Database Transformation

Kontext

Organisationen verfügen über riesige Mengen relationaler Daten, doch sie in einen Knowledge Graph zu überführen – das Format, das semantische Suche, Analytik und vertrauenswürdigere KI trägt – war bislang langsame Spezialistenarbeit, bei der Mapping-Regeln in einer syntaxlastigen Sprache von Hand geschrieben werden. Ich habe LXS gebaut, um daraus einen geführten Human-in-the-Loop-Prozess zu machen. Nutzer verbinden eine Datenbank und laden die passenden Ontologien; das System entwirft die Mapping-Regeln, die jede Tabellenspalte mit der richtigen Ontologie-Klasse und -Eigenschaft verknüpfen, zerlegt die Aufgabe in kleine Schritte und zeigt für jeden Vorschlag eine Plausibilitätsangabe, sodass auch Nicht-Experten ihn sicher prüfen, übernehmen oder korrigieren können. Der Ansatz ist neuro-symbolisch mit einem Retrieval-Augmented-Kern: Eine symbolische Engine ruft die am besten passenden Ontologie-Snippets ab und bezieht Vokabulare aus externen Terminologiediensten, und das Sprachmodell entwirft genau aus diesem Kontext – so bleiben die Vorschläge fundiert, transparent und nachvollziehbar. In der Evaluation lieferte LXS höhere Mapping-Qualität als manuelles Codieren, ein etabliertes Editor-Tool und KI allein, bei zugleich drastisch reduziertem manuellem Aufwand. Am aufschlussreichsten: Die Qualität blieb unabhängig vom Erfahrungsstand stabil, sodass auch Semantic-Web-Neulinge Expertenergebnisse erreichten – und der Mensch im Loop mit sichtbaren Plausibilitätschecks schafft das Vertrauen, das rein automatisierten Pipelines fehlt.