Die KI mit dem Elefantengedächtnis und dem Hühnerschnabel – Sie spricht nur das, was wir ihr beigebracht haben

💊 Interaktiver Test: Wie freizügig sind KIs mit medizinischer Beratung

🧠 Wie wir ein „lobotomisiertes“ RAG-System mit Qdrant, OpenAI und AI Engine erstellt haben

📌 Zweck:
Dieses Dokument beschreibt die Funktionsweise eines Retrieval-Augmented Generation (RAG)-Systems, das entwickelt wurde, um streng kontrollierte Antworten ausschließlich basierend auf seiner eigenen internen Datenbank zu liefern, während das allgemeine vortrainierte Wissen eines Sprachmodells (LLM) ausgeschlossen wird.
Dieser Prozess wird als „Lobotomisierung“ bezeichnet.
Die einzige Wissensquelle des Systems besteht aus vier Dateien: einem Arzneimittelkatalog (Excel) und drei strukturierten medizinischen Leitlinien (Word-Dokumente).

1. 🔍 Was ist Qdrant?

Qdrant (ausgesprochen Quadrant) ist eine auf die Speicherung, Verwaltung und schnelle Suche von Vektor-Embeddings spezialisierte Vektordatenbank.

Hauptzweck: Es wird in Anwendungen der künstlichen Intelligenz eingesetzt, wie zum Beispiel:

🔎 Semantische Suche

🧩 RAG-Systeme (Retrieval-Augmented Generation)

💬 Spezialisierte Chatbots – genau wie im Anwendungsfall mit der Medikamentendatenbank.

2. ⚙️ Funktionsweise von Qdrant (Konzept)

Der Prozess lässt sich in drei grundlegende Phasen unterteilen:

🧩 Konzeptionelles Fazit: Qdrant sucht nicht nach exakten Textübereinstimmungen, sondern nach semantischen Ähnlichkeiten zwischen Bedeutungen.

3. 🏗️ Qdrant-Architektur und Nutzungsmodi

Qdrant kann auf zwei Hauptarten bereitgestellt werden:

⚠️ Wichtig: Beide Optionen verwenden dieselbe REST- oder gRPC-API, was bedeutet, dass der Anwendungscode unabhängig von der Bereitstellungsentscheidung identisch ist.

4. 📚 Datenstruktur in Qdrant

Die Datenstruktur von Qdrant ist hierarchisch und intuitiv:

Collection → "medications"
       |
       ├── Point 1 -> Vektor + Payload für "Paracetamol"
       ├── Point 2 -> Vektor + Payload für "Ibuprofen"
       └── Point n -> Vektor + Payload für ein anderes Medikament

Glossar der Begriffe:

5. 🧮 Abfragetypen in Qdrant

Qdrant unterstützt mehrere Abfrageoperationen, von denen die relevantesten sind:

• 🔍 Einfache Suche: Gibt die ähnlichsten Vektoren für eine gegebene Abfrage zurück.

• 🧩 Gefilterte Suche: Kombiniert semantische Suche mit Metadatenfiltern (z. B. „finde Antidepressiva nur vom Hersteller Roche“).

• 🔁 Empfehlen: Generiert Empfehlungen basierend auf einer Reihe von bereits im System vorhandenen Referenzpunkten.

6. ⚡ Leistung und Hauptvorteile

🧩 Kontextuelle Anwendung: Lobotomisiertes Medikationssystem

🎯 Endziel: Erstellung eines Chatbots, der ausschließlich basierend auf den 4 Dateien und den 3 Textdokumenten antwortet, ohne sich auf das allgemeine Wissen des LLM zu stützen.

🔧 Systemkomponenten:

1. 🗃️ Vektordatenbank (Qdrant): Speichert alle Informationen aus Ihren Dateien als Vektoren und Payloads.

2. 🛠️ Embedding Engine (OpenAI): Konvertiert Benutzeranfragen und Dateiinhalt in Vektoren.

3. 🧠 Antwort-Engine (OpenAI GPT): Generiert die endgültige textliche Antwort.

4. 🔗 Orchestrator (AI Engine – WordPress Plugin): Verbindet alle Komponenten und wendet strenge Regeln an.

7. 🔐 Die entscheidende Rolle der „Strengen Anweisungen“ (System Prompt)

Dies ist die Seele des Systems und der Lobotomisierungsmechanismus. Diese Anweisungen werden in der AI Engine-Oberfläche konfiguriert und bei jeder Interaktion an OpenAI GPT gesendet.

📍 Wo wirken diese Regeln?

• NICHT in Qdrant.

• NICHT in der Embedding Engine.

• JA, in der Antwort-Engine (OpenAI GPT), die verpflichtet ist, die über AI Engine bereitgestellten Anweisungen zu befolgen.

📜 Beispiel für Strenge Anweisungen für AI Engine:

# IDENTITÄT: Sie sind ein spezialisierter Assistent für die Medikamentendatenbank des Unternehmens.
# WISSENSQUELLE: Ihre einzige Informationsquelle ist die Vektordatenbank (Qdrant), die nur die Dateien X, Y, Z enthält.
# ABSOLUTE REGELN:
# 1. Antworten Sie AUSSCHLIESSLICH basierend auf den Textfragmenten (Kontext), die Qdrant für die Frage des Benutzers zurückgibt.
# 2. Verwenden Sie NIEMALS allgemeines vortrainiertes Wissen über Medikamente, Krankheiten oder andere Themen.
# 3. WENN die von Qdrant zurückgegebenen Fragmente keine relevanten Informationen für die Frage enthalten, muss Ihre Antwort STRENG lauten: "In unserer Datenbank sind zu diesem Thema keine Informationen verfügbar."
# 4. Antworten müssen prägnant, klar und ausschließlich auf den bereitgestellten Daten basieren.

8. 🔁 Datenfluss und Lobotomisierung in Aktion (Erweiterte Beispiele)

Lassen Sie uns einige konkrete Szenarien durchgehen, um zu verstehen, wie Lobotomisierung und intelligente Informationsabfrage funktionieren.

Anwendungsfall 1: Suche nach einem spezifischen Medikament (Strenge Wissenskontrolle)

Anwendungsfall 2: Vom Symptom zur Diagnose und Behandlung (Voller Wissensfluss)

Anwendungsfall 3: Erweiterte semantische Suche (Ohne exakte Schlüsselwörter)

Anwendungsfall 4: Implizite Filterung über den Dateiinhalt

Anwendungsfall 5: Ausschluss jeglicher externer Informationen

Anwendungsfall 5: Ausschluss jeglicher externer Informationen

9. 🧠 Wie logische Verbindungen zwischen Dateien hergestellt werden

• Wer stellt die Verbindungen her? Nicht Qdrant, sondern OpenAI GPT.

• Wie?

  1. Alle Dateien (Excel und DOCs) werden in kleinere Textstücke „gechunked“.
  2. Jeder Chunk wird vektorisiert und als unabhängiger Point in Qdrant eingefügt.
  3. Bei einer Abfrage gibt Qdrant die relevantesten Fragmente zurück, unabhängig davon, aus welcher Datei sie stammen.
  4. GPT empfängt diese gemischten Fragmente und synthetisiert sie, indem es semantische Verbindungen zwischen ihnen findet, um eine kohärente Antwort zu erstellen.

Beispiel: Wenn ein Fragment „Paracetamol“ und ein anderes „Leberkontraindikationen“ erwähnt und der Benutzer nach Leberwirkungen fragt, verbindet GPT die beiden Fragmente, um eine vollständige Antwort zu geben.

🔗 Systemwissensstruktur: Die Vektordatenbank basiert auf einem Satz von 4 Dateien, die eine vollständige klinische Hierarchie bilden:

1. Symptoms.doc – Strukturierte Liste von Symptomen (z. B. Kopfschmerzen, Vertigo, Muskelschwäche).
2. Diagnoses.doc – Mögliche Diagnosen für jedes Symptom.
3. Treatments.doc – Empfohlene Behandlungen für jede Diagnose.
4. Excel.xlsx – Katalog spezifischer kommerzieller Produkte (Name, INN, Hersteller, ATC-Code usw.).

Diese Struktur ermöglicht es dem System, einer vollständigen logischen Kette zu folgen: vom Symptom des Patienten über die geeigneten Diagnosen zur empfohlenen Behandlung und schließlich zu den spezifischen Medikamenten, die im Katalog verfügbar sind.

✅ Endgültiges Fazit

Das erstellte System ist robust und erreicht perfekt das Ziel, einen spezialisierten und kontrollierten Chatbot bereitzustellen:

• Qdrant ist der leistungsstarke semantische Speicher.
• OpenAI ist das Gehirn, das Text versteht und generiert.
• AI Engine ist der Dirigent, der die Partitur (strengen Anweisungen) anwendet.
• Strenge Anweisungen sind die logische Quarantäne, die die Lobotomisierung gewährleistet und das System zwingt, nur aus der spezifischen Datenquelle zu antworten.

Diese Architektur eliminiert das Risiko von „Halluzinationen“ (erfundenen Antworten) und bietet die volle Kontrolle über Informationen, was sie ideal für sensible Bereiche wie medizinische Anwendungen macht. Das endgültige System wird als virtueller Neurologieexperte fungieren, der ausschließlich über die in den 4 Dateien strukturierte Wissensbasis berichtet und sichere, nachvollziehbare und verifizierte Antworten liefert.