Linked Data Day 2025 10. November 2025

Keynote: Vertrauen in die KI - Wie Wissensgraphen und GraphRAG verlässliche Ergebnisse liefern

In einer Welt, die zunehmend von Daten und künstlicher Intelligenz geprägt ist, stehen wir vor einer zentralen Herausforderung: Wie können wir sicherstellen, dass KI-Systeme, Suchmaschinen und andere datenintensive Anwendungen uns Ergebnisse liefern, denen wir vertrauen können? Insbesondere bei der Nutzung von öffentlichen Daten ist es entscheidend, dass die Resultate nicht nur korrekt, sondern auch nachvollziehbar und erklärbar sind.

Dieser Vortrag beleuchtet, wie die Verknüpfung von Daten in Wissensgraphen eine solide Basis für qualitativ hochwertige KI-Anwendungen schafft. Anstatt sich auf unstrukturierte Informationen zu verlassen, nutzen wir ein geordnetes Netz von Wissen, das die Zusammenhänge zwischen den Daten abbildet.

Der Schlüssel zur Veredelung dieser Technologie ist GraphRAG (Retrieval Augmented Generation auf Wissensgraphen). Vereinfacht gesagt, ermöglicht GraphRAG den KI-Systemen, nicht nur in einem riesigen Haufen von Dokumenten zu suchen, sondern gezielt auf das strukturierte Wissen im Graphen zuzugreifen. Das Resultat sind präzisere, verlässlichere und vor allem erklärbare Antworten. Andreas Blumauer zeigt in seiner Keynote anhand von praktischen Beispielen, wie dieser Ansatz es ermöglicht, die «Black Box» der KI zu öffnen und nachvollziehbare Ergebnisse zu erzeugen, die eine solide Grundlage für Entscheidungen bilden.

Keynote: Von Silos zur gemeinsamen Praxis - Daten zur Sache aller machen

In vielen Organisationen werden Daten als ein Nebenprodukt von Anwendungen betrachtet, anstatt als Fundament des eigentlichen Geschäfts. Diese anwendungszentrierte Denkweise schafft Silos, Doppelungen und fragile Datenökosysteme, die den langfristigen strategischen Anforderungen nicht gerecht werden.

In diesem Vortrag zeigt Katariina Kari, wie Organisationen den Wandel hin zur Datenzentrierung vollziehen können, bei der Datenentwicklung eine gemeinsame Praxis von Management, Produkt und Technik ist. Sie wird darstellen, wie es aussieht, wenn das konzeptionelle Modell des Unternehmens auch maschinenlesbar ist – und warum dies entscheidend ist, um Data Engineering mit den zentralen Konzepten der Organisation in Einklang zu bringen.

Anhand von Erfahrungen bei Zalando, IKEA und zuletzt beim Aufbau einer daten­zentrierten Organisation beim finnischen Strategie-Start-up In Parallel demonstriert Kari, wie explizite und maschinenlesbare Datenmodelle sowohl den Alltag als auch die langfristige Wertschöpfung transformieren.

Die Teilnehmenden gehen mit einem klaren Verständnis davon nach Hause, wie Datenzentrierung in der Praxis aussieht, und mit konkreten Ideen, wie sie Verantwortung für die zentralen Konzepte ihres Geschäfts übernehmen können – sodass Daten nicht nur als technisches Asset, sondern als gemeinsame organisatorische Verantwortung behandelt werden.

Von CSV zu RDF – Linked Data ganz konkret

In diesem Beitrag zeigen Benedikt Hitz-Gamper und Melanie Senn den konkreten Weg von Open Government Data zu Linked Open Government Data auf und demonstrieren die Integration von Datensätzen in LINDAS. Anhand eines Praxisbeispiels werden die notwendigen Schritte zur Datenmodellierung und -transformation erläutert, sowie die daraus folgenden Möglichkeiten der attraktiven Datenvisualisierung mit dem Tool Visualize aufgezeigt. Dieser Input soll speziell auch Personen aus dem Management einen Einblick in die konkrete Arbeit mit Linked Data geben.

MarmotGraph - Ein Knowledge Graph für die Wissenschaft und mehr

Ein effizientes und umfassendes wissenschaftliches Metadatenmanagement auf Basis von Linked Data hilft nicht nur bei der Etablierung sogenannter «FAIRness» («Findable», «Accessible», «Interoperable» and «Reusable») und der Aufzeichnung von Provenienz von Daten. Durch die Flexibilität, die unbegrenzte Erweiterbarkeit der Metadaten-Strukturen und zugehöriger Inferenz-Mechanismen ist es möglich, unterschiedlichen Anspruchsgruppen die richtige Granularität von Informationen zur Verfügung zu stellen, sowie die Sensitivität der solchen zu berücksichtigen. 

Im Rahmen des «Human Brain Project» wurde eine Knowledge Graph Lösung entwickelt, mit der nun im Rahmen der «EBRAINS Research Infrastructure» (https://ebrains.eu) eine umfangreiche Sammlung neurowissenschaftlicher Daten beschrieben, verwaltet und publiziert wird. Aktuell wird die zugrundeliegende Technologie «MarmotGraph» (https://marmotgraph.org) dafür vorbereitet, noch weitere Anwendungsfälle zu unterstützen. So wird die Technologie u.a. auch dafür verwendet, einen semantischen «Digital Twin» des schweizerischen Supercomputer Centers CSCS zu erstellen. 

In dieser Präsentation sollen einerseits die beschriebenen Anwendungsfälle vorgestellt und andererseits die Möglichkeiten und Herausforderungen bezüglich der Schnittstellen zwischen WissensträgerInnen und -konsumentInnen (sowohl «in silico» als auch «in vivo») besprochen werden.

LINDAS trifft KI: Vorstellung des Chatbot-Prototyps

Wie können wir den Zugang zu LINDAS vereinfachen? Dank der Zusammenarbeit mit der Fachhochschule Graubünden hat das Schweizerische Bundesarchiv einen KI-Chatbot entwickelt, mit dem User*innen  in natürlicher Sprache recherchieren können. Im Vortrag von Julien Raemy wird der Prototyp vorgestellt und die gewonnenen Erfahrungen präsentiert.

Breakoutsession 1: Hands-on AI: Evaluierung eines Linked Data Chatbots

In dieser Session erkunden wir gemeinsam den experimentellen RAG-Chatbot, der im Rahmen des Projekts «SIARD (Software Independent Archiving of Relational Databases) zu Linked Data» zwischen dem Schweizerischen Bundesarchiv und der Fachhochschule Graubünden entwickelt wurde. Der Prototyp wurde auf alle LINDAS-Datensätze erweitert und ermöglicht es, mittels natürlicher Sprache in allen verfügbaren Datensätzen zu recherchieren - beispielsweise in der Stapfer-Enquête von 1799 zum Schulwesen. Die Teilnehmenden können den Chatbot live testen und Fragen wie «Welche Schule hatte im Sommer am meisten fehlende Schüler?» direkt ausprobieren.

Breakoutsession 2: MeLODy – der Linked Data Chatbot

Mit MeLODy präsentieren wir einen AI-Chatbot, der auf Linked Data basiert, dadurch faktenbasiert antwortet und deutlich seltener halluziniert als herkömmliche KI-Bots. Anders als vergleichbare Ansätze kann MeLODy nicht nur «handverlesene Daten» verarbeiten, sondern auf verschiedene Endpunkte zugreifen und alle Daten nutzen, die nach dem Cube.link-Schema publiziert werden. Ein zweistufiges Verfahren identifiziert zunächst relevante Cubes und ruft anschliessend die passenden Datenpunkte über SPARQL-Endpunkte ab. In der Session stellen Rolf Schenker Thomas Kurz die Technologie vor, zeigen Anforderungen an die Datenaufbereitung und diskutieren Potenziale, Use Cases und Lessons Learned.

Breakoutsession 3: Bye PDF, hello Visualize – Learnings aus dem BAKOM auf dem Weg zu interaktiven Berichten

Wie ersetzt man statische PDF-Berichte durch aussagekräftige, interaktive Visualisierungen?

Diese Session zeigt anhand konkreter Erfahrungen aus dem BAKOM, wie Linked Open Data und Visualize genutzt werden, um Berichte neu zu denken – weg von PDFs, hin zu zeitgemässen, verlinkten und nutzerfreundlichen Darstellungen. Wir teilen Erfahrungen aus der Publikation von Linked Open Data, sprechen über Herausforderungen und zeigen, wie dadurch auch die abteilungsweite OGD-Strategie vorangetrieben wurde.

Breakoutsession 4: Daten publizieren und visualisieren mit Visualize – Erfahrungsbericht Umweltdaten

Die digitale Transformation bringt neue Möglichkeiten:

• Auf welchen Wegen können Daten manuell oder automatisiert auf LINDAS integiert, publiziert und kontinuierlich nachgeführt werden?
• Wie können diese Daten mit Hilfe von Visualize als Diagramme publiziert und für Webreporting bereitgestellt werden?
• Welche weiterführenden Möglichkeiten ergeben sich durch die Visualize-API?

Wir möchten in unserer Session aufzeigen, wie tabellarische Daten mittels Github/Gitlab in LINDAS publiziert werden können und diese mittels Visualize API für Webreporting verwendet werden können.

Breakoutsession 5: Nutzung des historisierten Gemeindeverzeichnisses von LINDAS für die Arbeit mit Zeitreihendaten

Wenn Zeitreihendaten bezogen auf eine einzelne Gemeinde ausgewertet werden, besteht das Problem, dass sich diese Gemeinde über die Zeit verändert haben könnte. Beispielsweise durch Fusionen mit Nachbargemeinden. Dies führt möglicherweise zu Sprüngen in der Zeitreihe, die missinterpretiert werden könnten. In dieser Session erkunden wir Wege, wie das historisierte Gemeindeverzeichnis von LINDAS in einem solchen Fall hilfreich genutzt werden kann.