Der Wissens-Workflow: so holen Sie das Meiste heraus

Diese Seite ist die Landkarte: wie aus Dokumenten und Erfahrungswissen ein nutzbarer Wissensgraph wird - und vor allem, welche Reihenfolge und welche Handgriffe den größten Nutzen bringen. Wenn Sie nur eine Seite im Handbuch lesen, dann diese.

Das Grundprinzip in einem Satz

Kelaria führt drei Wissensquellen zusammen - Ihre Dokumente, den Wissensgraphen (Struktur) und Ihr Expertenwissen (Regeln) - und liefert daraus eine belegte Antwort mit Quellen, nachvollziehbarem Gedankengang und Konfidenz.

Genau diese Konvergenz ist der Unterschied zu einer reinen Dokumentensuche: Eine Antwort kann gleichzeitig auf einen Dokument-Abschnitt, einen Graph-Eintrag und eine Experten-Regel verweisen - alle drei sind zitierbar.

Die Reihenfolge, die funktioniert

Projekt + Ontologie  →  Dokumente verarbeiten  →  Wissensgraph kuratieren
        →  Regeln pflegen  →  Fragen stellen / Diagnose

1. Projekt anlegen und Ontologie festlegen. Die Ontologie ist Ihr Bauplan: welche Typen (z. B. Gerät, Hersteller, Fehlercode) und welche Attribute (z. B. baujahr, energietraeger, code) es gibt. Lassen Sie sich vom KI-Bootstrap einen Vorschlag erzeugen und schärfen Sie ihn nach.
2. Dokumente hochladen und verarbeiten. Dokumente kommen per Upload oder über einen Connector (SharePoint, Confluence) als laufende Wissensquelle - mit Scheduler, „Jetzt synchronisieren" und Re-Sync. Beide Wege durchlaufen dieselbe Pipeline: sie extrahiert Text, zerlegt ihn, bettet ihn ein und zieht Entitäten/Beziehungen in den Wissensgraphen.
3. Wissensgraph kuratieren. Zwei Wege, die sich ergänzen: In der Review-Queue bestätigen Sie die Spitzen der Extraktion - per Bulk-Freigabe/Ablehnung, oder Fall für Fall auf der Fokus-Seite (Beleg links, Entscheidung rechts, Attribut-Diff, Tastatur-Shortcuts A/R/M/←→). Im Graph-Explorer ist zudem jede ausgewählte Entität ein Arbeitsplatz mit fünf Verben: korrigieren, verbinden (zusammenführen), bestätigen (verifizieren), ergänzen (von Hand anlegen) und entfernen. Mensch im Loop genau dort, wo es zählt.
4. Regeln pflegen und Wissenslücken erfassen. Ihr Erfahrungswissen als typisierte WENN → DANN-Regeln (zitierbare Knoten mit hohem Vertrauen), dazu Kopfwissen, das in keinem Dokument steht: über Wissen erfassen als synthetisches Experten-Dokument in den Graphen oder im Experten-Gespräch, das ein Knowledge-Agent mit Ihren Fachleuten führt.
5. Fragen stellen (belegte Antworten mit Seitenbeleg) und - für Experten - symbolische Diagnose (welche Regeln greifen für eine Entität?). Bewerten Sie Antworten und einzelne Quellen; das Feedback verbessert die Reihenfolge der Quellen über die Zeit. Fragen, die unbeantwortet oder schwach belegt blieben, sammelt die Wissenslücken-Seite - Ihre To-do-Liste, wo der Graph noch dünn ist.

Die drei Evidenz-Quellen und warum sie zusammen stark sind

Quelle	Was sie beiträgt	Sichtbar als
Dokumente (Vektor-Suche)	Wortlaut, Passagen, Belegstellen	Citation „Doku"
Wissensgraph (Struktur)	Entitäten, Beziehungen, Nachbarschaft	Citation „Graph"
Regeln (Expertenwissen)	Erfahrung, die in keinem Dokument steht	Citation „Regel"

Im Fragen-Tab verschmelzen sie zu einer Antwort. Jede Aussage ist rückverfolgbar, die Konfidenz-Ampel (🟢/🟡/🔴) zeigt, wie gut sie belegt ist.

Wie Wissen in den Graphen kommt: fünf Wege

Die drei Evidenz-Quellen oben sind die Sicht auf eine Antwort. Praktisch gefüllt wird der Graph auf fünf Wegen, die sich ergänzen:

Weg	Was Sie tun	Vertrauen
Dokumente	Hochladen oder per Connector anbinden, verarbeiten lassen	je Dokumenttyp ~0,4–0,8
Extraktion lenken	Im Dokument-Detail Textstellen inline als Entität/„keine Entität" annotieren; wirkt beim nächsten Graph-Bau	steuert, was extrahiert wird
Regeln	Erfahrungswissen als WENN→DANN-Regel anlegen	0,9 (Experte)
Wissen erfassen	Freies Frage-Antwort-Kopfwissen über Wissen erfassen einspeisen - wird als synthetisches Experten-Dokument in den Graphen verarbeitet	0,9 (Experte)
Experten-Gespräch	Ein Knowledge-Agent befragt Ihre Fachleute per Sprache oder Text (Experten-Gespräche); daraus entstehen Vorschläge für die Review-Queue	0,9 (Experte), erst nach Freigabe

Die letzten beiden Wege schließen die Lücke, die reine Dokumentensuche nie schließt: Wissen, das in keinem Dokument steht, aber im Kopf Ihrer Fachleute. Danach beantwortet der Graph die Frage belegt.

Best Practices: der größte Hebel zuerst

1. Attribute bewusst definieren und prüfen, dass sie befüllt werden

Das ist der wichtigste Punkt, und der am leichtesten übersehene: Regeln und Diagnose wirken nur auf Attribute, die an den Entitäten tatsächlich vorhanden sind.

Eine Regel „WENN Geraet.baujahr < 2010 …" feuert nur, wenn die Geräte-Entitäten ein befülltes baujahr tragen. Definiert die Ontologie ein Attribut, das in Ihren Dokumenten selten vorkommt (oder das die Extraktion nicht zuverlässig zieht), bleibt die Regel stumm - ohne Fehlermeldung.

So machen Sie es richtig:

• Definieren Sie Attribute, die in Ihren Dokumenten wirklich vorkommen (lieber wenige, gut belegte als viele, leere).
• Prüfen Sie nach dem Graphen die Attribut-Abdeckung: Die Wissensgraph-Übersicht zeigt eine Tabelle je Typ und Attribut (befüllt · %). Beim Anlegen einer Regel schlägt das Wertfeld zudem die im Graphen beobachteten Werte vor, und der „trifft N"-Zähler an jeder Regel zeigt sofort, ob sie greift.
• Schreiben Sie Regeln gegen gut abgedeckte Attribute.

WARNING

Wenn eine Regel „nichts tut", liegt es fast immer an den Daten, nicht an der Regel: das Attribut ist an den Entitäten nicht befüllt, oder der Wert weicht ab (z. B. Regel prüft == "Öl", das Gerät ist aber ein Gasgerät). Erst die Attribut-Abdeckung sichern, dann Regeln darauf bauen.

2. Hintergrund-Kontext setzen

Hinterlegen Sie unter Verwaltung → Einstellungen (Mandant) und Projekt → Einstellungen den fachlichen Hintergrund-Kontext. Er fließt in Bootstrap, Extraktion und Anreicherung - die KI versteht Ihre Domäne dann besser und zieht passendere Entitäten/Attribute.

3. An den Spitzen kuratieren, nicht alles

Vertrauen Sie der priorisierten Review-Queue. Bestätigen Sie das Wichtige/Unsichere, lassen Sie den Rest laufen - der Graph ist „graph-first": er füllt sich, Sie veredeln die Spitzen. Nutzen Sie dabei beide Kurations-Werkzeuge:

• Massenweise über die Queue. Nach Konfidenz-Band filtern und „Alle ≥70% freigeben" / „Alle <70% ablehnen"; die echten Grenzfälle Fall für Fall auf der Fokus-Seite entscheiden (Beleg links, Attribut-Diff rechts, Shortcuts A/R/M/←→ - nach jeder Entscheidung springt sie zum nächsten Kandidaten).
• Gezielt im Explorer. Wo Sie einen konkreten Eintrag verbessern wollen, ist das Detail-Panel im Graph-Explorer der Arbeitsplatz: korrigieren (Anzeigename/Attribute, auch nachträglich umtypen), verbinden (Dublette zusammenführen), bestätigen („Als gültig bestätigen" → verifiziert, 100 %), ergänzen (Entität/Beziehung von Hand, Pflichtfeld Quelle) und entfernen (mit Wiederkehr-Schutz). Alle Aktionen sind protokolliert.

4. Quellen und Konfidenz immer mitlesen

Eine Antwort ohne Citations oder mit roter/„ungesichert"-Ampel ist ein Signal: das Projektwissen deckt die Frage (noch) nicht. Ergänzen Sie gezielt Dokumente oder Regeln und fragen Sie erneut.

5. Kela als Copilot nutzen

Kela kann vieles abnehmen: Regeln aus Worten vorschlagen und pflegen, Fragen beantworten, Entitäten diagnostizieren, die Review-Queue abarbeiten (freigeben, ablehnen, zusammenführen), einzelne Einträge im Graphen korrigieren, umtypen, bestätigen oder ergänzen und Kopfwissen festhalten; für Tenant-Admins auch Projekte verwalten - bestätigen Sie, Kela führt aus.

Was über die UI läuft, nicht über Kela

Das Anbinden von Connectoren und der Dokumenten-Upload laufen über die regulären Ansichten. Kela ist die Schnellspur für Konfiguration, Regeln, Queue-Entscheide und belegte Fachfragen. Einzelne Knoten ändert Kela auf Wunsch ebenfalls (mit Freigabe-Karte); für den Kurations-Feinschliff ist das Detail-Panel im Explorer aber oft bequemer, weil Sie Beleg und Nachbarschaft direkt sehen.

Häufige Stolpersteine

„Dazu finde ich nichts Belegtes." Das Projektwissen deckt die Frage nicht. Dokumente verarbeitet und in den Graphen übernommen? Fehlt das Wissen ganz, hinterlegen Sie es als Regel oder über Wissen erfassen - solche unbeantworteten Fragen sammelt die Wissenslücken-Seite automatisch.

„Meine Regel feuert nie." Das geprüfte Attribut ist an den Entitäten nicht befüllt - oder der Wert weicht ab. Siehe Best Practice 1 (Attribut-Abdeckung).

„Die Antwort ist ungesichert." Kein Fehler, sondern Ehrlichkeit. Mehr Quellen (Dokumente/Regeln) hinzufügen.

„Die Diagnose liefert keine Schritte." Symbolische Diagnose verkettet gefeuerte Regeln - wenn nichts feuert (Attribut-Abdeckung!), bleibt die Kette leer.

Der ganze Weg auf einen Blick

1. Ontologie mit belegbaren Attributen → 2. Dokumente verarbeiten → 3. Abdeckung prüfen → 4. Regeln auf gut abgedeckte Attribute → 5. Fragen/Diagnose → 6. Quellen & Konfidenz prüfen → 7. Lücken schließen, wiederholen.

So wird aus „Dokumente liegen irgendwo" ein lebendes, belegbares System - „aidalus aktiviert KI, Kelaria strukturiert das Wissen dahinter."