Von Daten-Gestrüpp zu neurosymbolischer Ordnung: Die Evolution des L.U.N.A. Wissensbaums

In modernen KI-Architekturen wird Wissen häufig als formlose Masse verstanden: Rohe Texte wandern in Vektordatenbanken, und zur Laufzeit verlässt man sich auf probabilistische Embeddings und Cosine-Similarity. Für Standard-RAG-Anwendungen mag das genügen. Für ein deterministisches System wie L.U.N.A. Prime, das logische Invarianz, formale Beweise, Code-Verifikation und physikalische Axiome garantieren muss, scheitert dieser stochastische Ansatz.

Wenn Wissen nicht hierarchisch verankert und auditierbar ist, droht mit wachsender Datenmenge das sogenannte „Gestrüpp-Problem“: isolierte Einzelsätze, zersplitterte Pfade und semantische Fehlleitungen.

Nach der kontinuierlichen Aufnahme von über 18.000 wissenschaftlichen Lehrsätzen standen wir genau an diesem Wendepunkt. Dieser Artikel dokumentiert die Neukonzeption unseres Wissensraums: von der Zerlegung flacher Datenbestände über eine 3-Ebenen-Ontologie bis hin zum Einsatz von WODAN (Wise Omniscient Dispatcher & Archive Network) als Schwellenwächter an der Ingestion-Pforte.


1. Das Problem: Die 1-Blatt-Explosion und semantische Kollisionen

Beim autonomen Einlesen umfangreicher wissenschaftlicher Arbeiten und Preprints entstehen ohne strenge Vorfilterung zwei systemische Fehler:

  1. Fragmentierte Einzelzweige: Automatische Extraktoren hinterlassen oft Signaturen oder Dokument-Hashes im Themenfeld. Das Resultat war eine Aufblähung auf fast 4.000 einzelne Äste, die jeweils nur einen einzigen Satz trugen. Ein solcher Graph verliert seine Orientierungsfunktion; echtes logisches Pruning wird unmöglich.
  2. Gierige Substring-Fehlleitungen: Werden Klassifizierungen rein textbasiert vorgenommen, führen Überschneidungen zu grotesken Zuordnungen. Sätze aus der Weimarer Klassik oder antiken Mythologie landeten plötzlich in der Signalverarbeitung – schlicht weil Texte vom „Meeresrauschen“ oder „berauschenden Momenten“ sprachen und ein naiver Filter auf das technische Signal-„Rauschen“ ansprang. Ähnlich wurden linguistische Abhandlungen über Wortfrequenzen irrtümlich der Elektrotechnik zugeordnet.

In einer deterministischen Wissensbasis sind solche Unschärfen inakzeptabel. Ein Lehrsatz muss exakt dort liegen, wo er kontextuell und ontologisch hingehört.


2. Die Lösung: Eine 3-Ebenen-Ontologie auf 5 Hauptstämmen

Statt eines unstrukturierten Auffangbeckens haben wir die gesamte Wissensbasis (18.238 verifizierte Axiome) in eine streng deterministische, dreistufige Hierarchie überführt:

Durch Wortgrenzen-Validierung und priorisierte Zuordnungs-Weichen (Geisteswissenschaften und Linguistik werden vor technischen Filtern geprüft) sind Fehlplatzierungen ausgeschlossen. Die Baumdichte stieg von unbrauchbaren 4,6 auf hunderte bis tausende fundierte Lehrsätze pro Hauptstamm.


3. WODAN als Schwellenwächter: Definition beim Einlesen

Die zentrale architektonische Erkenntnis dieses Umbaus lautet: Nachträgliches Aufräumen in der Produktivdatenbank ist Ressourcenverschwendung.

Bislang wurden Rohdaten ungefiltert gespeichert und erst später in Audit-Läufen bereinigt. Ab sofort fungiert WODAN (Wise Omniscient Dispatcher & Archive Network) als autonomer Gatekeeper direkt an der Einlese-Schnittstelle:

Der Ingestion-Zyklus im heißen Kontext

  1. Extraktion im Quellkontext: Wird ein Paper verarbeitet, liegt der gesamte Textabschnitt im flüchtigen Speicher. Genau in diesem Moment generiert das System nicht bloß den Lehrsatz, sondern erfasst dessen semantische Einbettung.
  2. Das dreigliedrige Axiom-Schema: Ein Satz wird in der zentralen Wissensdatenbank nur noch akzeptiert, wenn er als vollständiges Tripel vorliegt:
  3. statement: Der eigentliche wissenschaftliche Lehrsatz.
  4. definition: Die exakte Definition aller verwendeten Termini und Variablen.
  5. validity_boundary: Der formale Geltungsbereich (unter welchen Bedingungen die Aussage gilt – und wo sie bricht).
  6. Deterministische Barriere: Konversationsfragmente, vage Behauptungen oder unvollständige Notizen werden physisch abgewiesen und isoliert.

Damit ist gewährleistet, dass keine ungeprüften Daten in den operativen Speicher gelangen.


4. Visuelle Transparenz: Der interaktive Wissensbaum

Ein System, das kontinuierlich lernt, benötigt eine transparente Kontrollinstanz. Über eine D3.js-basierte Visualisierung lässt sich das Wachstum des Wissensraums in Echtzeit nachvollziehen:


Fazit & Ausblick

Die Transformation der Wissensbasis liefert signifikante Vorteile für die Gesamtarchitektur:

Als nächster Meilenstein steht die granulare Auffächerung des naturwissenschaftlichen Bestands in dedizierte Äste für Astronomie & Himmelsmechanik, Materialwissenschaften und Biophysik an. Lunas Weltmodell wächst nicht mehr unkontrolliert in die Breite, sondern verzweigt sich strukturiert wie ein gesunder Baum.