowledge graph extraction and retrieval, integration with agents, Neo4j support, Cypher query generation and automatic entity alignment. SynaLinks neueste Release 0.3 Cognee is a modular framework for end-to-end knowledge graph construction and retrieval. A joint post by the cognee and Kuzu teams shows . Similarly, Amber Lennox shares . Wie man relationale Daten in ein Wissensdiagramm umwandelt Wie man von Rohdaten zu einem Wissensdiagramm mit SynaLinks geht There’s no shortage of tutorials on other tools either. Gal Shubeli shows Thu Hien Vu Aktien von Alain Airom . Wie man ein Wissensdiagramm aus strukturierten und unstrukturierten Daten mit FalkorDB und Graphiti erstellt Wie man Wissensdiagramme aus Text mit GPT4o extrahiert builds a knowledge graph from documents using Docling Es kombiniert Ontologie-Management, natürliche Sprachverarbeitung und Wissensgraph-Serialisierung, um unstrukturierten Text in strukturierte, abrufbare Daten zu verwandeln. ist OntoCast is an open source framework for creating knowledge graphs is a framework for fully autonomous knowledge graph construction that eliminates the need for predefined schemas. It leverages LLMs to extract knowledge triples and induce comprehensive schemas directly from text. . Autoschema AutoSchemaKG ist Spitzenforschung, mit dem Code auf GitHub veröffentlicht Vermarktet ein System, das PDFs und Textdateien in Wissensdiagramme umwandelt. . Blauer Morpheus iText2KG, ein Open-Source-Python-Paket, das entworfen wurde, um konsistente Wissensdiagramme mit aufgelösten Entitäten und Beziehungen schrittweise zu erstellen, kann jetzt dynamische Wissensdiagramme erstellen , which uses LLMs to automate the most painful part of building knowledge graphs from text: deduplicating records. Russel Jurney introduces the emerging field of semantic entity resolution for knowledge graphs Andrea Volpini shares a notebook , and Prashanth Rao offers . Erkundung der semantischen Entity-Auflösung und -Extraktion mit DSPy und der neuen LangExtract-Bibliothek von Google a gentle introduction to DSPy for graph data enrichment Abonnieren Sie das Jahr des Graph Newsletter Keeping track of all things Graph Year over Year Subscribe to the Year of the Graph Newsletter Subscribe to the Year of the Graph Newsletter Keeping track of all things Graph Year over Year Knowledge graphs and AI: a two-way street Wissensdiagramme und KI: Eine Zwei-Wege-Straße In der realen Welt, . Die Verwendung vordefinierter Entitäten und Beziehungen bei der Reinigung und Lösung von Duplikaten und das Markieren von inkonsistenten Quellen ist eine Voraussetzung für den Aufbau von Wissensdiagrammen. Wie Panos Alexopoulos bemerkt, sind dies die Arten von und . knowledge graph quality issues that hamper downstream applications Versuche, Wissensdiagramme zu automatisieren, können auch unvorhergesehene Folgen haben. Die Autoren von » ” believe that knowledge graphs and LLMs can work together. They show how to model knowledge graphs based on business needs and unstructured text data sources, how to leverage ontologies, taxonomies, structured data, machine learning algorithms and reasoning. Wissensdiagramme und LLMs in Aktion Als Teil ihrer Interpretabilitätsforschung hat Anthropic eine neue Methode eingeführt, um die „Gedanken“ eines großen Sprachmodells zu verfolgen. , ein Frontend zu veröffentlichen, um Grafiken zu erkunden. Michael Hunger schrieb ein von Srijan Shukla . Anthropic Open hat eine Bibliothek entwickelt, die die Generierung von Zuweisungsdiagrammen auf beliebten Open-Weights-Modellen unterstützt Script zum Importieren des Grafs json in Neo4j open sourced code to transform Claude’s hidden memory into interactive knowledge graphs In der Welt der LLMs gewinnt der Begriff "Context Engineering" an Anziehungskraft. as “building dynamic systems to provide the right information and tools in the right format such that the LLM can plausibly accomplish the task”. LangChain’s CEO Harrison Chase defines context engineering Wie Jérémy Ravenel bemerkt, Und wenn die KI über Demos und Co-Copots hinaus in Systeme skalieren wird, die Vernunft, Speicherverfolgung und Interoperabilität über Domains hinweg verfolgen, dann reicht der Kontext allein nicht aus. Kontext ohne Struktur ist Erzählung, nicht Wissen Kontext-Engineering geht darum, Inputs zu kurieren: Anrufe, Gedächtnis, Benutzeranweisungen, Einbettungen. Es ist die Kunst des Framing. Ontologie-Engineering geht darum, die Welt zu modellieren: Entitäten, Beziehungen, Axiome und Einschränkungen zu definieren, die das Denken möglich machen. Kontext leitet die Aufmerksamkeit. Wissensdiagramme bestehen darin, den LLM einen strukturierten, semantischen Kontext zu bieten, indem sie Informationen als miteinander verbundene Entitäten und Beziehungen organisieren, was sie zu großartigen Optionen für Gedächtnis und Erfassung macht. . Knowledge graphs backed by ontologies are the ultimate context layer for LLMs Anthony Alcaraz notes Agentic knowledge graph construction and temporal graphs Agentic knowledge graph construction and temporal graphs is the latest in automated knowledge graphs. The idea Anthony Alcaraz promotes based on a tutorial by Andrew Ng and Andreas Kolleger is to deploy an AI agent workforce, treat AI as a designer, not just a doer, and use a 3-part graph architecture to augment humans instead of replacing them. Agentic knowledge graph construction Die Autoren des Buches » Ziel ist es, Datenwissenschaftlern auszustatten, intelligente KI-Agenten zu bauen, die dynamisch rationieren, abrufen und interagieren und sie dazu befähigen, KI-Lösungen zu implementieren. Aufbau von KI-Agenten mit LLMs, RAGs und Knowledge Graphs Google Cloud released Google Agentspace, which provides a single platform to build, manage, and adopt AI agents at scale for individuals, teams, and enterprises. . Google Agentspace is powered by a knowledge graph, built on Spanner Graph , claiming to be the largest open source financial knowledge graph built from unstructured data. FinReflectKG is a concrete example of agentic construction and evaluation of financial knowledge graphs Während sich das Kochbuch auf OpenAI-Modelle und einige andere spezifische Tools konzentriert, sind das zugrunde liegende Framework und die Logik model-agnostic und leicht an andere Stacks anpassbar. OpenAI veröffentlicht praktischen Leitfaden zum Aufbau von temporären Agenten mit Wissensdiagrammen Ein anderer Ansatz wird von Fareed Khan geteilt in " Khan zeigt, wie man eine End-to-End-Zeit-Agent-Pipeline schafft, die Rohdaten in eine dynamische Wissensbasis umwandelt, und ein Multi-Agent-System aufbaut, um Leistung zu messen. Building a Temporal AI Agent to Optimize Evolving Knowledge Bases in Modern RAG Systems TGM ist eine Forschungs-Open-Source-Bibliothek, die entworfen wurde, um Trainings-Workloads über dynamische Grafiken zu beschleunigen und die Prototyping von Zeitgrafik-Lernmethoden zu erleichtern. Temporal graph modeling is what TGM focuses on The state of GraphRAG Der Zustand von GraphRAG And what about GraphRAG? Just over a year ago, GraphRAG was the hottest topic in AI. GraphRAG is an emerging set of techniques to enhance retrieval-augmented generation by integrating knowledge graphs, using their structured nature to provide richer, more nuanced context than standard vector search could offer. Mehrere architektonische Blueprints für die Nutzung dieser Grafiken, um die komplexen Beziehungen zwischen Organisationen zu erfassen, wurden vorgestellt, mit dem Ziel, präzisere und kontextuell bewusste AI-generierte Antworten zu produzieren. While evidence of widespread adoption is scarce, forward-looking applications are emerging. In agentic AI systems, the graph is evolving from a simple data source for retrieval into a foundational map for reasoning and coordination. Lorica ist argumentiert. Der wahre Wert des graph-zentrischen Ansatzes wird klar, wenn es auf agentische KI angewendet wird GraphRAG ist immer noch heiß. Neo4j veröffentlicht die and Avi Chawla teilt A , while a ... . claims to decrease RAG retrieval error rate by 67%. Developer’s Guide to Graph RAG Essential GraphRAG book visuelle Erläuterung von RAG vs Graph RAG empirische Studie analysiert, wann und wie Wissensdiagramme für RAG verwendet werden Anthropic’s Contextual Retrieval Es gibt auch neue GraphRAG-Varianten. takes cues from the brain to improve LLM retrieval. HippoRAG Graph-R1 verbindet GraphRAG mit Reinforcement Learning. introduces a novel distillation framework that transfers RAG capabilities from LLMs to SLMs through evidence-based distillation and Graph-based structuring. DRAG HiRAG verwendet hierarchisches Clustering, um unterschiedliche Themencluster zu verknüpfen, um das globale Denken zu verbessern. Andreas Kolleger unterstreicht , und Ben Lorica teilt . innovative approaches from the GraphRAG Track at AI Engineer World’s Fair 2025 5 breakthroughs you should know about in RAG Reimagined Sergey Vasiliev argumentiert Um dies zu bekämpfen, veröffentlichten Huawei-Forscher . GraphRAG doesn’t lack ideas, but it struggles to scale up eine pragmatische Fallstudie zur Ausgewogenheit von Skalierbarkeit mit Argumentationstiefe in GraphRAG-Systemen Multimodal graphs Multimodale Grafiken Ein Thema, das in GraphRAG und darüber hinaus an Dynamik gewinnt, ist Multi-Modalität. is an all-in-one RAG system that leverages multimodal knowledge graphs for automatic entity extraction and cross-modal relationship discovery for enhanced understanding. RAG-Anything is a framework designed by David Hughes and Amy Hodler to seamlessly integrate visual and textual data for more comprehensive insights and more accurate responses. It combines embeddings that capture visual and audio semantics, graph-based reasoning and explainable outcomes. Multimodal GraphRAG combines structured knowledge representations with deep learning techniques to handle diverse information sources. ist Multimodal für Knowledge Graphs (MM4KG) In “ “, researchers propose a unified framework of multi-modal graph data, task, and model, discovering the inherent multi-granularity and multi-scale characteristics in multi-modal graphs. Mehrmodal Graph Große Sprachmodell Graph databases grow and evolve Graph databases grow and evolve wie Joe McKendrick schreibt auf ZDNet. Graph-Datenbanken werden voraussichtlich eine Fünf-Jahres-CAGR von 24% - 26% haben und , respectively. The overall database market will grow 16% annually. Graph-Datenbanken explodieren dank des AI-Booms, Gartner Die Business Research Company Da KI und RAG sowohl Grafen- als auch Vektordatenbanken erheblich gefördert haben, versuchen die Menschen, festzustellen, wie diese beiden miteinander vergleichen und wann und wie jede verwendet werden soll. Andreas Blumauer . : they encode logic, preserve causality, and let you do symbolic + neural hybrid search, Shobhit Tankha chimes in. In André Lindenberg’s words: . Vektor- und Graph-Datenbank Semantik vergleichen Grafen speichern nicht nur Fakten A database tells you what is connected. A knowledge graph tells you why Graph-Datenbanken sind voller Aktivität.Erstens haben wir in den letzten Monaten nicht einen, sondern zwei neue Anbieter enthüllt. , eine effiziente diskbasierte Grafikdatenbank für RDF-Wissensgrafiken, befindet sich jetzt in der Open Beta. , a low-latency in-memory graph database engine, is now open for early access. Tentris TuringDB Existing graph database vendors are making progress too. ist Neo4j ging HTAP mit der Einführung von Infinigraph, einer neuen Graph-Architektur, die darauf abzielt, Datensilos zwischen Transaktions- und Analysesystemen zu beseitigen. Amazon Neptune 1.4.5 führte Engine-Verbesserungen und Unterstützung für AWS Graviton-basierte r8g-Instances ein. , bringing improvements in developer ease, performance, and cost efficiency. Aerospike Graph Database 3.0 was announced , bringing broad LLM compatibility, MCP support, precision entity linking, native GraphQL support and performance improvements. Graphwise announced the availability of versions 11 and 11.1 of GraphDB , bringing single-file databases, improvements to vector and full-text search indices, and new LLM support. Kuzu v0.11.0 was released TigerGraph kündigte eine strategische Investition von Cuadrilla Capital an. GQL, the newly-minted graph query language standard, is seeing adoption. , enabling users to run GQL queries on any Fabric Eventhouse or Azure Data Explorer. Shortly after, . And Integriert mit tiefer Suche. Microsoft is adding GQL support to KQL graph semantics Microsoft Fabric started offering graph analysis in Real-Time Intelligence Siren ist die erste Ermittlungsplattform, die GQL Graph Querying anbietet Für einen Leitfaden zum Entwerfen, Abfragen und Verwalten von Graph-Datenbanken mit GQL, lesen Sie das neu veröffentlichte Buch . And now you can directly , dank der Ultipa VS Code Extensions. Getting Started with the Graph Query Language (GQL) GQL-Abfragen in VS Code ausführen Graph data models: LPG vs. RDF, OWL vs. SHACL Graph data models: LPG vs. RDF, OWL vs. SHACL The LPG vs. RDF debate over graph data models never really goes away. Bryon Jacob explored RDF’s complete stack – (IRIs), (triples), (RDFS/OWL), (SPARQL) und . Jacob argues that . identity structure Semantik Wünsche Vergleichen Sie es mit Immobiliengrafiken major enterprises are discovering they’ve been rebuilding RDF piece by piece und Atanas Kiryakov hat einen good insights in the comment section. In , Enterprise Knowledge share ways to manage and apply a selection of these frameworks to meet enterprise needs. Ora Lassila agrees, debunking urban myths about RDF and explaining how ontologies help GraphRAG; bridging LPG and RDF frameworks In his exploration on , Kurt Cagle claims that we are soon likely to see the unification of LPG and RDF. Cagle also predicts that event-driven and dynamic knowledge graphs SHACL-based modeling will be more important going forward. He follows up . the future of knowledge graphs Argumentieren, dass es an der Zeit ist, die verknüpften Daten zu überdenken , ermöglicht es, Domain-Modelle in Schema-Definition-Sprachen wie GraphQL, Avro, SQL, RDF und Java zu transpilen, während die Semantik beibehalten wird. . Netflix unveiled its UDA (Unified Data Architecture) to model once, represent everywhere S&P launched its new AI-ready Metadata on the S&P Global Marketplace, with RDF under the hood Die Leute debattieren auch OWL vs. SHACL. Holger Knublauch, Boris Pelakh, Pete Rivett und Jessica Talisman sprechen dies in , while Michael Iantosca argues that . the great semantic modeling debate Sowohl OWL als auch SHACL können während der Entscheidungsphase für KI-Agenten bei Verwendung eines Wissensdiagramms eingesetzt werden. Holger Knublauch teilt eine Vorschau von . Veronika Heimsbakk’s book “ ” is open for pre-orders. And Kurt Cagle shows , and and . what is coming in SHACL 1.2 SHACL für den Praktiker Wie man Pizza mit AI und SHACL macht how to use SHACL to validate anything build user interfaces Graph AI: GNNs, graph transformers and foundational models Graph AI: GNNs, graph transformers and foundational models We have already seen how to approach graph data models and databases coming from the relational world. But » ? ? Was ist ein „relational foundation model“ Der GenAI-Boom hat uns leistungsstarke Sprachmodelle gegeben, die über große Mengen an Text und anderen Arten von Daten schreiben, zusammenfassen und "gründen" können. Kumo's Ansatz, "relational deep learning", verspricht, dies zu ändern. um jede relationale Datenbank automatisch als ein einzelnes, miteinander verbundenes Diagramm darzustellen und lernt direkt aus dieser Diagrammdarstellung. transformer architecture Kumo looks like the first to productize this. However, people in and Sie arbeiten auch an ähnlichen Ansätzen. The evolution is far from over, and the future of graph AI promises to be even more deeply connected. Google Yandex Microsoft’s Janu Verma shares his own take on Graph Transformers. The Connected Data community is a great place for an Die Autoren der haben vor kurzem ein neues Kapitel auf Grafiken hinzugefügt. Jure Leskovec Aktien . ist introduction to Graph Learning and GNNs Geometrisches Deep Learning Lehrbuch what every data scientist should know about Graph Transformers and their impact on structured data Wrapping up from the world of graph AI with more new releases. PyG (PyTorch Geometric) is a library built upon PyTorch to easily write and train Graph Neural Networks for a wide range of applications related to structured data. PyG has evolved significantly since its initial release, establishing itself as a leading framework for Graph Neural Networks. Dies führt zu erheblichen Verbesserungen der Skalierbarkeit und der Anwendungsfähigkeit in der realen Welt. PyG 2.0 is a comprehensive update . It is a PyTorch-based framework that provides a flexible and modular architecture for building and training GNN models for anomaly detection. GraGOD is a modern approach to time-series anomaly detection using GNN techniques Graph science: Strong perfect graphs, the new Dijkstra’s algorithm and convergent neural networks Graph science: Strong perfect graphs, the new Dijkstra’s algorithm and convergent neural networks Last but not least, Fortschritte auf der wissenschaftlichen Front für Grafiken. . Chudnovsky’s breakthrough on the zeigt, wie abstrakte Mathematik reale Lösungen schafft. Maria Chudnovsky, die „Superstar Mathematikerin“, die ein 40-jähriges Rätsel über perfekte Grafiken gelöst hat Strong Perfect Graph Konzeption Wenn wir von realen Lösungen sprechen: Wenn wir Google Maps verwenden, um die schnellste Route zu finden, läuft hinter den Kulissen eine Version des Algorithmus von Dijkstra. : etwas, was die Leute dachten, dass es nicht wirklich auf sinnvolle Weise verbessert werden konnte. Forscher haben einen schnelleren Weg gefunden, um Dijkstra's kürzester Weg Algorithmus zu laufen ist Travis Thompson behauptet . Alexander Stage notes that this a . Dies überträgt gut in die Art und Weise, wie Datenprodukte gebaut und verbraucht werden great theory milestone, but production routing already “changed the rules” years ago with preprocessing and smart graph engineering Miklós Molnár reports on Szegedy Balázs’ work on Die Ergebnisse deuten auf die Platonische Repräsentationshypothese hin, wonach sich neuronale Netzwerke zu einem gemeinsamen statistischen Modell der Realität konvergieren. . Neuronale Netzwerke mit identischen Architekturen representing graphs Abonnieren Sie das Jahr des Graph Newsletter Nachverfolgen aller Dinge Graph Jahr für Jahr Abonnieren Sie das Jahr des Graph Newsletter Abonnieren Sie das Jahr des Graph Newsletter Nachverfolgen aller Dinge Graph Jahr für Jahr
