Wissensdatenbank
Die einheitliche Datenschicht. Jede angebundene Quelle wird Teil eines einzigen durchsuchbaren, semantisch verknüpften Korpus — ohne die zugrunde liegenden Daten zu verschieben.
Was es ist
Eine Wissensdatenbank in StellarBase ist kein Data Lake und kein Dokumenten-Warehouse. Sie ist eine semantische Schicht, die auf Ihren bestehenden Systemen aufsetzt. Wenn Sie Google Drive anbinden, kopiert StellarBase nicht jede Datei in den eigenen Speicher. Es indiziert, parst, erzeugt Embeddings und verknüpft — und fragt diese Indizes ab, während die zugrunde liegenden Dateien dort bleiben, wo sie sind.
Dokumente werden bei Bedarf abgerufen, wenn ein Benutzer den Originalinhalt sehen muss. Die Vorschau wird über unser Rendering ausgeliefert; die Source-of-Truth bleibt in Ihrem System.
Struktur
Bases
Eine Base ist der Container auf oberster Ebene. Sie hat eigene Daten, eigene Agenten, eigene Berechtigungen und ein eigenes Audit-Log. Typische Muster:
- Eine Anwaltskanzlei hat eine Base pro Mandat (Isolation wegen Verschwiegenheit)
- Ein Krankenhaus hat eine Base pro Abteilung (Onkologie, Kardiologie, seltene Erkrankungen)
- Ein Hersteller hat eine Base pro Werk (Prozess-IP bleibt eingegrenzt)
- Ein Forschungslabor hat eine Base pro Projekt
Bases können nichts oder alles teilen, abhängig von Ihrem Berechtigungsmodell. Siehe Authentifizierung & RBAC.
Collections
Innerhalb einer Base gruppieren Collections zusammengehörige Quellen. Eine Collection „Verträge” könnte einen VDR-Connector, einen iManage-Ordner und drei Zotero-Bibliotheken umfassen. Collections lassen sich taggen, unabhängig durchsuchen und auf bestimmte Agenten beschränken.
Dokumente
Jedes Dokument ist eine einzelne Ingest-Einheit — ein PDF, ein E-Mail-Thread, ein Export eines Slack-Kanals, eine Zeilengruppe aus einer Datenbank. Dokumente tragen:
- Inhalt — geparster Text, Tabellen, Abbildungen, Metadaten
- Provenienz — Quellsystem, Pfad, Autor, Zeitstempel, Version
- Embeddings — Vektorrepräsentationen für die semantische Suche
- Entitäten — Personen, Organisationen, Orte, Beträge, Daten (aufgelöst durch DSM)
- Klassifizierungen — Labels, die automatisch oder durch Ihren eigenen Klassifikator zugewiesen werden
Wie Daten hineingelangen
Drei Mechanismen:
Connectors (kontinuierliche Synchronisierung)
Der primäre Weg. Sie konfigurieren einen Connector einmal; er synchronisiert kontinuierlich. Wenn im Quellsystem eine Datei hinzugefügt, aktualisiert oder gelöscht wird, spiegelt die Wissensdatenbank die Änderung innerhalb von Minuten wider. Siehe Datenquellen für die vollständige Liste.
Upload (einmalig)
Für Dinge, die nicht in einem angebundenen System liegen. Ziehen Sie einen Ordner mit PDFs in die Benutzeroberfläche oder senden Sie sie per POST an die Ingest-API. Einmaliger Ingest, keine kontinuierliche Synchronisierung.
Offline-Datenpakete (Air-Gapped)
Für Air-Gapped-Bereitstellungen akzeptiert StellarBase signierte Datenpakete — vorgefertigte Korpora, die Sie einmal laden und vierteljährlich aktualisieren (Gesetzestexte, Vorschriften, Spiegel wissenschaftlicher Literatur). Siehe Air-Gapped.
Wie Dokumente verarbeitet werden
Jedes aufgenommene Dokument wird geparst, für die semantische Suche mit Embeddings versehen, durch DSM auf Entitäten geprüft und mit dem einheitlichen Graphen verknüpft — alles automatisch beim Ingest. Das Ergebnis ist ein einziger hybrider Index, der Vektor-, Keyword- und strukturiertes Retrieval kombiniert.
Für den typischen Einsatz konfigurieren Sie die Pipeline nicht; fortgeschrittene Benutzer können die Standardwerte überschreiben.
Deduplizierung
Dasselbe Dokument kann über mehrere Quellen eintreffen — ein Paper auf PubMed, ein ArXiv-Preprint, eine Datei in Ihrem Zotero, ein PDF in Ihrem Drive. StellarBase führt Duplikate zu einem einzigen kanonischen Datensatz zusammen, wobei alle Versionen erhalten bleiben. DOI, ORCID und andere Bezeichner werden automatisch aufgelöst. Zitationszahlen werden über Versionen hinweg aggregiert.
Speicher & Kosten
Der Speicher in StellarBase ist durch die Indizes (ein kleiner Bruchteil der Originalgröße) plus zwischengespeicherte Vorschauen bestimmt. Die zugrunde liegenden Dokumente werden nicht dupliziert — sie werden bei Bedarf aus dem Quellsystem abgerufen. Das hält die Speicherkosten auch bei großen Korpora vorhersehbar.
| Komponente | Größe relativ zur Quelle |
|---|---|
| Extrahierter Text + Metadaten | ~ 5–10 % |
| Vektor-Embeddings | ~ 1–3 % |
| Entitäten- + Graphtabellen | < 1 % |
| Vorschau-Cache (Thumbnails, Seitenbilder) | ~ 10–20 % |
Berechtigungen
Jede Base, jede Collection und jedes Dokument respektiert Ihre RBAC-Richtlinie. Ein für die Base „Corporate finance” konfigurierter Agent kann keine Dokumente in „Private banking” sehen — selbst wenn sie im selben Postgres liegen. Siehe Authentifizierung & RBAC.
Verwandt
- Datenquellen — Liste der Connectors
- Unterstützte Formate — was StellarOCR parst
- DSM — die semantische Engine
- Suche — Abfragen der Wissensdatenbank