Wer taucht mit wem auf? Der Entitäten-Graph auf der Topic Map

Die Topic Map zeigte bisher eine Sache: die Konzepte deines Wikis und wie sie zusammenhängen. Darüber haben wir in Dein Lesen als ein Wissensgraph geschrieben. Diese Ansicht beantwortet die Frage, worüber du gelesen hast.

Eine zweite Frage stellt sich im Beratungsalltag mindestens genauso oft: Wer und was kam darin vor? Welche Anbieter tauchen in deinen Artikeln über Sicherheitsvorfälle auf, welche Behörden in denen über Meldepflichten, welche Produkte neben welchen Regulierungen? Dafür gibt es auf der Topic Map jetzt einen Schalter: Concepts oder Entities.

Was der Entitäten-Graph zeigt

Pith ist ein Lese-Gedächtnis für Berater: Aus den Artikeln, die du speicherst, schreibt es ein Wiki mit Belegen und einen Wissensgraph, der zeigt, welche Personen, Firmen, Produkte und Regulierungen gemeinsam in deinen Quellen vorkommen. Bei jedem Speichern erkennt Pith die Namen im Artikel: Personen, Firmen und Behörden, Produkte, Regulierungen und benannte Methoden. Der Entitäten-Graph macht daraus ein Netz.

• Knoten sind die Namen. Ihre Farbe zeigt den Typ, ihre Größe, in wie vielen deiner Bookmarks sie vorkommen.
• Verbindungen entstehen, wenn zwei Namen in denselben Bookmarks genannt werden.
• Ein Klick auf einen Knoten öffnet ein Seitenfeld: die Bookmarks, in denen der Name vorkommt, die Namen, mit denen er zusammen auftaucht, und einen Link zur Seite der Entität.

Zum Beispiel: Du hast über ein paar Wochen Artikel zu Cloud-Souveränität gespeichert. Im Graphen steht dann ein Cloud-Anbieter neben einer Regulierung wie dem Data Act und einer Behörde, weil sie in denselben Texten vorkamen. Welche Artikel das waren, siehst du mit einem Klick.

Warum allgegenwärtige Namen nicht alles verbinden

Ein naiver Graph zählt einfach, wie oft zwei Namen zusammen vorkommen. Das Ergebnis ist in einem IT-Kontext vorhersehbar: GitHub und OpenAI stehen in der Mitte und sind mit allem verbunden. Sie kommen überall vor, also kommen sie auch überall zusammen vor. Über deine Themen sagt das nichts.

Deshalb misst der Graph die Stärke einer Verbindung relativ dazu, wie häufig jeder der beiden Namen insgesamt ist. Zwei Namen, die fast nur zusammen auftauchen, sind stark verbunden. Ein Name, der in jedem zweiten Artikel steht, bekommt zu jedem einzelnen Partner nur eine schwache Verbindung. Pro Entität zeigt der Graph die sechs stärksten Verbindungen.

So bleiben die Namen sichtbar, die tatsächlich zusammengehören — und die, die überall stehen, werden zu dem, was sie sind: Hintergrund.

Warum Aufräumen wichtiger ist als Zeichnen

Einen Graphen zu zeichnen ist der leichte Teil. Ob er etwas taugt, entscheidet sich vorher, bei der Frage, was überhaupt ein Knoten wird. Als wir die vorhandenen Entitäten zum ersten Mal als Graph angesehen haben, fielen drei Probleme auf.

Allerweltswörter waren Entitäten geworden. „Secrets", „ConfigMaps", „personal data servers" — Begriffe, keine Namen. Im Graphen hätten sie sich an alles gehängt, was mit Kubernetes oder Datenschutz zu tun hat. Die Erkennung nimmt jetzt nur noch Eigennamen, und beim Aufräumen des Bestands wurden solche Begriffe archiviert. In unserem eigenen Test-Arbeitsbereich waren das 20 von 69 Einträgen.

Schreibvarianten waren getrennte Entitäten. „Postgres" und „PostgreSQL" standen als zwei Knoten nebeneinander. Heute gibt das Modell den offiziellen Namen als Namen an und Kurzformen als Alias, und es bekommt die Namen, die es in deinem Arbeitsbereich schon gibt, mit der Anweisung, sie wiederzuverwenden. Dazu kommt ein Abgleich über die Schreibweise: Ist ein Name der Anfang des anderen, mit mindestens fünf gemeinsamen und höchstens drei zusätzlichen Zeichen, ist es dieselbe Entität. „Postgres" und „PostgreSQL" werden zusammengeführt, „Java" und „JavaScript" nicht. Zusammenführungen sind umkehrbar.

Die Typen passten nicht. Es gab nur Person, Firma und Framework. PostgreSQL, Redis und Kafka waren als Firma eingetragen, NIS2 und der AI Act wären als Framework gelandet. Jetzt gibt es zwei Typen mehr: Produkt für Software, Werkzeuge, Plattformen und Modelle, Regulierung für Gesetze, Richtlinien, Standards und Zertifizierungen. PostgreSQL ist ein Produkt, NIS2 eine Regulierung, und Framework steht nur noch für benannte Methoden wie MECE.

Beim Aufräumen werden nur automatisch erkannte Entitäten angefasst. Was du selbst angelegt hast, bleibt, wie es ist.

Archivieren als Sperrliste

Ein Detail hat sich erst im echten Lauf gezeigt und ist so geblieben, weil es genau das Richtige tut. Ein archivierter Begriff bleibt in deinem Arbeitsbereich bekannt. Erkennt das Modell in einem späteren Artikel wieder „Risk management", wird die Nennung dem archivierten Eintrag zugeordnet — und Graph und Listen blenden ihn weiter aus.

Archivieren heißt also nicht nur „weg damit", sondern „das ist hier kein Name, auch nicht beim nächsten Mal". Jeder Allerweltsbegriff, den du archivierst, hält den Graphen dauerhaft sauberer.

Ehrlich zu den Grenzen

Der Entitäten-Graph wächst mit deinen Bookmarks, und er kann nicht mehr zeigen, als du gespeichert hast.

Standardmäßig erscheinen nur Namen, die in mindestens zwei Bookmarks vorkommen. Ein Name, der einmal auftaucht, ist noch kein Muster. Mit wenigen Bookmarks bleibt dabei aber kaum etwas übrig. In unserem eigenen Arbeitsbereich mit sieben Bookmarks erkannte Pith 33 Entitäten, aber nur zwei davon kamen in mehr als einem Bookmark vor. Deshalb senkt die Seite die Schwelle einmal automatisch auf ein Bookmark, wenn sonst weniger als fünf Namen zu sehen wären. Du kannst sie auch selbst verstellen.

Ein dünner Graph ist kein Fehler, sondern ein ehrlicher Stand. Mit jedem gespeicherten Artikel kommen Namen und Verbindungen dazu, und die Verbindungen, die dann entstehen, haben einen Grund: Es gibt Texte, in denen beide Namen stehen, und du kannst sie öffnen.

Und was ist mit Raindrop, mymind oder Recall?

Viele Bookmark-Manager ordnen mit KI, und einige machen das sehr gut. Die Frage ist, was geordnet wird: die Ablage oder der Inhalt.

• Raindrop.io bietet Sammlungen, verschachtelte Ordner und Tags, dazu eine starke Volltextsuche und KI-Vorschläge für Tags und Sammlungen beim Speichern. Das hält auch einen großen Bestand übersichtlich. Die Bookmarks bleiben dabei getrennt, so ist es gewollt.
• mymind vergibt Tags und bildet Gruppen automatisch, ganz ohne Ordner, und ist beim visuellen Sammeln besonders angenehm. Jede Karte steht für sich; Belege über mehrere Quellen gibt es nicht.
• Recall kommt dem Graphen am nächsten: Es fasst gespeicherte Artikel, Videos und Podcasts zusammen und verknüpft verwandte Einträge in einem Wissensgraph.

Tags und Sammlungen beantworten die Frage „Wo liegt das?". Ein Graph, der verwandte Einträge verbindet, beantwortet „Was hängt womit zusammen?". Der Entitäten-Graph setzt eine Ebene tiefer an, bei den Namen in den Texten: Er verbindet eine Regulierung mit den Anbietern und Behörden, die in denselben Artikeln stehen, und führt mit einem Klick zu genau diesen Artikeln. Eine Ablage musst du dafür nicht pflegen.

Die Einzelvergleiche: Pith vs. Raindrop, Pith vs. mymind und Pith vs. Recall. Eine Übersicht über Bookmark-Manager mit KI ordnet die Werkzeuge danach, wie tief die KI geht.

Wann welche Ansicht hilft

Die beiden Ansichten ergänzen sich. Die Konzepte zeigen, was dein Lesen ergeben hat: Themen, über die dein Wiki Seiten geschrieben hat. Die Entitäten zeigen, wer und was darin vorkommt. Vor einem Gespräch mit einem Kunden aus der Energiebranche kann die eine Frage lauten „Was weiß ich über Lieferkettensicherheit?" und die andere „Welche Anbieter und Regulierungen tauchen in meinen Artikeln darüber zusammen auf?"

Beide Antworten führen zurück zu denselben Quellen — den Artikeln, die du selbst gespeichert hast.