Wissensgewinnung durch konversationelle KI: Ein Forschungsvorschlag zur Erweiterung von LLM

Große Sprachmodelle (LLMs) zeigen bemerkenswerte Fähigkeiten im Bereich des logischen Denkens, leiden jedoch unter statischen Wissensbasen, die zum Trainingszeitpunkt eingefroren sind, sowie der Unfähigkeit, dauerhaft neue Informationen aus Interaktionen zu akkumulieren. Trotz Fortschritten bei speicherunterstützten LLMs bietet kein bestehendes System einen strukturierten, interaktiven Rahmen zur Lösung der unvermeidlichen Konflikte, die entstehen, wenn Menschen Wissen durch Dialoge an eine KI vermitteln. Dieser Forschungsvorschlag stellt eine neuartige kognitive Architektur zur Wissensgewinnung vor, bei der ein eingefrorenes LLM einen externen Wissensgraphen durch natürsprachlichen Dialog aufbaut und pflegt, ausgehend von tabula rasa. Wir führen die erste hierarchische, interaktive Konfliktlösungstaxonomie ein, die speziell für den dialoggetriebenen Wissensgraph-Aufbau in eingefrorenen LLM-Architekturen entwickelt wurde und systematisch temporale Zustandsänderungen, Verstöße gegen Kardinalitäten, Entitätenkanonisierungskonflikte sowie logische Widersprüche adressiert. Die Architektur entkoppelt das logische Denken (LLM) vom Gedächtnis (hybrider Vektorspeicher und Property Graph), was einen modellunabhängigen Betrieb ermöglicht und gleichzeitig durch externalisierte Wissensrepräsentation vollständige Erklärbarkeit gewährleistet. Diese Arbeit fördert erklärbare KI, indem sie das mentale Modell des Systems vollständig einsehbar, korrigierbar und über LLM-Backends hinweg übertragbar macht.