Neurosymbolische Suche gewinnt durch Mechanismus, nicht Katalogvolumen

Der MarkTechPost-Artikel über Ontons Ontology 1 berichtet ein neurosymbolisches Suchmodell, das mittlere Precision-at-10 von 0,630 auf Subtext-Decor-90 erreichte, gegen 0,543 für Google Shopping und 0,469 für Amazon, wobei es etwa 1 Prozent deren Kataloge indiziert. (Michal Sutter, «Onton Releases Ontology 1: A Neurosymbolic Search Model That is 2.7x More Accurate than the World's Best E-commerce Search Engines», MarkTechPost, 2. August 2026, abgerufen 2026-08-23, https://www.marktechpost.com/2026/08/02/onton-releases-ontology-1-a-neurosymbolic-search-model/). Der Honest Architect liest den Artikel als Theorem 3 angewandt auf Suchrelevanz. Die Eigenschaft (Relevanz bei intent-lastigen Anfragen wie «pet-friendly sectional») wird durch den Mechanismus (einen inspizierbaren Knowledge-Graph, der vage Prädikate in überprüfbare Eigenschaften zerlegt: Faser, Webung, Konstruktion) garantiert, nicht durch die Behauptung «wir haben einen großen Katalog». Onton indiziert 1 Prozent des Katalogs und gewinnt 52 von 90 Anfragen direkt. Das Volumen ist nicht der Mechanismus. Der Graph ist der Mechanismus.

Kernergebnisse

• Der Mechanismus ist der Graph, nicht der Katalog. Theorem 3: die Eigenschaft (Relevanz bei intent-lastigen Anfragen) wird durch den Mechanismus (neurosymbolischer Knowledge-Graph, der vage Prädikate in überprüfbare Eigenschaften zerlegt) garantiert, nicht durch Katalogvolumen. Onton indiziert 1 Prozent und gewinnt 52 von 90. Ein Team, das «wir haben einen großen Katalog» ohne Eigenschafts-Zerlegungs-Mechanismus behauptet, ist ein Nicht-Mechanismus.
• Die Messung ist ehrlich und die Lücke ist benannt. Subtext-Decor-90 wird mit Code und Daten freigegeben. Drei LLM-Richter bewerteten die Top-10-Ergebnisse. Bootstrap-95-Prozent-Konfidenzintervalle aus 10.000 Resamples. Krippendorffs Alpha über die Richter ist 0,465, also sind absolute P@10-Werte verrauscht, aber alle drei Richter ordnen die Motoren in derselben Reihenfolge. Das Ranking ist robust; die absoluten Zahlen nicht. Das ist der ehrliche Name für die Lücke.
• Die 2.7x-Schlagzeile ist nicht die aggregierte Zahl. Der Body gibt P@10 0,630 vs Amazon 0,469, was 1,34x ist, nicht 2.7x. Die 2.7x ist eine Schlagzeilenfigur, die nicht direkt durch die aggregierten Zahlen im Body gestützt wird. Der Honest Architect taggt die Methodik Production und das Schlagzeilen-Verhältnis Partial.
• Die Fehlerfälle sind benannt. Onton verliert bei funktionspezifischen Anfragen, wo Amazons Kategorien-Metadaten dominieren: «Lampe, die meinen Partner nicht weckt» (Onton 0,4, Amazon 0,9). Der Artikel versteckt das nicht. Der Eigenschafts-Rechenschafts-Mechanismus verliert, wo der Kategorien-Metadaten-Mechanismus gewinnt. Unterschiedliche Mechanismen, unterschiedliche Eigenschaften.
• Neurosymbolisch bedeutet inspizierbar, nicht opak. Das Modell baut ein explizites, inspizierbares Weltmodell statt Muster in Gewichte zu absorbieren. Parallel zum Oracle-Ensemble: Wahrscheinlichkeiten normalisiert an genau einer Stelle, Szenarien absteigend sortiert, Entropie in Nats. Der Honest Architect taggt die neurosymbolische Mechanismusform Production und die Cross-Domain-Behauptung Partial.
• Verfügbarkeit ist ehrlich: keine offenen Gewichte, keine öffentliche API. Onton ist live auf Onton.com, Partner-Zugang fallweise. Der Honest Architect taggt dies Production (ehrlicher Scope). Die Behauptung «die Methodik generalisiert über E-Commerce hinaus» ist Partial (heute eine Vertikale, Generalisierung behauptet nicht demonstriert).

Der Mechanismus ist der Graph, nicht der Katalog

Der zentrale Zug des Artikels ist es, eine neurosymbolische Architektur zu beschreiben. Konventionelle E-Commerce-Suche nimmt an, dass Intent sich auf Kategorien und Attribute abbildet: Größe, Preis, Material, Marke. Es gibt keinen Filter für «pet-friendly» und keinen für Möbel, die in dein Zimmer passen. Ontology 1 nimmt einen anderen Weg. Für «pet-friendly sectional» vertraut es nicht dem Verkäufer-Label, das fehlen oder unwahr sein kann. Es schlussfolgert aus Eigenschaften, die eher objektiv sind: Faser, Webung, Konstruktion. Es markiert Behauptungen, die die Produktdaten widersprechen. Es gewichtet die Quelle, da einige Listings den Algorithmus manipulieren und einige Bewertungen gekauft sind. Das Modell baut ein explizites, inspizierbares Weltmodell statt Muster in Gewichte zu absorbieren. Wenn es keinen Account für «pet-friendly» hat, behandelt es das als Lücke und erarbeitet die Antwort: Reinigbarkeit und Haltbarkeit, dann Polyester-Bezug als Indikator. Das Lernen wird in späteren Anfragen wie «pet-friendly chair» oder «cleanable blue couch» wiederverwendet, und die Schleife läuft kontinuierlich.

Der Honest Architect liest dies als Theorem 3 operativ für Suche. Die Eigenschaft (Relevanz bei intent-lastigen Anfragen) wird durch den Mechanismus (vage Prädikate in überprüfbare Eigenschaften zerlegen, aus objektiven Eigenschaften schlussfolgern, Quellen-Provenienz gewichten, Lernen über Anfragen wiederverwenden) garantiert, nicht durch die Behauptung «wir indizieren alles». Ein Team, das «wir haben tolle Suche» ohne Eigenschafts-Zerlegungs-Mechanismus behauptet, ist ein Nicht-Mechanismus: die Behauptung produziert nicht die Relevanz. Ein Team mit einem inspizierbaren Knowledge-Graph, der «pet-friendly» in Reinigbarkeit, Haltbarkeit und Polyester-Indikator zerlegt, hat einen Mechanismus: das gemessene P@10 ist der Effekt. Der Honest Architect taggt die neurosymbolische Mechanismusform Production ✅: Eigenschafts-Zerlegung in überprüfbare Eigenschaften ist ein reales und implementierbares Muster.

Der Souveränitäts-Winkel zählt. Onton vertraut nicht dem Verkäufer-Label. Es schlussfolgert aus Eigenschaften, die eher objektiv sind, und gewichtet die Quelle. Die Eigenschaft (Manipulations-Resistenz) wird durch den Mechanismus (Quellen-Gewichtung + Provenienz) garantiert, nicht durch die Behauptung «wir filtern Spam». Ein Team, das «wir kämpfen gegen Fake-Bewertungen» ohne Quellen-Gewichtung behauptet, ist ein Nicht-Mechanismus. Der Honest Architect taggt den Quellen-Gewichtungs-Mechanismus Production ✅. Die Parallele zum World Monitor ist Partial ⚠️: redundante Topologie schlägt konzentrierte, und eine Quelle deren Schlüssel unset ist deaktiviert sich selbst. Gleiche Form (Provenienz gate die Eigenschaft), getrennte Domains (Such-Quellen-Gewichtung vs Geo-Signal-Quellen-Self-Disable).

Die Messung ist ehrlich und die Lücke ist benannt

[UNIQUE INSIGHT] Der Benchmark-Abschnitt ist der Teil, den der Honest Architect für mechanisch am ehrlichsten hält. Onton gab Subtext-Decor-90 mit Code und Daten auf HuggingFace frei. Drei multimodale LLM-Richter bewerteten die 10 sichtbaren Ergebnis-Karten: Claude Opus 4.8, Gemini 3.1 Pro, GPT-5.5. P@10 wurde über die Richter gemittelt, mit 95-Prozent-Konfidenzintervallen aus 10.000 Bootstrap-Resamples. Ergebnisse: Onton 0,630 mit CI 0,571 bis 0,688, Google Shopping 0,543 mit CI 0,490 bis 0,596, Amazon 0,469 mit CI 0,417 bis 0,521. Onton gewann 52 Anfragen direkt, Google 19, Amazon 16.

Die Lücke, die der Artikel benennt, ist die Messung. Krippendorffs Alpha über die drei Richter ist 0,465, also sind absolute P@10-Werte verrauscht und richterabhängig. Alle drei Richter ordnen die Motoren noch in derselben Reihenfolge. Der Honest Architect liest dies als die ehrliche Trennung zweier Eigenschaften. Die Eigenschaft (die Ranking-Reihenfolge: Onton über Google über Amazon) wird durch die Messung (alle drei Richter stimmen in der Reihenfolge überein) garantiert. Die Eigenschaft (die absolute Präzisionszahl) wird NICHT garantiert (Alpha 0,465 bedeutet, die absoluten Werte sind verrauscht). Ein Team, das «wir sind 0,630 präzise» ohne Benennung des Alpha behauptet, behauptet eine Eigenschaft, die die Messung nicht vollständig garantiert. Ein Team, das «die Ranking-Reihenfolge ist robust über die Richter» behauptet, hat eine garantierte Eigenschaft. Der Honest Architect taggt die Benchmark-Methodik Production ✅: freigegebener Code, freigegebene Daten, drei Richter, Bootstrap-CI, Krippendorff-Alpha benannt. Der Honest Architect taggt die absolute-Präzisions-Garantie Partial ⚠️: Alpha 0,465 ist moderat, die absoluten Zahlen sind richterabhängig.

Der Ausschluss ist ebenfalls ehrlich. Bild- und multimodale Anfragen wurden von den 90 ausgeschlossen, weil Amazon Lens multimodale Anfragen nicht unterstützt und Google Lens nicht ausschließlich Produkte zurückgibt. Onton berichtet einen separaten 10-Anfragen-Bild-Vergleich gegen Google. Der Honest Architect liest dies als Scope-Ehrlichkeit: der Benchmark behauptet nicht, Modalitäten zu decken, die er nicht fair vergleichen kann. Der Honest Architect taggt die Scope-Ehrlichkeit Production ✅.

Die 2.7x-Schlagzeile und die benannten Fehlerfälle

[ORIGINAL DATA] Die Schlagzeile behauptet, Ontology 1 sei «2.7x präziser als die besten E-Commerce-Suchmaschinen der Welt». Der Body gibt P@10 0,630 vs Amazon 0,469, was 1,34x ist, und 0,630 vs Google 0,543, was 1,16x ist. Das 2.7x-Verhältnis wird nicht direkt durch die aggregierten Zahlen im Body gestützt. Es mag ein spezifisches-Anfragen-Verhältnis oder ein Fehlerraten-Verhältnis auf einer Teilmenge sein, aber der Artikel zeigt die Berechnung nicht. Der Honest Architect taggt die 2.7x-Schlagzeile Partial ⚠️: Schlagzeilen-Behauptung nicht direkt durch die aggregierten P@10-Zahlen gestützt. Das aggregierte Ranking (Onton über Google über Amazon, alle drei Richter stimmen überein) ist Production; das 2.7x-Verhältnis ist eine Marketing-Schlagzeile, die der Body nicht herleitet.

Die Fehlerfälle sind benannt und das ist der ehrliche Teil. Ontology 1 verliert bei funktionspezifischen Anfragen, wo Amazons Kategorien-Metadaten dominieren. «Lampe, die meinen Partner nicht weckt, wenn ich um 3 Uhr nachts lese» erzielte Onton 0,4, Amazon 0,9. «Etwas für ein seltsam tiefes Fensterbrett» erzielte Onton 0,07, Amazon 0,67. Onton führt dies auf Katalogbreite und seinen Single-Vertical- nicht-gesponserten Index zurück und erwartet, dass die Self-Learning-Schleife die Lücke schließt. Der Honest Architect liest dies als das ehrliche Benennen, wo der Mechanismus verliert. Der Eigenschafts-Rechenschafts-Mechanismus (vage Prädikate in überprüfbare Eigenschaften zerlegen) verliert, wo der Kategorien-Metadaten-Mechanismus (nach strukturierten Feldern filtern) gewinnt. Unterschiedliche Mechanismen garantieren unterschiedliche Eigenschaften. Ein Team, das «wir gewinnen überall» ohne Benennung der Fehlerfälle behauptet, ist ein Nicht-Mechanismus. Der Honest Architect taggt die Fehlerfall-Offenlegung Production ✅: zu benennen, wo der Mechanismus verliert, ist ehrlich und verifizierbar.

Neurosymbolisch bedeutet inspizierbar, nicht opak

Die Architektur-Unterscheidung, die der Artikel zieht, ist zwischen einem inspizierbaren Weltmodell und Gewichten, die Muster absorbieren. Das Modell baut einen expliziten Knowledge-Graph. Wenn es keinen Account für «pet-friendly» hat, behandelt es das als Lücke und erarbeitet die Antwort. Das Lernen wird in späteren Anfragen wiederverwendet. Der Honest Architect liest dies als dieselbe Form wie das Oracle-Ensemble. Das Oracle absorbiert keine Forecast-Muster in opake Gewichte. Es fusioniert typisierte Sister-Ausgaben in ein normalisiertes Ensemble. Wahrscheinlichkeiten werden an genau einer Stelle normalisiert. Szenarien werden absteigend sortiert. Entropie wird in Nats gemessen. Das Ensemble ist inspizierbar: ein Konsument kann die Szenarien, die Wahrscheinlichkeiten, die Entropie ansehen und sehen, was der Merge produzierte. Der Honest Architect taggt den Oracle-Ensemble-Mechanismus Production ✅: einzelne Normalisierung, sortierte Szenarien, Entropie bei jedem Merge ist real und implementiert. Die Cross-Domain-Behauptung ist Partial ⚠️: gleiche Form (inspizierbarer Mechanismus vs opake Gewichte), getrennte Domains (Such-Relevanz vs Forecast-Ensemble).

Die Self-Learning-Schleifen-Parallele ist direkt. Ontology 1 zerlegt «pet-friendly» in Reinigbarkeit, Haltbarkeit und Polyester-Indikator, dann wird das Lernen in «pet-friendly chair» und «cleanable blue couch» wiederverwendet. Die Sisters sind typisierte Persönlichkeiten (analyst, contrarian, disruptor, historian, institutionalist), die zur Laufzeit aus TOML-Dateien geladen werden. Jede Sister stellt sich eine plausible Zukunft aus ihrer typisierten Perspektive vor. Die typisierte Ausgabe wird über Forecasts wiederverwendet: die analyst-Perspektive auf ein geopolitisches Ereignis ist dieselbe typisierte Linse, wiederverwendet auf ein Markt-Ereignis. Der Honest Architect taggt den Sisters-typisierte-Persönlichkeiten-Mechanismus Production ✅: typisierte Persönlichkeiten zur Laufzeit geladen mit Oracle-Merge ist real und implementiert. Die Cross-Domain-Behauptung ist Partial ⚠️: gleiche Form (typisierte Zerlegung über Anfragen wiederverwendet), getrennte Domains (Such-Eigenschafts-Zerlegung vs Forecast-Persönlichkeits-Typisierung).

Die Infrastruktur-Behauptung ist Onton-zitiert. Ograph, eine custom Graph-Datenbank, berichtet ein Core schlägt SuiteSparse:GraphBLAS auf 14 Cores bei etwa 100x Durchsatz pro Core, mit einem GPU-Build der 43x schneller als die CPU-Variante läuft. Der Honest Architect taggt die Ograph-Performance-Behauptungen Partial ⚠️: Onton-zitiert, nicht unabhängig benchmarked in diesem Artikel. Die Mechanismusform (custom Graph-Datenbank für neurosymbolisches Schlussfolgern) ist Production ✅: reales und implementierbares Muster.

Was ein Honest Architect in einem Produkt-Release-Artikel liest

Der MarkTechPost-Artikel ist ein Produkt-Release-Stück basierend auf Ontons Research-Seite. Der Honest Architect extrahiert die Mechanismusformen ohne Onton zu endorsen. Die Benchmark-Methodik ist Production ✅: freigegebener Code, freigegebene Daten, drei Richter, Bootstrap-CI, Krippendorff-Alpha. Die neurosymbolische Mechanismusform ist Production ✅: Eigenschafts-Zerlegung in überprüfbare Eigenschaften ist real und implementierbar. Die Fehlerfall-Offenlegung ist Production ✅: zu benennen, wo der Mechanismus verliert, ist ehrlich. Der Verfügbarkeits-Scope ist Production ✅: keine offenen Gewichte, keine öffentliche API, nur Partner ist ehrlich. Die 2.7x-Schlagzeile ist Partial ⚠️: nicht direkt durch die aggregierten Zahlen gestützt. Die Ograph-Performance-Behauptungen sind Partial ⚠️: Onton-zitiert, nicht unabhängig benchmarked. Die Behauptung «die Methodik generalisiert über E-Commerce hinaus» ist Partial ⚠️: heute eine Vertikale, Generalisierung behauptet nicht demonstriert.

Der Scope-Guard zählt. E-Commerce-Such-Relevanz ist eine zivil-kommerzielle Aktivität. Sie ist keine Sicherheitsuntersuchung, keine Anlageempfehlung und kein Token-, Wallet- oder Community-Credit-Versprechen. Die Cross-Domain-Behauptungen zu Oracle, Sisters, World Monitor und eval sind Partial ⚠️ Illustrationen der Mechanismusform. Kein Token-, Wallet- oder Community-Credit-Ergebnis wird versprochen; diese sind Roadmap 🔵, Howey-Prüfung ausstehend.

Häufig gestellte Fragen

Ist der Mechanismus der Graph oder der Katalog?

Der Graph. Theorem 3: die Eigenschaft (Relevanz bei intent-lastigen Anfragen) wird durch den Mechanismus (neurosymbolischer Knowledge-Graph, der vage Prädikate in überprüfbare Eigenschaften zerlegt) garantiert, nicht durch Katalogvolumen. Onton indiziert 1 Prozent und gewinnt 52 von 90. Ein Team, das «wir haben einen großen Katalog» ohne Eigenschafts-Zerlegung behauptet, ist ein Nicht-Mechanismus.

Ist die 2.7x-Schlagzeile zuverlässig?

Sie ist nicht direkt durch die aggregierten Zahlen gestützt. Der Body gibt P@10 0,630 vs Amazon 0,469, was 1,34x ist. Die 2.7x mag ein spezifisches-Anfragen- oder Fehlerraten-Verhältnis sein, aber der Artikel zeigt die Berechnung nicht. Der Honest Architect taggt das aggregierte Ranking Production (alle drei Richter stimmen in der Reihenfolge überein) und die 2.7x-Schlagzeile Partial.

Warum ist Krippendorffs Alpha 0,465 eine ehrliche Lücke?

Weil Alpha 0,465 bedeutet, dass die absoluten P@10-Werte verrauscht und richterabhängig sind. Die Eigenschaft (die absolute Präzisionszahl) wird durch die Messung nicht garantiert. Aber die Eigenschaft (die Ranking-Reihenfolge) wird garantiert: alle drei Richter ordnen die Motoren in derselben Reihenfolge. Der Honest Architect taggt die Ranking-Robustheit Production und die absolute-Präzisions-Garantie Partial.

Wie ist neurosymbolisch inspizierbar wie das Oracle-Ensemble?

Beide bauen ein explizites, inspizierbares Weltmodell statt Muster in opake Gewichte zu absorbieren. Das Oracle normalisiert Wahrscheinlichkeiten an genau einer Stelle, sortiert Szenarien absteigend, misst Entropie in Nats. Ontology 1 baut einen Knowledge-Graph, der «pet-friendly» in Reinigbarkeit, Haltbarkeit, Polyester-Indikator zerlegt. Der Honest Architect taggt beide Production und die Cross-Domain-Behauptung Partial (gleiche Form, getrennte Domains).

Endorst Everythink Onton?

Nein. Everythink ist eine Forecasting-Plattform, kein Such-Vendor. Der MarkTechPost-Artikel ist ein Produkt-Release-Stück. Der Honest Architect extrahiert die Mechanismusform (neurosymbolische Eigenschafts-Zerlegung, ehrliches Benchmarking, benannte Fehlerfälle) ohne das Produkt zu endorsern. Die Cross-Domain-Behauptungen sind Partial Illustrationen. Kein Token-, Wallet- oder Community-Credit-Ergebnis wird versprochen; diese sind Roadmap, Howey-Prüfung ausstehend.

Sources

• Michal Sutter, "Onton Releases Ontology 1: A Neurosymbolic Search Model That is 2.7x More Accurate than the World's Best E-commerce Search Engines", MarkTechPost, August 2 2026, retrieved 2026-08-23, https://www.marktechpost.com/2026/08/02/onton-releases-ontology-1-a-neurosymbolic-search-model/

Wenn dein Team bereit ist, den Mechanismus zu messen statt die Eigenschaft zu behaupten, baue dein Netzwerk — die Topologie routet, die Sisters schreiben, der Oracle misst Entropie bei jedem Merge.