Künstliche Intelligenz (KI) hat in den letzten Jahren große Aufmerksamkeit auf sich gezogen, insbesondere durch die beeindruckenden Fähigkeiten großer Sprachmodelle (LLMs) in alltäglichen Anwendungen. Diese Modelle haben jedoch oft Schwierigkeiten, Fragen zu beantworten, die tiefgreifende, domänenspezifische Kenntnisse erfordern. Beispielsweise erfordert die Auslegung von Elektroantriebssystemen Expertenwissen, um geeignete Komponenten und Konfigurationen auszuwählen.
Solches Fachwissen kann mithilfe von Ontologien, insbesondere in der Web Ontology Language (OWL), formal dargestellt werden. OWL-Ontologien strukturieren nicht nur Wissen, sondern ermöglichen auch automatisiertes Schlussfolgern durch Inferenzmaschinen, wodurch implizites Wissen aus explizit modellierten Fakten abgeleitet werden kann. Dies kann den Aufwand für die manuelle Modellierung erheblich reduzieren.
Um dieses Wissen in der Praxis nutzbar zu machen, müssen LLMs in der Lage sein, vage oder ungenaue Benutzeranfragen zu interpretieren und präzise, strukturierte Informationen aus der Ontologie abzurufen. Dieser Ansatz ist als Retrieval-Augmented Generation (RAG) bekannt. Während RAG in verschiedenen Kontexten erforscht wurde, gibt es nur wenige Ansätze, die es mit OWL-Ontologien integrieren. Darüber hinaus kann die lokale Ausführung von LLMs – anstatt auf externen Servern – für Unternehmen, die mit sensiblen Daten haben, von entscheidender Bedeutung sein.

ZIELE:

Das Ziel dieser Arbeit ist die Entwicklung eines konzeptionellen Rahmens, der die Verwendung lokaler LLMs zur Abfrage von OWL-Ontologien über einen RAG-basierten Ansatz ermöglicht. Das System sollte in der Lage sein, Benutzereingaben zu interpretieren, relevante Informationen aus der Ontologie abzurufen und auf der Grundlage dieses Wissens aussagekräftige Antworten zu generieren.
Die Arbeit umfasst:

• Entwicklung einer Designstrategie für OWL-Ontologien.
• Entwurf einer Methode zur Integration von RAG in OWL-Ontologien.
• Sicherstellung der Kompatibilität mit lokal gehosteten LLMs.
• Entwicklung eines Testverfahrens zur Messung der Ergebnisse Ihres Ansatzes.

HILFREICHE VORKENNTNISSE:

• Programmierkenntnisse und Freude an der Softwareentwicklung
• Erste Erfahrungen mit Wissensgraphen (OWL und SPARQL)