Knowledge-Graph-Engineer

Was macht ein Knowledge-Graph-Engineer?

Du speicherst Wissen nicht in Zeilen und Spalten, sondern als Netz: Dinge sind Knoten, ihre Verbindungen sind Kanten. Ein Bauteil gehört zu einer Baugruppe, die in mehreren Maschinen verbaut ist, für die es Wartungsberichte, Lieferanten und Störungsmeldungen gibt. In einer Tabelle wäre jede dieser Verbindungen ein weiterer Verbund über Fremdschlüssel; im Graphen ist sie einfach eine Kante, und die Frage „welche Maschinen enthalten ein Bauteil dieses Lieferanten" wird zu einer kurzen Abfrage statt zu einem Projekt.

Dazu gehört die begriffliche Arbeit: eine Ontologie, also ein festgelegtes Vokabular, das sagt, welche Arten von Knoten es gibt, welche Beziehungen erlaubt sind und was daraus folgt. Wenn „Bauteil" und „Ersatzteil" in zwei Abteilungen verschieden gemeint sind, entscheidest du, ob das zwei Begriffe sind oder einer. Abgefragt wird der Graph mit eigenen Sprachen, die nicht auf Tabellen, sondern auf Pfaden aufbauen.

Das Thema ist alt und war lange eine Nische. Mit Sprachmodellen ist es zurückgekehrt, aus zwei Gründen. Erstens liefert ein Graph nachvollziehbare Antworten: Man sieht, über welche Kanten eine Auskunft zustande kam, statt sie einem Modell glauben zu müssen. Zweitens verknüpft er Bestände, die getrennt liegen – Stammdaten hier, Dokumente dort, Tickets im dritten System. Ein Sprachmodell, das auf einem gepflegten Graphen aufsetzt, muss weniger raten.

Gegen den Data Engineer grenzt sich die Rolle über den Zweck ab: Er sorgt dafür, dass Daten zuverlässig und in Menge ankommen, du dafür, dass ihre Bedeutung festgehalten wird. Gegen den Search-and-Retrieval-Engineer über den Weg zur Antwort: Er arbeitet mit Ähnlichkeit – welche Textstelle passt zur Frage –, du mit ausdrücklichen Beziehungen. In der Praxis werden beide Ansätze oft kombiniert.

Was du im Praktikum machst

Meist ein abgegrenzter Ausschnitt: ein Produktbereich, eine Anlage, eine Dokumentensammlung. Du überführst Daten aus zwei oder drei Quellsystemen in den Graphen, entwirfst dafür ein kleines Modell und schreibst die Abfragen, mit denen der Fachbereich seine Fragen stellen kann.

Ein zweiter typischer Auftrag ist Zusammenführen: Dieselbe Firma steht im einen System als „Müller GmbH", im anderen als „Mueller G.m.b.H.". Zu entscheiden, wann zwei Einträge dasselbe meinen, ist mühsam und der Punkt, an dem Graphprojekte scheitern oder tragen.

Häufig kommt eine Anbindung an ein Sprachmodell dazu, das aus einer Frage in Alltagssprache eine Graphabfrage erzeugt und die gefundenen Knoten als Antwort erklärt. Dabei merkst du schnell, wo die Grenze verläuft: Solange das Modell nur formuliert, was im Graphen steht, bleiben die Antworten prüfbar. Sobald es Lücken selbst füllt, ist der Vorteil dahin.

Am Ende steht meist eine Vorführung vor dem Fachbereich. Die Rückfragen dort sind wertvoller als jede Kennzahl, weil sie zeigen, ob dein Modell die Wirklichkeit trifft oder nur eine ordentliche Idee davon.

Was du mitbringen solltest

Programmierkenntnisse, sicheres SQL als Ausgangspunkt und die Bereitschaft, eine Graphabfragesprache zu lernen – das geht in wenigen Wochen, wenn man das Prinzip verstanden hat. Grundkenntnisse in Wissensrepräsentation helfen, Linguistik oder ein Fachhintergrund im Anwendungsgebiet ebenso.

Die eigentliche Anforderung ist begrifflich. Du wirst häufiger darüber diskutieren, was ein Wort genau bedeutet, als über Technik. Wem das zu unscharf ist, wird in dieser Rolle unglücklich; wer gern sortiert und benennt, findet hier eine der wenigen Stellen, an denen genau das die Arbeit ist.

Was du verdienst

Die Zahlen sind Erfahrungswerte, keine Zusage. Praktika liegen bei rund 1.700 Euro brutto im Monat. Der Einstieg bewegt sich um 5.000 Euro, mit zwei bis drei Jahren Erfahrung zwischen 5.500 und 7.100 Euro. Das Niveau entspricht anderen technischen Datenrollen; weil es wenige Leute mit Erfahrung in Ontologien gibt, liegen Angebote in Industrie und Pharma teils am oberen Rand.

Wie es weitergeht

Ein Weg führt zum Senior Knowledge Engineer und weiter in die Verantwortung für die Ontologie eines ganzen Hauses – eine Rolle, die es nur in großen Organisationen gibt, dort aber selten besetzt ist. Ein anderer führt in die Datenarchitektur. Und wer die Anbindung an Sprachmodelle vertieft, landet bei Such- und Retrieval-Systemen.