Leistung

Knowledge Graph

Der Creaminds Knowledge Graph strukturiert Wissen als Graph aus Knoten und Beziehungen — recherchieren, analysieren, kuratieren, KI-gestützt. Gehostet oder self-hosted im eigenen Netz.

Wissen als Graph — recherchieren, analysieren, kuratieren

Der Creaminds Knowledge Graph strukturiert Wissen als Graph aus Knoten und Beziehungen: sichtbar, durchsuchbar, erweiterbar. KI-gestützte Extraktion schlägt Inhalte vor, Sie behalten die Kontrolle — jede KI-Ausgabe geht vor dem Übernehmen durch eine Freigabe.

Knowledge-Graph-Oberfläche: ein Beispielprojekt als Graph aus Knoten (Datenbanken, Frameworks, Sprachen, Bibliotheken, Services, Tools) und typisierten Beziehungen; links die Legende der Knoten- und Beziehungstypen.

Als Wissens-Werkzeug (heute verfügbar)

  • Research-Mode. Sie geben ein Thema ein; das Modell recherchiert und schlägt Knoten und Beziehungen vor — als Startpunkt, nicht als Endstand.
  • Document-Review. Sie laden ein Dokument hoch (PDF, Text); das Modell extrahiert Entitäten und Beziehungen daraus.
  • Manuelle Kuration. Knoten und Kanten von Hand pflegen. KI-Vorschläge landen zuerst als Entwurf (Staging) und werden erst nach Ihrer Freigabe übernommen.
  • Projekte, Teams, Rollen. Getrennte Projekte, Zugriffssteuerung und Rollen für die Zusammenarbeit.
  • Export. Aktiver Graph als JSON-LD (primär), CSV oder Bild (PNG/SVG).

Typische Anwendung: Recherche und Analyse komplexer Themen, strukturierter Wissensaufbau, Aufbereitung von Dokumentenbeständen zu einem navigierbaren Zusammenhang.

Ausblick: Visualisierungsschicht für G-Brain (geplant)

G-Brain ist unser KI-gepflegtes Wissens-Gedächtnis — leistungsfähig, aber ohne eigene Oberfläche (headless). Geplant ist, den Knowledge Graph als visuelle Explorations- und Governance-Schicht darüberzulegen: G-Brains Wissen sicht- und navigierbar machen, ergänzt um Multi-Tenant-, Team- und Freigabe-Funktionen. Dieser Ausbau ist in Planung und noch nicht Teil des heutigen Produkts.

Betrieb: gehostet oder self-hosted

  • Gehostet. Betrieb durch Creaminds, sofort nutzbar, ohne eigene Infrastruktur.
  • Self-hosted. Installierbares Bundle (Single-Node Docker-Compose, kein Kubernetes) für den Betrieb im eigenen Netz — Air-Gap (vollständig offline, Modell im Bundle) oder Connected (Modell-Pull beim Start, automatisches TLS). Eigene Benutzerverwaltung (gebündeltes Keycloak) oder Anbindung an Ihren OIDC-Provider. SBOM und Lizenz-Nachweise liegen bei. Baut auf unserer LLM-Self-Hosting-Grundlage auf.

Datensouveränität by construction

Im Self-Hosting läuft alle KI-Inferenz lokal über ein eingebettetes Open-Source-Modell (Qwen2.5, Apache-2.0) auf Ihrer GPU — kein Cloud-GPU, keine externen API-Schlüssel. Zugangsdaten werden bei der Installation lokal erzeugt; im Air-Gap-Modus ohne jeden Internet-Zugang. So bleibt die auditierbare Datenflussgrenze bestehen, die DSGVO, NIS2, CRA oder ISO 27001 verlangen.

Voraussetzungen (Self-Hosting)

  • GPU-fähige Maschine: NVIDIA-GPU ab 12 GB (empfohlen 24 GB, z. B. A10G), ~100 GB Disk.
  • Eine Domain für den Dienst und Docker auf dem Host.
  • Cloud (z. B. AWS GPU-Instanz) oder On-Premise — Sie entscheiden.

Für wen

Organisationen, die Wissen strukturiert erschließen und analysieren wollen — von der Einzelrecherche bis zum kollaborativen Team-Wissensgraphen. Und solche mit hohen Datenresidenz-Anforderungen, die das ohne Cloud-Abhängigkeit im eigenen Netz betreiben wollen.