RANDOM-QA: Question Answering mit Knowledge Graphs und Large Language Models für die Radio-Access-Network-Domäne
Year: 2025
Type: dissertation
Abstract: Telekommunikationsunternehmen stehen angesichts der stetigen technologischen Fortschritte und der wachsenden Anforderungen an die Verfügbarkeit und Leistungsfähigkeit des Mobilfunknetzes vor erheblichen Herausforderungen. Intelligente Informationssysteme haben deshalb ein großes Potenzial, die Planung, den Betrieb und die Optimierung dieser Netzwerke zu unterstützen. Insbesondere ermöglichen Question-Answering-Systeme einen vereinfachten Zugang zu Informationen, die für die Bewältigung der vielfältigen Aufgaben und Probleme benötigt werden. Die vorliegende Arbeit zielt deshalb darauf ab, ein System zu entwickeln, das praxisrelevante Fragen zu einem Radio Access Network (RAN) beantworten kann. Um eine möglichst hohe Genauigkeit zu erreichen, werden zwei komplementäre Technologien eingesetzt. Um das Domänenwissen, das für die Beantwortung der Fragen benötigt wird, strukturiert abzubilden, wird ein domänenspezifischer Knowledge Graph (KG) entwickelt. Darauf aufbauend werden die eingegebenen Fragen in Datenbankabfragen übersetzt, sodass relevante Informationen aus dem KG extrahiert werden. Für die Erzeugung dieser Abfragen wird ein Large Language Model (LLM) verwendet. Nach der erfolgreichen Ausführung der Query kann das System die Antwort anhand des Abfrageergebnisses ausgeben, wofür ebenfalls ein LLM zum Einsatz kommt. Es handelt sich somit um ein LLM-basieres Knowledge Graph-based Question Answering (KGQA)-System. Auf Grundlage dieses KGQA-Systems untersucht diese Arbeit, welche Genauigkeit erreicht werden kann und welche Faktoren einen Einfluss auf die Genauigkeit haben. Dafür wird eine Evaluation mit Hilfe eines selbst angefertigten Datensatzes durchgeführt. Es konnte festgestellt werden, dass das KGQA-System im besten Fall rund 90% der Fragen korrekt beantworten konnte. Daraus wurde geschlussfolgert, dass ein praktischer Einsatz des umgesetzten Systems in Erwägung gezogen werden könnte. Am Ende der Arbeit wird ergänzend zu den gewonnenen Erkenntnissen auch darauf eingangen, welche Einschränkungen und Empfehlungen bei der Verwendung oder Weiterentwicklung des KGQA-Systems berücksichtigt werden sollten. Der entwickelte Quellcode, die verwendeten Datensätze und die Evaluationsergebnisse dieser Arbeit können außerdem auf GitHub eingesehen werden: https://github.com/flonkler/random-qa
Author: Winkler, Florian
Language: German
Topic: Topic Modeling
Subfield: Artificial Intelligence
Field: Computer Science
Domain: Physical Sciences
Open Access status: green
OpenAlex ID: W7077987239