Platform USP

Diese KI stellt keine Vermutungen an.
Sie versteht Ihre Fachdomäne vollständig.

Der schema-zentrierte Knowledge Graph von Data Graphs vermittelt der KI ein umfassendes Verständnis Ihrer Datenstrukturen und ihrer Zusammenhänge. Das Ergebnis: präzise GQL-Queries, fundierte Antworten und keine Halluzinationen. Ergänzt um Vektor-Retrieval für unstrukturierte Inhalte, entsteht Hybrid RAG, das ohne prompt engineering und ohne aufwendiges Tuning des Retrievals sofort einsatzbereit ist.

Live erleben Technischer Deep Dive

Vektoren finden Ähnlichkeiten. Graphen erkennen Zusammenhänge.

Der Schema-Vorteil

Ihr Domänenmodell ist das Gehirn der KI

In Data Graphs ist das Domänenmodell (Schema) weit mehr als eine Einschränkung Ihrer Daten. Es beschreibt maschinenlesbar und vollständig, was Ihre Daten bedeuten: die Entitäten, ihre Eigenschaften, ihre Beziehungen und die Regeln, die für sie gelten.

Trifft eine Frage ein, ob von einem Menschen oder einem Agenten, liest die KI dieses Schema und erfasst die Fachdomäne so, wie es ein Experte tun würde. Sie weiß, was ein „Produkt“ ist, wie es mit einem „Inhaltsstoff“ zusammenhängt und was eine „registrierte Formulierung“ umfasst. Statt näherungsweiser Textabgleiche schreibt sie präzise, korrekte GQL-Queries, um die Antwort zu finden.

Genau deshalb ist alles sofort einsatzbereit. Sie modellieren Ihre Fachdomäne, importieren Ihre Daten, und die KI funktioniert. Kein prompt engineering. Kein Tuning des Retrievals. Kein Nachjustieren gegen Halluzinationen. Das Schema übernimmt die eigentliche Arbeit.

So funktioniert es
1. Die KI liest das Domänenmodell (Schema)
2. Sie erfasst Entitäten, Beziehungen und Regeln
3. Sie schreibt und führt präzise GQL-Queries aus
4. Sie ruft unstrukturierte Inhalte per Vektor ab
5. Sie liefert fundierte, belegte und korrekte Antworten

Kein prompt engineering. Kein Tuning des Retrievals. Sofort einsatzbereit.

Hybrid RAG: Graph + Vektor

Zwei Wege des Retrievals, eine nahtlose Antwort

Graph-Retrieval (GQL)

Für strukturierte Fragen: „Welche Produkte enthalten diesen Inhaltsstoff?“, „Zeige alle Registrierungen, die in diesem Quartal auslaufen“, „Wie hängen X und Y zusammen?“ Die KI liest das Schema, schreibt eine präzise GQL-Query und liefert exakte, vollständige und korrekte Ergebnisse.

Exakte Antworten Beziehungen durchlaufen Aggregationen Negationsabfragen Schema-getrieben

Vektor-Retrieval (Embeddings)

Für unstrukturierte Inhalte: Dokumente, Fließtext, Notizen, PDFs, Medientranskripte. Steht die Antwort im Text statt in strukturierten Daten, findet die Vektorsuche semantisch ähnliche Inhalte und stellt sie neben die Graph-Ergebnisse.

Semantische Ähnlichkeit Dokumentensuche Fließtext Medieninhalte Embedding-basiert

Das hybride Modell führt beide Wege nahtlos zusammen. Die KI entscheidet anhand der Frage, welchen Retrieval-Weg sie nutzt. Jede Antwort belegt ihre Quellen, ob strukturierte Graph-Daten oder unstrukturierte Inhalte.

Warum Vektordatenbanken allein nicht ausreichen
“Mit wem habe ich diesen Monat noch nicht gesprochen?”
Eine Negation lässt sich im Embedding-Raum geometrisch nicht sinnvoll abbilden.
“Wie viele Produkte enthalten den Inhaltsstoff X?”
Zählen und Aggregieren verlangen strukturiertes Durchlaufen, keine Ähnlichkeitssuche.
“Welche Beziehungskette verbindet A und B?”
Vektoren speichern Inhalte, nicht die Verbindungen zwischen ihnen. Doch genau diese Beziehungen sind entscheidend.
“Zeige alles, was im dritten Quartal ausläuft und vor 2020 freigegeben wurde.”
Kombinierte Zeitfilter mit strukturierten Bedingungen bringen jede Ähnlichkeitssuche an ihre Grenzen.

Graph und Vektor ergänzen einander. Der Vektor glänzt bei der unstrukturierten semantischen Suche, der Graph beim strukturierten relationalen Schlussfolgern. Data Graphs bietet Ihnen beides.

Zugriff für Agentic AI

MCP-nativ von Grund auf

Data Graphs stellt seine Funktionen über integrierte Dienste des Model Context Protocol (MCP) bereit. KI-Agenten brauchen keinen eigenen Integrationscode. Sie verbinden sich über MCP, lesen Ihr Domänenmodell und fragen Ihre Governance-konformen Daten sofort ab.

Jede Abfrage durchläuft dieselbe Governance-Ebene: rollenbasierte Zugriffskontrolle, Audit-Trails und Geschäftsregeln. Dieselbe Kontextebene, die Ihre Copilots bedient, bedient auch Ihre automatisierten Workflows.

MCP-Dienste RBAC-gesteuert Vollständiger Audit-Trail Von Copilots bis zur Automatisierung
Architektur
KI-Agenten, Copilots, Assistenten
MCP-Dienste (Governance-konform)
Hybrid RAG: GQL- + Vektor-Retrieval
Domänenmodell (Schema)
Knowledge Graph + Vektorspeicher
Data Graphs im Vergleich

Gebaut für die Lücke, die andere offenlassen

Funktion
Data Graphs
Klassische KGs
Vektor-DBs
Enterprise AI
Schema-getriebene KI
Sofort einsatzbereit
Teilweise
Nein
Nein
Hybrid RAG (Graph + Vektor)
Integriert
Nein
Nur Vektor
Teilweise
MCP-nativer Agentenzugriff
Integriert
Nein
Nein
Teilweise
Präzise GQL-Query-Generierung
Schema-getrieben
Manuell
Nicht möglich
Nein
Governance-konform, mit Rechteprüfung
Vollständiges RBAC
Ohne Governance
Nein
Teilweise
Sofort einsatzbereit
Modellieren und loslegen
Monatelange Einrichtung
Nur Retrieval
Individuelle Entwicklung

Erleben Sie die KI live an Ihren eigenen Daten

Modellieren Sie Ihre Fachdomäne. Importieren Sie Ihre Daten. Stellen Sie eine Frage. Sehen Sie ihr bei der Arbeit zu.

Demo anfordern Mit unserem KI-Team sprechen