Netflix stellt UDA (Unified Data Architecture) vor, eine bahnbrechende Infrastruktur auf Basis eines Wissensgraphen zur Behebung der chronischen Fragmentierung von Datenmodellen im gesamten Content-Engineering-Ökosystem. Das Grundproblem: zentrale Geschäftskonzepte wie "Schauspieler" oder "Film" werden in jedem System unabhängig neu definiert (GraphQL Gateway, Asset-Management, Media Computing), was zu Duplizierung, terminologischen Inkonsistenzen, Qualitätsproblemen und eingeschränkter Konnektivität führt.

Grundlegende Architektur: RDF/SHACL-Wissensgraph

UDA verwendet RDF und SHACL als technische Grundlage, sieht sich dabei jedoch mit erheblichen operativen Herausforderungen im Unternehmensmaßstab konfrontiert: RDF verfügte über kein nutzbares Informationsmodell, SHACL war nicht für Unternehmensdaten mit lokalen Schemata und typisierten Schlüsseln konzipiert, den Teams fehlten gemeinsame Modellierungspraktiken, und die Ontologie-Werkzeuge boten keine Unterstützung für kollaborative Modellierung. Lösung: ein "Named-Graph-First"-Informationsmodell, in dem jeder benannte Graph einem übergeordneten Modell entspricht, das selbst wiederum ein benannter Graph innerhalb des Wissensgraphen ist.

Upper-Metamodell: das Modell aller Modelle

Upper bildet die formale Sprache zur Beschreibung von Geschäftsdomänen oder Systemen und organisiert Konzepte in Domänenmodellen: kontrollierte Vokabulare, die zentrale Entitätsklassen, Attribute und Relationen definieren. Entscheidend ist, dass Upper eine bootstrapping Upper-Ontologie ist: selbstreferenziell (es modelliert sich selbst), selbstbeschreibend (es definiert das Konzept eines Domänenmodells), selbstvalidierend (es entspricht seinem eigenen Modell). Upper projiziert sich auf eine Java-Jena-basierte API sowie ein föderiertes GraphQL-Schema im Enterprise Gateway. Da alle Domänenmodelle konservative Erweiterungen von Upper sind, gewährleistet die nahtlose Laufzeitintegration konsistente Datensemantik.

Mappings und Projektionen: Verbindung und Automatisierung

Mappings verbinden Elemente des Domänenmodells mit Repräsentationen von Datencontainern (GraphQL-Resolver, Data-Mesh-Quellen, Iceberg-Tabellen). Alles ist adressierbar: vom Domänenmodell bis hinunter zum einzelnen Attribut, von der Iceberg-Tabelle bis hinunter zur einzelnen Spalte. Mappings ermöglichen bidirektionale Auffindbarkeit: vom Geschäftskonzept zum physischen System, das die Daten speichert, und umgekehrt. Projektionen erzeugen konkrete Container, die aus dem registrierten Domänenmodell abgeleitete Eigenschaften implementieren, mit automatischer Transpilation zu GraphQL/Avro-Schemata unter Erhalt der Semantik.

Produktive Anwender: PDM und Sphere

PDM (Primary Data Management) verwaltet maßgebliche kontrollierte Vokabulare nach dem SKOS-Modell (W3C). Es nimmt ein Domänenmodell als Eingabe, generiert automatisch die Benutzeroberfläche und stellt über UDA-Projektionen Domain Graph Services und Data-Mesh-Pipelines bereit. Konsumierende Vokabulare wissen nichts von SKOS – sie arbeiten mit vertrauter Domänenterminologie.

Sphere: ein auf UDA basierendes Self-Service-System für operatives Reporting. Die Auffindung erfolgt über Geschäftskonzepte ("Schauspieler", "Filme"), nicht über technische Tabellen. Der UDA-Wissensgraph generiert SQL-Abfragen durch Graphtraversierung, wodurch manuelle Joins und technische Vermittlung entfallen. Aggregierte Metadaten werden mit einheitlichem Vokabular dargestellt, und Grenzen sowie Inseln in der Datenlandschaft werden automatisch identifiziert.

Transformative Wirkung

UDA verwandelt konzeptionelle Modelle in eine aktive Steuerungsebene: Es dokumentiert Konzepte nicht nur, sondern generiert automatisch Schemata, stellt Services bereit, orchestriert Datenbewegungen und erzwingt Konsistenz. Zukünftige Entwicklungen: Unterstützung von Protobuf/gRPC, Materialisierung von Instanzdaten im Wissensgraphen sowie die Lösung der ursprünglichen Graph-Search-Herausforderungen, die diese Arbeit inspiriert haben.