Die proprietäre Engine, die einen lebendigen semantischen Graphen über Ihre Daten hinweg aufbaut — Entitäten, Beziehungen, Referenzen — ohne manuelles Tagging und ohne Abhängigkeit von einem LLM zur Abfragezeit.

Was DSM leistet

Wenn ein Dokument in die Wissensdatenbank gelangt, verarbeitet DSM es, um Folgendes zu extrahieren:

• Entitäten — Personen, Organisationen, Orte, Beträge, Daten, Identifikatoren, benutzerdefinierte Typen
• Beziehungen — typisierte Kanten zwischen Entitäten (Acme beschäftigt Smith; Smith verfasste Paper-7; Paper-7 zitiert Paper-3)
• Referenzen — dokumentübergreifende Erwähnungen, aufgelöst zu kanonischen IDs
• Konzepte — abstrakte Themen, die jedes Dokument behandelt
• Provenienz — jeder Fakt rückverfolgbar zum Dokument + zur Passage, die ihn behauptet

Das Ergebnis ist ein abfragbarer Graph, der mit Ihrem Korpus wächst.

Wie es sich von RAG unterscheidet

Die meisten „KI-Suche“-Systeme verwenden Retrieval-Augmented Generation (RAG): alles einbetten, die nächsten Nachbarn abrufen, sie an ein LLM übergeben. Das funktioniert für einfache Q&A, scheitert aber, wenn Sie Folgendes benötigen:

• Zählen („wie viele Verträge erwähnen CoC-Klauseln?“)
• Aggregation („Summe der im letzten Quartal geltend gemachten Schäden“)
• Multi-Hop-Schlussfolgerungen („welche Lieferanten von Unternehmen X wurden auch in Audit Y markiert?“)
• Zeitlich begrenzte Abfragen („Paper, die Smith vor 2023 zitieren“)
• Audit („warum hat der Agent X behauptet?“)

DSM liefert die Struktur, die diese Abfragen beantwortbar macht. Das LLM (sofern verwendet) operiert auf der Ausgabe des Graphen, nicht auf den Rohpassagen — es hat also weniger Spielraum zum Halluzinieren.

Entitätsauflösung

„Jana Nováková“, „J. Novák“, „novakova@acme.cz“ und „Frau Nováková“ verweisen alle auf dieselbe Person. DSM löst sie automatisch auf — durch Kombination textueller Signale mit externen Identifikatoren (ORCID, DOI, öffentliche Handelsregister), sofern verfügbar.

Sie können Auflösungsentscheidungen manuell überschreiben — manchmal teilen sich zwei reale Personen einen Namen und DSM führt sie zusammen. Die Merge-UI ermöglicht das Aufteilen oder Zusammenführen von Entitäten mit vollständigem Audit-Trail.

Benutzerdefinierte Entitätstypen

Out of the box extrahiert DSM ~15 Standard-Entitätstypen (Person, Organisation, Ort, Betrag usw.). Für Ihre domänenspezifischen Entitäten (LEGAL_CASE, CONTRACT_ID, GRAVE_ID, CLINICAL_TRIAL, ASSET_TAG) definieren Sie sie einmal und DSM extrahiert sie über den gesamten Korpus hinweg.

Definitionsmethoden:

• Regex — für strukturierte ID-Muster (z. B. INV-\d{6})
• Beispiele — geben Sie 5–20 Beispielentitäten an, DSM lernt, weitere zu finden
• Wörterbuch — geben Sie eine bekannte Liste an, DSM findet sie deterministisch
• Benutzerdefiniertes Modell — binden Sie Ihren eigenen Klassifikator als Tool ein

Beziehungstypen

Kanten zwischen Entitäten sind typisiert. Standardvokabular:

Beziehung	Beispiel
employed_by	Smith → Acme
authored	Smith → Paper-7
cited_by / cites	Paper-3 → Paper-7
located_in	Acme HQ → Prag
signed_by / signed	Smith → Contract-42
related_to	generischer Fallback, wenn nichts Spezifischeres ableitbar

Benutzerdefinierte Beziehungstypen: definieren Sie sie wie benutzerdefinierte Entitätstypen.

Mehrsprachiger Graph

Entitäten werden sprachübergreifend aufgelöst. „Jan Novák“, „Jano Novák“ und „Yan Novak“ verweisen auf denselben Knoten. Der Graph ist sprachunabhängig — Fakten über eine Entität aus einem tschechischen Dokument sind über eine englische Abfrage abrufbar und umgekehrt.

Provenienz

Jeder Knoten und jede Kante im Graphen trägt Provenienz: welches Dokument, welche Passage, welcher Zeitstempel. Wenn ein Agent behauptet „Smith ist bei Acme beschäftigt“, können Sie zum genauen Satz im genauen Dokument durchklicken, wo dies behauptet wird. Wenn sich das Quelldokument ändert, wird der Graph entsprechend aktualisiert.

Versionierung & Zeit

Der Graph ist zeitbewusst. Fakten haben Gültigkeitsbereiche:

• „Smith bei Acme beschäftigt [2020 – 2023]“
• „Smith bei Globex beschäftigt [2023 – heute]“

Abfragen können nach Zeit filtern: „wer arbeitete 2022 bei Acme?“ gibt den Graphen zu jenem Zeitpunkt zurück. Nützlich für Due Diligence, Prozessvorbereitung und historische Analysen.

Den Graphen abfragen

Drei Zugriffsebenen:

• Such-UI — natürliche Sprache, Ergebnisse angereichert mit Graphkontext
• Agenten — Agenten können Graphabfragen als Tool aufrufen
• Direkte Abfrage — für Power-User ist eine Graph-Abfragesprache verfügbar

Performance

Der DSM-Graph wird inkrementell aufgebaut, während Dokumente eingelesen werden. Neue Dokumente propagieren innerhalb von Minuten in den Graphen. Abfragen gegen den Graphen liefern bei typischen Lasten in Millisekunden Ergebnisse (Graphen mit bis zu einigen hundert Millionen Knoten).

Speicherung

Der DSM-Graph wird gemeinsam mit der Standard-Datenebene von StellarBase verwaltet. Backup, Replikation und Wiederherstellung folgen denselben Richtlinien wie der Rest der Plattform. Siehe Bereitstellung.

Verwandt

• Wissensdatenbank
• Suche & Discovery
• Agenten — wie Agenten den Graphen nutzen