Für viele Unternehmen ist eine umfassende Analyse von Umwelt-, Sozial- und Governance-Faktoren (ESG) heute schon Pflicht – und regelmäßig weiten die Gesetzgeber den Kreis dieser Unternehmen aus. Manuell ist die Analyse der Massen unterschiedlicher Daten jedoch kaum zu leisten. Hier hilft die Kombination von künstlicher Intelligenz und Knowledge Graphen: Diese beschleunigt den Vorgang erheblich und erleichtert die verständliche Darstellung der Ergebnisse.

Die größte Herausforderung für menschliche ESG-Analysten ist die enorme Menge heterogener Daten: ESG-Daten kommen beispielsweise aus Unternehmens-berichten, Nachrichten, sozialen Medien und öffentlichen Datenbanken. Es ist schwierig, diese unterschiedlichen und oftmals auch in sich unstrukturierten Daten sinnvoll miteinander zu verbinden. Ohne eine technologische Lösung sind dafür erhebliche Ressourcen und spezifisches Know-how nötig: Ganze Teams und Abteilungen sind über Tage oder gar Wochen mit der manuellen Analyse der ESG-Faktoren eines Unternehmens beschäftigt. Effizienter wird die ESG-Analyse nur durch den Einsatz fortschrittlicher Technologie, genauer: Künstliche Intelligenz (KI) und Knowledge Graphen.

Da die ESG-Analyse für nachhaltige Investments oftmals besonders umfangreich und anspruchsvoll ist, eignet sich ein Beispiel aus diesem Bereich besonders gut, um den Einsatz von KI und Graphtechnologie in der ESG-Analyse-Praxis zu zeigen. Zunächst aber zur Theorie: zur Frage, was Knowledge Graphen sind – und wie sie sich mit KI kombinieren lassen.

Die technologische Lösung: Knowledge Graphen und KI. Es gibt eine Vielzahl von Kombinationsmöglichkeiten für Knowledge Graphen und KI, bei denen sich die Vorteile beider Technologien gegenseitig verstärken.

Knowledge Graphen bieten ein flexibles und skalierbares Datenmodell für die Verknüpfung und Abfrage komplexer Datenstrukturen. Die Besonderheit von Graphdatenbanken ist der Fokus auf Beziehungen – beispielsweise zwischen Unternehmen, Lieferketten und ESG-Faktoren. Einzelne Daten werden im Knowledge Graphen als Knoten dargestellt und die Beziehungen zwischen den Daten als Kanten. Die Knoten lassen sich mit zusätzlichen Informationen (Metadaten) anreichern. Zudem stellen Knowledge Graphen durch Visualisierung komplexe Beziehungsgeflechte für Menschen leicht verständlich dar. So können sie beispielsweise Beziehungen und Abhängigkeiten zwischen Unternehmen oder geografischen Regionen anschaulich machen.

Ein Knowledge Graph verknüpft Daten zu allen ESG-Kategorien aus verschiedenen Quellen und macht ihre wechselseitigen Beziehungen transparent.

Graphtechnologie macht auf vielfältige Weise die Ergebnisse von KI genauer und besser nachvollziehbar. Beispielsweise, wenn Large Language Models (LLMs) oder Small Language Models (SLMs, die auf eine bestimmte inhaltliche Domäne spezialisiert sind) zusammen mit den spezifischen Daten eines Knowledge Graphs zum Einsatz kommen. Diesen Ansatz nennt man GraphRAG (Graph Retrieval Augmented Generation). Dadurch werden domänenspezifische Daten verfügbar und die Qualität von GenAI-Antworten durch Kontextinformation verbessert und überprüfbar gemacht. Dabei greift das Sprachmodell während des Abfrageprozesses auf einen Knowledge Graphen als zusätzliche externe Wissensquelle zu.

Doch die Kombination von Graph und KI funktioniert auch umgekehrt: Graphen verbessern nicht nur KI, sondern KI wirkt auch als Katalysator für die Vorteile der Graph-technologie.

Zum einen unterstützt KI beim Aufbau von Knowledge Graphen, indem sie Knoten und Kanten aufbaut und mit Informationen anreichert. Ein weiteres wichtiges KI-Einsatzfeld ist die Abfrage von Knowledge Graphen in natürlicher Sprache: Auf GenAI basierende Systeme analysieren Benutzeranfragen, durchsuchen Datenquellen und stellen die Ergebnisse sehr schnell bereit. Dies ermöglicht auch Nicht-Technikern Interaktion mit den vielfältigen Datenmengen im Knowledge Graph. Diese Kombination der beiden Technologien ist ideal für die Analyse von ESG-Faktoren.

Neural Alphas »Responsible Capital«-Plattform. Bei nachhaltigen Investments geht es bei der ESG-Analyse sehr häufig nicht »nur« um die ESG-Faktoren eines einzelnen Unternehmens: Bei der Zusammenstellung von Investment-Portfolios müssen die ESG-Faktoren vieler verschiedener Unternehmen mit ihren Lieferketten analysiert werden. Zudem gelten unterschiedliche Maßstäbe, je nachdem, wie das Portfolio ausgerichtet sein soll (zum Beispiel Sustainable Finance, ESG Investing, Socially Responsible Investing – um nur einige nachhaltige Investment-Ansätze zu nennen).

Wie Knowledge Graphen und KI bei diesen komplexen Aufgaben zum Einsatz kommen, zeigt konkret das Beispiel des britischen FinTech-Unternehmens Neural Alpha.

Neural Alpha entwickelt Software- und Datenlösungen für die komplexe Analyse von Nachhaltigkeitsfaktoren. Eine wichtige Zielgruppe sind Finanzinvestoren, die wissen wollen, wie nachhaltig Unternehmen handeln, die für ein Investment in Frage kommen. Neural Alpha hilft seinen Kunden beispielsweise zu verstehen, wie genau bestimmte Lieferketten zur Abholzung des brasilianischen Regenwaldes beitragen. Mit Knowledge Graphen und KI macht Neural Alpha die Zusammenhänge zwischen den vielfältigen und schwer integrierbaren Daten entlang der Lieferkette sichtbar.

Die »Responsible Capital«-Plattform von Neural Alpha zeigt beispielhaft die Synergien, die durch die Nutzung des »Traumpaars« KI und Knowledge Graphen entstehen. Die Basis der Lösung bildet ein mithilfe der Graphdatenbank Neo4j erstellter Knowledge Graph. Dieser integriert und analysiert große Mengen an qualitativen und quantitativen Daten zu allen ESG-Kategorien aus verschiedenen Quellen. Dazu gehören räumliche Daten, Branchendaten, Produktdaten, Bewertungen, Lieferketten, Offenlegungen, Unternehmensprofile und eine Vielzahl weiterer Datensätze.

Eine interaktive Benutzeroberfläche mit einem GenAI-Chatbot, der auf einem ESG-spezifischen LLM basiert, erschließt die Informationen für die Nutzer. Der Chatbot beantwortet Fragen zu den ESG-Daten des Knowledge -Graphen und bietet kontextbezogene Einblicke. Zudem stehen den Nutzern spezielle Filter zur Verfügung, zum Beispiel zur Relevanz. Die Filter helfen den Analysten, die richtigen Fragen zu stellen – und so Antworten zu erhalten, die sie für fundierte Entscheidungen brauchen.

Genaue Analyse in Stunden statt Tagen. Die Resultate zeigen die Effektivität der Lösung: Bei einem typischen ESG-Assessment für ein Unternehmen gilt es zwischen zehn und mehreren hundert ESG-Offenlegungen gelisteter Unternehmen in der Lieferkette zu durchforsten. Menschliche Analysten brauchen dafür normalerweise drei bis fünf Tage. Die »Responsible Capital«-Plattform hat die Analysezeit auf wenige Stunden reduziert. Dabei bietet sie hohe Genauigkeit: In Pilotprojekten mit verschiedenen Unternehmen wichen die Ergebnisse weniger als fünf Prozent von den manuell durchgeführten Bewertungen ab.

Die Plattform ermöglicht es daher, ESG-Assessments für einzelne Unternehmen und sogar ganze Investment-Port-folios innerhalb weniger Stunden oder Tage vorzunehmen – statt wie bisher in Wochen oder gar Monaten. Die Vorgehensweise ist grundsätzlich auf ESG-Analysen auch außerhalb der Finanzwelt übertragbar. Die Kombination von GenAI-basierten Chatbots und Knowledge Graphen kann Unternehmen aller Branchen die vorgeschriebenen ESG-Analysen erheblich erleichtern.

Heiko Schönfelder ist Head Of Sales DACH bei Neo4j. Mit seinem Team unterstützt er Kunden dabei Datenbank-Lösungen zu ersetzen beziehungsweise zu erweitern, Kosten einzusparen und mit der Graphdatenbank Neo4j echten Mehrwert aus Daten zu gewinnen. Er ist seit über 15 Jahren in der IT-Branche unterwegs und hat in verschiedenen Sales Positionen in Unternehmen wie Elastic, Tibco, Jaspersoft und Liferay detailliertes Fachwissen im Bereich Open Source und NoSQL aufgebaut.

Illustration: © Nongkran Pornmingmas, Maryna Kushnarova, GenAI | Dreamstime.com

261 Artikel zu „KI Knowledge“

News | Trends 2024 | Trends Kommunikation | Kommunikation | Künstliche Intelligenz

KI-gestützte Chatbot-Assistenten für Knowledge Worker

25. September 2024

KI-gesteuerte virtuelle Assistenten sind bereits für ein Fünftel der Knowledge Worker weltweit die Tools, die sie am häufigsten einsetzen. ChatGPT dabei häufiger genutzt als Slack. Mehr als einer von fünf Knowledge Workern weltweit (23 Prozent) setzt inzwischen auf KI-Assistenten der nächsten Generation als meistgenutztes Arbeitsmittel bzw. meistgenutzte Anwendung, so eine Umfrage von The Adaptavist…