Forscher entwickeln ISEE-System, damit KI-Agenten Unternehmensdatenbanken präziser verstehen
Das Interactive-Semantic-Enrichment-System von Purdue University, Adobe und UW–Madison reichert Feld-Beschreibungen mit Fachwissen an und macht KI-Agenten im Umgang mit Datenbanken genauer
Je mehr LLM-basierte KI-Agenten (Large Language Models) für Datenarbeit eingesetzt werden – etwa zum Verstehen, Erkunden und Abfragen von Daten –, desto häufiger zeigt sich ein Problem: sinkende Genauigkeit, vor allem bei Unternehmensdatenbanken. Die Ursache liegt nicht immer beim Modell selbst, sondern oft bei den Feld-Beschreibungen (field descriptions), die unklar oder unvollständig sind. Ein Beispiel sind Felder mit firmeninternen Namen, deren eigentliche Bedeutung nur im Domänenwissen der Mitarbeiter existiert – aber nie öffentlich dokumentiert wurde.
Um diese Lücke zu schließen, schlägt ein Forscherteam der Purdue University, von Adobe und der University of Wisconsin–Madison um Yuan Tian, Yiru Chen und Rakesh R. Menon das System ISEE (Interactive SEmantic Enrichment) vor, veröffentlicht auf arXiv in den Kategorien cs.AI/cs.IR. ISEE arbeitet interaktiv: Erhält das System eine Feld-Beschreibung, bewertet es deren Qualität mit einem Punktesystem, sammelt anschließend Wissen von den Nutzern und verbessert gemeinsam mit ihnen die Bedeutung des Feldes, bis sie vollständig ist.
Das Team betont, dass vage Feld-Beschreibungen nachgelagerte Aufgaben (downstream tasks) direkt beeinträchtigen – etwa Entity Linking, also das Verknüpfen von Daten mit den korrekten Entitäten. Genau bei solchen Aufgaben scheitern KI-Agenten leicht, wenn sie nicht verstehen, was jedes Feld wirklich bedeutet.
Nutzerstudien und qualitative Auswertungen zeigen, dass ISEE die Genauigkeit von Feld-Beschreibungen tatsächlich erhöht und zugleich die kognitive Belastung (cognitive load) der Nutzer im Vergleich zu herkömmlichen Basisansätzen senkt. Nutzer müssen also nicht alles mühsam selbst durchdenken und von Grund auf dokumentieren.
Allerdings handelt es sich um eine frühe Forschungsarbeit, die als Preprint auf arXiv erschienen ist und noch kein formelles Peer-Review durchlaufen hat. Detaillierte experimentelle Ergebnisse wurden im Abstract ebenfalls nicht offengelegt. Für den industriellen Praxiseinsatz heißt es daher: abwarten.
Thailändische Unternehmen, die KI-Agenten zur Verwaltung von Kunden- oder Geschäftsdatenbanken einsetzen wollen, stehen vor demselben Problem: Die Rohdaten sind vorhanden, aber die Bedeutung fehlt – und die KI antwortet falsch. Der ISEE-Ansatz zeigt, dass die gemeinsame Anreicherung von Daten mit Fachwissen durch Mensch und KI ein entscheidendes Puzzleteil für den realen KI-Einsatz in Organisationen sein könnte.