Begriffe aus der Frage markieren
Der Nutzer formuliert eine Launch-Frage und benennt Produkt, Rolle, Markt und vermutete Risikoklasse so konkret wie möglich.
← Zur Übersicht
01 · Semantische Basis
Wissensgraph
Ein Wissensgraph modelliert Dinge, Begriffe, Rollen, Eigenschaften und Beziehungen so, dass Bedeutung explizit abfragbar wird. Er hilft, wenn ein System nicht nur Text finden, sondern verstehen soll, wie Konzepte zusammenhängen.
Lernziel
Du lernst, wie aus juristischen Begriffen ein semantisches Netz entsteht und warum dieses Netz dem LLM einen präziseren Kontext gibt.
Wann dieser Graph-Typ grundsätzlich hilft
- Wenn Begriffe und reale Objekte sauber unterschieden werden müssen.
- Wenn Antworten über Beziehungen, Eigenschaften und Bedeutungen hergeleitet werden sollen.
- Wenn mehrere Quellen unterschiedliche Wörter für dieselben oder ähnliche Konzepte verwenden.
Was typischerweise im Graph ist
- Entitäten, Begriffe, Typen, Eigenschaften und Synonyme.
- Semantische Beziehungen wie ist Teil von, gehört zu, verursacht, belegt oder widerspricht.
- Quellenanker, damit Bedeutung und Beleg nachvollziehbar getrennt bleiben.
Wofür das LLM diesen Graph nutzt
- Das LLM mappt Nutzerbegriffe auf Graphbegriffe.
- Es liest relevante Nachbarschaften statt lose Texttreffer.
- Es formuliert Antworten entlang expliziter Begriffspfade.
Typisches Risiko
Begriffe, Rechtsrollen und Dokumentstellen werden vermischt.
EU-AI-Act-Beispiel
Welche AI-Act-Pflichten berühren unseren geplanten Launch?
Auf diese Demo angewendet
Ein Wissensgraph macht die Sprache des EU AI Act maschinenlesbar. Er trennt Dinge, Rollen, Pflichten und Belege, damit eine Antwort nicht nur plausibel klingt, sondern auf expliziten Beziehungen beruht.
EU-AI-Act-spezifisch
- Wenn Begriffe wie Anbieter, Betreiber, KI-System und Hochrisiko-System sauber getrennt werden müssen.
- Wenn Antworten erklären sollen, welche Beziehung zwischen Pflicht, Rolle und Artikel besteht.
- Wenn ein Team wissen will, welche Begriffe im Gesetz für die eigene Produktentscheidung relevant sind.
Blick in den Maschinenraum
Die Blackbox als Trace geöffnet
Das ist der didaktische Kern: Aus Nutzereingabe werden System-Intent, Graphkontext, LLM-Kontext und schließlich eine Antwort.
Trace
- User
Frage ohne Rollenklärung
Welche AI-Act-Pflichten berühren unseren geplanten Launch?
Ambig: 'wir' = Rolle unbekannt. Risikoklasse nicht bestimmt.
- System
Begriffsklärung vor Pflichtenableitung
Normalisierung: 'Launch' → KI-System-Deployment. 'Wir' → Rolle offen, Hypothese Anbieter. Suche über Begriffsknoten, nicht Volltext.
Intent: semantische Normalisierung + Rollenklärung erforderlich
- Graph
Begriffspfad mit offenen Knoten
KI-System →kann sein→ Hochrisiko [Anhang III] →löst aus→ Art. 43. Anbieter →trägt→ Art. 9, 10, 11, 43. Betreiber →trägt→ Art. 26. Offene Knoten: Rolle, Risikoklasse.
2 Unbekannte blockieren Pflichtenableitung: Rolle + Risikoklasse
- LLM
Prompt-Constraint: keine Rollenannahme
Kontext erhalten: beide Rollenpfade im Graph. Anweisung: Rollenambiguität explizit machen, nicht selbst entscheiden. Antwort muss beide Pfade benennen.
Constraint aktiv: keine Annahme ohne Nutzerbestätigung
- LLM
Zwei Pflichtenpfade, eine offene Frage
Ich sehe zwei mögliche Pfade: Anbieter (Art. 9, 10, 11, 43) oder Betreiber (Art. 26). Hochrisiko-KI wie Kreditscoring aktiviert beide. Klärt zuerst: Entwickelt ihr das Modell oder setzt ihr es ein?
Whitebox: Hochrisiko → Anbieter [4 Pflichten] oder Betreiber [1 Pflicht]
Interaktionsmodell
Was der User macht, was im Graph ist, was das LLM macht
Wichtig ist nicht nur der sichtbare Graph. Der Lerneffekt entsteht, wenn sichtbar wird, wie Nutzerintention, Graphkontext und LLM-Synthese zusammenwirken.
Eingabe und Steuerung
User
Unklare Rollen klären
Wenn Anbieter, Betreiber oder Nutzer vermischt sind, fragt das System nach. Ohne diese Rolle ist die Pflichtenableitung unscharf.
Antwort prüfen
Der Nutzer kontrolliert, ob die verwendeten Begriffe wirklich zur eigenen Situation passen.
Strukturierter Kontext
Graph
Semantische Knoten
Der Graph enthält Begriffe wie KI-System, Hochrisiko-System, Anbieter, Betreiber, Pflicht und Nachweis.
Bedeutungskanten
Kanten erklären, welche Rolle welche Pflicht hat, welche Risikoklasse welche Prüfung auslöst und welcher Artikel die Aussage belegt.
Quellenanker
Artikel und Textstellen bleiben als Belege am Begriffsknoten, damit semantische Aussage und Quelle getrennt bleiben.
Synthese und Sprache
LLM
Frage auf Graphbegriffe mappen
Das LLM erkennt Launch, KI-Feature, Anbieterrolle und Risikoklasse als Suchintention und fragt passende Knoten ab.
Nachbarschaft lesen
Es nutzt nicht den ganzen Gesetzestext, sondern die relevanten Rollen-, Pflicht- und Belegpfade.
Antwort mit Begriffspfad schreiben
Die Antwort sagt nicht nur was gilt, sondern über welche Begriffskette sie dazu kommt.
Sichtbarer Ablauf
Wie das LLM mit dem Graph interagiert
Dialog
- User
Wir bringen ein KI-Feature für Kreditbewertung auf den EU-Markt. Als Anbieter – welche Pflichten treffen uns vor dem Launch?
- Graph
KI-System →kann sein→ Hochrisiko [Anhang III, Nr. 5b] →löst aus→ Art. 9 Risikomanagement, Art. 10 Trainingsdaten, Art. 11 Techn. Dok., Art. 43 Konformitätsbewertung. Anbieter [Rolle] →trägt→ alle vier Pflichten.
- LLM
Kreditscoring fällt unter Anhang III als Hochrisiko-KI. Als Anbieter hast du vier Kernpflichten vor dem Launch: Risikomanagement aufbauen, Trainingsdaten dokumentieren, technische Dokumentation erstellen, Konformitätsbewertung abschließen. Offene Frage: Entwickelt ihr das Modell selbst oder setzt ihr ein Drittmodell ein?
- User
Wir fine-tunen eigentlich ein Open-Source-Modell. Zählen wir dann immer noch als Anbieter?
Prompt-Paket
Was ins LLM-Kontextfenster geht
- Nutzerfrage mit Produkt- und Rollenhinweisen
- Top-Begriffsknoten mit Definitionen
- Rollen- und Pflichtbeziehungen als strukturierte Kanten
- Artikelbelege mit kurzer Quellenangabe
- Explizite Unsicherheiten, die nicht entschieden werden dürfen
Das LLM durchsucht nicht den gesamten Graph. Es bekommt ein ausgewähltes, strukturiertes Kontextpaket und muss innerhalb dieser Grenze antworten.
Observation
Die simulierten Zwischenschritte
1
Begriffe normalisieren
Launch, KI-System, Anbieter und Betreiber werden als getrennte Knoten geführt.
Die Simulation zeigt früh, wenn eine Frage Rollen oder Begriffe vermischt.
2
Pflichten verbinden
Risikoklasse und Rolle bestimmen, welche Pflichten in den Antwortkontext kommen.
Der relevante Kontext wird semantisch kleiner, aber belastbarer.
3
Antwort belegen
Jede Aussage verweist auf Artikelbelege und auf die Rolle im Graph.
Die Demo kann erklären, warum ein Beleg überhaupt im Prompt gelandet ist.