Von Prompt zu Graph: LLM-Strategien im Ontologiebau für Fachbereiche
Ontologien sind das Rückgrat jeder Wissensstruktur: Sie ermöglichen es, Fachwissen systematisch zu organisieren, zugänglich zu machen und wiederzuverwenden. In spezialisierten Industrien wie der Gießereifertigung ist die manuelle Erstellung solcher Ontologien jedoch extrem arbeitsintensiv und kostenaufwendig.
Mit dem Aufkommen großer Sprachmodelle (LLMs) eröffnen sich neue Wege, Wissen automatisch aus Texten zu extrahieren. In einer aktuellen arXiv‑Veröffentlichung werden drei LLM‑basierte Ansätze untersucht: ein vortrainiertes Modell, In‑Context‑Learning (ICL) und ein feinabgestimmtes Modell. Alle drei Methoden arbeiten mit nur wenigen Daten und zielen darauf ab, Fachbegriffe sowie deren Beziehungen aus Fachtexten zu gewinnen.
Die Autoren vergleichen die Leistungen der drei Ansätze und wählen denjenigen aus, der die höchste Genauigkeit erzielt. Mit diesem Modell wird anschließend eine Ontologie für die Gießereifertigung erstellt, die anschließend von einem Fachexperten überprüft und bestätigt wurde. Das Ergebnis zeigt, dass LLMs die bisher manuelle Arbeit erheblich reduzieren können, ohne die Qualität der Ontologie zu beeinträchtigen.
Diese Studie demonstriert, dass LLM‑basierte Extraktion nicht nur machbar, sondern auch effizient ist – ein bedeutender Fortschritt für die Entwicklung domänenspezifischer Ontologien in hochspezialisierten Bereichen.