KKC_0107 | Neo4j Graph-Datenbanken für KI

Graphen sind dann stark, wenn Beziehungen nicht Beiwerk sind, sondern der Kern der Logik. Genau hier setzt Neo4j an, und genau hier entstehen heute viele KI-Anwendungsfälle: besseres Retrieval für LLMs, robustere Empfehlungen, schnellere Betrugserkennung und nachvollziehbare Entitätsauflösung. In diesem Seminar bauen Sie Schritt für Schritt das Können auf, Neo4j als Graph-Datenbank für KI produktiv einzusetzen.

Sie starten mit Graph Thinking und übersetzen typische KI-Fragestellungen in ein Property-Graph-Modell: Welche Knoten und Beziehungen brauchen Sie, wie gehen Sie mit IDs, Zeitbezug und Provenienz um, und wie vermeiden Sie ein Modell, das später keine sauberen Abfragen zulassen. Danach setzen Sie Import-Pipelines auf, prüfen Datenqualität und lernen, welche Indexe und Constraints Sie früh festziehen sollten, damit Upserts stabil bleiben. Ein Schwerpunkt ist Cypher: Pattern Matching, Pfade, Aggregationen, Subqueries und Parameterisierung.

Sie üben MERGE-Strategien, die Duplikate verhindern, und optimieren Abfragen mit EXPLAIN und PROFILE. Darauf aufbauend nutzen Sie Graph Data Science, um aus dem Graphen Features und Embeddings abzuleiten und Algorithmen wie Similarity oder Community Detection sinnvoll zu evaluieren. Zum Schluss kombinieren Sie Knowledge Graph, Vektorsuche und LLM in einem GraphRAG-Ansatz: Entity Linking, Hybrid Retrieval, kontrollierter Kontextaufbau mit Quellen sowie Messmethoden, um Halluzinationen zu reduzieren.

Ergänzend klären Sie Betrieb, Sicherheit und Architekturpatterns, damit Ihr Setup auch außerhalb des Labors funktioniert.

• Graph Thinking und Property-Graph-Modelle für KI-Fragestellungen anwenden
• Knoten, Beziehungen, IDs, Zeitbezug und Provenienz sinnvoll modellieren
• Import-Pipelines, Datenqualität, Indexe und Constraints planen
• Cypher für Pattern Matching, Pfade, Aggregationen und Subqueries nutzen
• Graph Data Science für Features, Embeddings und Algorithmen einordnen
• Knowledge Graph, Vektorsuche und LLM zu GraphRAG-Ansätzen verbinden
• Betrieb, Sicherheit und Architekturpatterns für produktive Setups berücksichtigen

Das Seminar richtet sich an Data Engineers, Entwickler/innen, KI-Teams, Datenbankverantwortliche, Architekt/innen und technische Entscheider/innen.

Vorausgesetzt werden Grundlagen in Datenbanken, Datenmodellierung oder Softwareentwicklung. Kenntnisse in SQL, Python oder KI-Anwendungen sind hilfreich.

• Graph Thinking für KI-Anwendungsfälle
  • Warum Graphen bei Kontext, Beziehungen und Erklärbarkeit gewinnen
  • Use Cases: RAG mit Knowledge Graph, Empfehlungen, Fraud, Entitäten und Beziehungen
  • Graph vs. Relational vs. Vektorstore: sinnvolle Kombinationen
• Neo4j Essentials: Modellierung, Import, Performance
  • Property-Graph-Modell: Knoten, Beziehungen, Labels, Properties
  • Datenmodellierung für KI: Ontologie-light, IDs, Zeit, Provenienz
  • Import-Pipelines: CSV, APIs, ETL-Patterns und Datenqualität
  • Indexe, Constraints, Cardinality und typische Performance-Fallen
• Cypher, das wirklich sitzt
  • Lesen, Schreiben, Upserts: MERGE-Strategien ohne Duplikate
  • Pfadabfragen, Pattern Matching und Aggregationen
  • Subqueries, Parameterisierung und wiederverwendbare Query-Patterns
  • Profiling: EXPLAIN/PROFILE, Query Tuning
• Graph Data Science für ML und KI
  • Zentrale Algorithmen: PageRank, Community Detection, Similarity
  • Feature Engineering aus Graphen: Embeddings und Nachbarschaftsmerkmale
  • Train/Predict-Workflows und Evaluierung für reale Daten
• Knowledge Graph + Vektorsuche + LLM (GraphRAG)
  • Entity Linking und Relationship Extraction als Datenpipeline
  • Hybrid Retrieval: Graph Traversal plus Vektorähnlichkeit
  • Kontextaufbau mit Quellen, Zitaten und Zugriffskontrolle
  • Qualitätsmessung: Halluzinationen reduzieren, Antworten prüfen
• Betrieb, Sicherheit und Architektur
  • Rollen, Rechte, Mandantenfähigkeit und sensible Daten im Graph
  • Backup/Restore, Monitoring, Kapazitätsplanung
  • Architekturpatterns: Event-getriebene Updates, CDC, Batch vs. Streaming