Seminar metaphactory – Search & Discovery Agent, NL2SPARQL und AI-gestützte Wissenssuche

Das zweitägige Seminar behandelt die AI-gestützte Wissenssuche in metaphactory. Search & Discovery Agent, natürliche Sprache, NL2SPARQL, semantischer Modellkontext, Berechtigungen, Antwortnachweise, Evaluationsverfahren und produktiver Betrieb werden zu einem kontrollierten Retrieval-Prozess verbunden.

Inhaltsübersicht

• Lernziele und fachliche Einordnung
• Schrittweise Seminarinhalte
• Praxisübungen und Laborszenarien
• Zielgruppe und Voraussetzungen
• Didaktik und Arbeitsweise

Lernziele

• Geeignete Fragestellungen und Grenzen natürlicher Sprachsuche über Wissensgraphen bestimmen.
• Agenten, Datenquellen und Modellkontext für fachlich präzise Antworten konfigurieren.
• NL2SPARQL-Ergebnisse technisch prüfen und Fehler systematisch analysieren.
• Berechtigungen, Vertraulichkeit, Grounding und Antwortnachweise absichern.
• Testkataloge, Qualitätsmetriken, LLM-as-a-judge und Betriebsüberwachung etablieren.

Schrittweise Seminarinhalte

1. Use Cases, Risiken und Erfolgsmetriken

Schwerpunkt: Fragetypen, Nutzergruppen, Antwortgrenzen, Datenabdeckung, Genauigkeit, Nachvollziehbarkeit, Datenschutz, Kosten und Eskalation.

1. Ausgangslage, fachliche Anforderungen und messbare Akzeptanzkriterien für den Themenblock „Use Cases, Risiken und Erfolgsmetriken“ erfassen.
2. Relevante Ressourcen, Rollen, Datenobjekte und Abhängigkeiten anhand von Fragetypen, Nutzergruppen, Antwortgrenzen, Datenabdeckung, Genauigkeit, Nachvollziehbarkeit, Datenschutz, Kosten und Eskalation modellieren.
3. Die erforderliche Konfiguration oder Arbeitsfolge in der metaphactory-Laborumgebung beziehungsweise im Prozessmodell schrittweise umsetzen.
4. Funktion, Berechtigungen, Datenqualität, Protokollierung und Fehlerverhalten mit definierten Positiv- und Negativfällen prüfen.
5. Als Arbeitsergebnis einen fachlich geprüften und wiederholbaren Standard für „Use Cases, Risiken und Erfolgsmetriken“ dokumentieren.

2. Agentkonfiguration und semantischer Kontext

Schwerpunkt: Datenquellen, Modellrepositories, Klassen, Eigenschaften, Labels, Suchräume, Systemanweisungen, Rollen und technische Voraussetzungen.

1. Ausgangslage, fachliche Anforderungen und messbare Akzeptanzkriterien für den Themenblock „Agentkonfiguration und semantischer Kontext“ erfassen.
2. Relevante Ressourcen, Rollen, Datenobjekte und Abhängigkeiten anhand von Datenquellen, Modellrepositories, Klassen, Eigenschaften, Labels, Suchräume, Systemanweisungen, Rollen und technische Voraussetzungen modellieren.
3. Die erforderliche Konfiguration oder Arbeitsfolge in der metaphactory-Laborumgebung beziehungsweise im Prozessmodell schrittweise umsetzen.
4. Funktion, Berechtigungen, Datenqualität, Protokollierung und Fehlerverhalten mit definierten Positiv- und Negativfällen prüfen.
5. Als Arbeitsergebnis einen fachlich geprüften und wiederholbaren Standard für „Agentkonfiguration und semantischer Kontext“ dokumentieren.

3. NL2SPARQL und Query-Prüfung

Schwerpunkt: natürliche Frage, generierte SPARQL-Abfrage, Entitätsauflösung, Filter, Joins, Aggregate, Pfade, Syntax, Semantik und Ergebnisplausibilität.

1. Ausgangslage, fachliche Anforderungen und messbare Akzeptanzkriterien für den Themenblock „NL2SPARQL und Query-Prüfung“ erfassen.
2. Relevante Ressourcen, Rollen, Datenobjekte und Abhängigkeiten anhand von natürliche Frage, generierte SPARQL-Abfrage, Entitätsauflösung, Filter, Joins, Aggregate, Pfade, Syntax, Semantik und Ergebnisplausibilität modellieren.
3. Die erforderliche Konfiguration oder Arbeitsfolge in der metaphactory-Laborumgebung beziehungsweise im Prozessmodell schrittweise umsetzen.
4. Funktion, Berechtigungen, Datenqualität, Protokollierung und Fehlerverhalten mit definierten Positiv- und Negativfällen prüfen.
5. Als Arbeitsergebnis einen fachlich geprüften und wiederholbaren Standard für „NL2SPARQL und Query-Prüfung“ dokumentieren.

4. Grounding, Berechtigungen und Antwortkontrolle

Schwerpunkt: zugelassene Quellen, rollenbasierter Zugriff, vertrauliche Daten, Zitier- oder Nachweislogik, Unsicherheit, Nichtwissen und sichere Fehlermeldungen.

1. Ausgangslage, fachliche Anforderungen und messbare Akzeptanzkriterien für den Themenblock „Grounding, Berechtigungen und Antwortkontrolle“ erfassen.
2. Relevante Ressourcen, Rollen, Datenobjekte und Abhängigkeiten anhand von zugelassene Quellen, rollenbasierter Zugriff, vertrauliche Daten, Zitier- oder Nachweislogik, Unsicherheit, Nichtwissen und sichere Fehlermeldungen modellieren.
3. Die erforderliche Konfiguration oder Arbeitsfolge in der metaphactory-Laborumgebung beziehungsweise im Prozessmodell schrittweise umsetzen.
4. Funktion, Berechtigungen, Datenqualität, Protokollierung und Fehlerverhalten mit definierten Positiv- und Negativfällen prüfen.
5. Als Arbeitsergebnis einen fachlich geprüften und wiederholbaren Standard für „Grounding, Berechtigungen und Antwortkontrolle“ dokumentieren.

5. Evaluation, Tuning und Betrieb

Schwerpunkt: Goldfragen, Positiv- und Negativfälle, automatische Testfallerzeugung, LLM-as-a-judge, manuelle Bewertung, Regression, Monitoring, Kosten und Change.

1. Ausgangslage, fachliche Anforderungen und messbare Akzeptanzkriterien für den Themenblock „Evaluation, Tuning und Betrieb“ erfassen.
2. Relevante Ressourcen, Rollen, Datenobjekte und Abhängigkeiten anhand von Goldfragen, Positiv- und Negativfälle, automatische Testfallerzeugung, LLM-as-a-judge, manuelle Bewertung, Regression, Monitoring, Kosten und Change modellieren.
3. Die erforderliche Konfiguration oder Arbeitsfolge in der metaphactory-Laborumgebung beziehungsweise im Prozessmodell schrittweise umsetzen.
4. Funktion, Berechtigungen, Datenqualität, Protokollierung und Fehlerverhalten mit definierten Positiv- und Negativfällen prüfen.
5. Als Arbeitsergebnis einen fachlich geprüften und wiederholbaren Standard für „Evaluation, Tuning und Betrieb“ dokumentieren.

Praxisübungen und Laborszenarien

• Konfiguration eines Search & Discovery Agent für einen vorbereiteten Wissensgraphen.
• Analyse und Korrektur fehlerhafter NL2SPARQL-Abfragen aus mehrdeutigen Fachfragen.
• Aufbau eines Evaluationssatzes mit Goldantworten, Sicherheitsfällen und Qualitätsmetriken.

Zielgruppe und Voraussetzungen

Zielgruppe: AI Engineering, Search Engineering, Knowledge-Graph-Engineering, Data Products, Informationssicherheit und Fachanwendungsentwicklung.

Voraussetzungen: Sichere SPARQL-Grundkenntnisse, Verständnis des zugrunde liegenden semantischen Modells und Grundkenntnisse zu LLM-basierten Anwendungen.

Didaktik und Arbeitsweise

Kurze Fachimpulse werden unmittelbar durch Demonstrationen, strukturierte Konfigurationsschritte, Praxisübungen und kontrollierte Fehlerfälle vertieft. Jede Übung verwendet definierte Ausgangswerte, Prüfpunkte und Dokumentationsanforderungen, damit die erarbeiteten Abläufe als reproduzierbarer Arbeits- oder Betriebsstandard einsetzbar bleiben.