Begriffe aus der Frage markieren
Der Nutzer formuliert eine Launch-Frage und benennt Produkt, Rolle, Markt und vermutete Risikoklasse so konkret wie möglich.
← Back to overview
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.
Learning goal
Du lernst, wie aus juristischen Begriffen ein semantisches Netz entsteht und warum dieses Netz dem LLM einen präziseren Kontext gibt.
When this graph type helps
- 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.
What is usually in the graph
- 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.
What the LLM uses it for
- Das LLM mappt Nutzerbegriffe auf Graphbegriffe.
- Es liest relevante Nachbarschaften statt lose Texttreffer.
- Es formuliert Antworten entlang expliziter Begriffspfade.
Typical risk
Begriffe, Rechtsrollen und Dokumentstellen werden vermischt.
EU AI Act example
Welche AI-Act-Pflichten berühren unseren geplanten Launch?
Applied to this demo
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 specifics
- 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.
Inside the machine room
The black box opened as a trace
This is the didactic core: user input becomes system intent, graph context, LLM context, and finally an answer.
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]
Interaction model
What the user does, what the graph knows, what the LLM does
The important part is not the visual graph alone. The learning value comes from seeing how user intent, graph context, and LLM synthesis influence each other.
Input and control
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.
Structured context
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.
Reasoning and language
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.
Visible loop
How the LLM interacts with the graph
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 package
What enters the LLM context
- 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
The LLM does not browse the whole graph. It receives a selected, structured context package and must answer inside that boundary.
Observation
The simulated intermediate steps
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.