Der Artikel «Datenmodellierung – Neue Erkenntnisse aus komplexen Daten gewinnen» im KMU-Magazin zeigt, wie diese Methode eingesetzt werden kann, um aus komplexen Datensätzen verwertbares Wissen zu gewinnen und Entscheidungen auf einer soliden Basis zu treffen.
Das vom CERN mitentwickelte Open-Source-Tool Collaboration Spotting X (CSX) setzt diesen Ansatz praktisch um. Es verwandelt tabellarische Daten in dynamische visuelle Netzwerke und macht Beziehungen sichtbar, die herkömmliche Tools oft übersehen.
Dieser Artikel im KMU-Magazin ist Teil einer Serie, die als Folgeaktivität aus der Publikation Orientierung KI: Herausforderungen und Chancen für Schweizer KMU hervorgegangen ist. Diese SATW-Publikation unterstützt kleine und mittlere Unternehmen dabei, Potenziale von künstlicher Intelligenz zu erkennen und konkrete nächste Schritte zu planen.
Die Inhalte wurden in enger Zusammenarbeit mit Akteur:innen aus dem Netzwerk von SAIROP (Swiss AI Research Overview Platform) erstellt. SAIROP fördert den Austausch zwischen Wissenschaft, Wirtschaft und Gesellschaft, macht Schweizer KI-Kompetenzen sichtbar und schafft Orientierung im dynamischen KI-Ökosystem.
Der Artikel beschreibt, wie kleine und mittlere Unternehmen (KMU) die Methode der Hyperbag-Graphen nutzen können, um unstrukturierte und komplexe Daten – etwa Kundenfeedback oder Betriebsprotokolle – zu modellieren und visuell auszuwerten. Dadurch entstehen neue Möglichkeiten, Daten in Wissen zu verwandeln und strategische Entscheidungen zu verbessern.
KMU stehen oft vor der Herausforderung, grosse Datenmengen mit begrenzten Ressourcen zu analysieren. Herkömmliche Business-Intelligence-Tools verarbeiten vor allem strukturierte Zahlen, sind aber wenig geeignet für Textdaten oder qualitative Informationen. Hyperbag-Graphen bieten hier eine flexible Lösung, mit der sich auch nicht-numerische Daten effizient auswerten lassen.
Ein Hyperbag-Graph ist ein mathematisches Modell, das auf der sogenannten Graphentheorie basiert. Im Unterschied zu klassischen Graphen, die jeweils zwei Knoten verbinden, kann ein Hyperbag-Graph mehrere Knoten gleichzeitig verknüpfen.
Zudem können Elemente mehrfach vorkommen – sogenannte Multisets. Damit lassen sich etwa Wiederholungen in Texten oder Bewertungen darstellen, zum Beispiel wenn Kund:innen denselben Begriff mehrfach erwähnen.
KMU können mithilfe des Open-Source-Tools Collaboration Spotting X (CSX), das am CERN entwickelt wurde, ihre Daten in visuelle Netzwerke umwandeln.
Beispielsweise kann ein E-Commerce-Unternehmen mit CSX analysieren, welche Themen in Produktbewertungen besonders häufig vorkommen – etwa Montage, Qualität oder Lieferzeit – und diese Erkenntnisse für die Produktentwicklung oder das Marketing nutzen.
Herkömmliche Tools wie Dashboards oder Tabellen zeigen vor allem numerische Kennzahlen an. Hyperbag-Graphen hingegen verknüpfen auch semantische und textbasierte Informationen. Dadurch können KMU Zusammenhänge und Trends erkennen, die in klassischen Tabellen verborgen bleiben. Der Ansatz ermöglicht es, Daten nicht nur zu visualisieren, sondern auch inhaltlich zu verstehen.
Hyperbag-Graphen unterstützen KMU dabei, Daten verständlich darzustellen, komplexe Beziehungen zu erkennen und Prioritäten zu setzen.
Da das System transparent und nachvollziehbar arbeitet, können Entscheide auf einer nachvollziehbaren Datenbasis getroffen werden – ohne dass dafür ein Team von Datenwissenschaftler:innen nötig ist.
Die Methode der Hyperbag-Graphen wurde am CERN von einem Doktoranden der Universität Genf entwickelt und weiter verfeinert.
Im Artikel stellen Gianfranco Moi (Universität Genf, IDE4) und Jean-Marie Le Goff (Dtangle, CERN) das Konzept vor. Beide sind Partner der Swiss Artificial Intelligence Research Overview Platform (SAIROP), einer Initiative der Schweizerischen Akademie der Technischen Wissenschaften SATW zur Förderung des Wissenstransfers im Bereich Künstliche Intelligenz.
