Herausforderung
Der Einsatz von Large Language Models im Kontext sensibler Praxisdaten bringt klare Risiken mit sich. LLMs können falsche Annahmen treffen, ungenaue Antworten liefern oder fehlerhafte SQL-Statements erzeugen.
Das kann nicht nur zu falschen Ergebnissen führen, sondern auch Datenbank Performance, Datenschutz und Zugriffssicherheit gefährden. Die Aufgabe für soxes war deshalb, ein System zu entwickeln, das KI sinnvoll nutzt, aber Sicherheit, Konsistenz und Nachvollziehbarkeit jederzeit gewährleistet.
Vorgehen
Gemeinsam mit dem Kunden sind wir schrittweise vorgegangen. Die enge Abstimmung stellte sicher, dass technische Umsetzung und Anforderungen aus dem Praxisalltag zusammenpassen.
Schritt 1: Datenbasis verstehen
Im Dataset-Workshop analysierte soxes die bestehenden Datenstrukturen, typische Abfragefälle und mögliche Optimierungen. So wurde klar, welche Informationen für die KI relevant sind und wie sie sicher genutzt werden können.
Schritt 2: KI-Modelle bewerten
Verschiedene KI-Modelle wurden auf Genauigkeit, Stabilität und Effizienz geprüft. Ziel war ein Setup, das natürliche Sprache zuverlässig versteht und fachlich passende Abfragen erzeugt.
Schritt 3: API-Framework aufbauen
soxes entwickelte ein modulares Backend mit API, das sicher, skalierbar und flexibel erweiterbar ist. Dadurch können Frontend, Chat-Oberfläche und Datenbank kontrolliert miteinander kommunizieren.
Schritt 4: Antworten nachvollziehbar machen
Mit Explainable AI wurden die Verarbeitungsschritte transparent gemacht. So bleibt nachvollziehbar, wie eine Frage interpretiert, in eine Abfrage übersetzt und als Antwort ausgegeben wird.
Schritt 5: Qualität laufend verbessern
Über Feedback-Schleifen mit dem Kunden wurde die Lösung mit realen Nutzungssituationen abgeglichen und gezielt optimiert. So konnte die Qualität der Antworten Schritt für Schritt verbessert werden.
Lösung
Entstanden ist ein Backend-System mit API, das freie Sprache in strukturierte und validierte Datenbankabfragen übersetzt. Stellt eine Anwenderin oder ein Anwender eine Frage zu Praxisdaten, analysiert das System die Anfrage, erzeugt eine optimierte Abfrage und prüft diese. Das Ergebnis wird anschliessend nicht nur technisch ausgegeben, sondern in eine verständliche Antwort übersetzt. Die Lösung kann in verschiedene Chat-Oberflächen, Benutzeroberflächen oder bestehende Praxissoftware Umgebungen integriert werden.
Ergebnis
Im Proof of Value wurde gezeigt, dass mit KI komplexe Praxisdaten schnell, sicher und nutzerfreundlich zugänglich gemacht werden können. Anschliessend wurde die Lösung vollständig implementiert. Für Anwenderinnen und Anwender bedeutet das:
- Antworten in Sekunden statt zeitaufwendiger Datenbanksuchen
- keine ungeprüften oder riskanten SQL-Abfragen
- nachvollziehbare KI-Ergebnisse
- schnellerer Zugriff auf relevante Praxisdaten
- eine stabile Grundlage für weitere KI-Funktionen
Für den ERP-Anbieter entstand damit eine produktive Basis, um KI sinnvoll in die eigene Praxissoftware zu integrieren und den Datenzugriff für Anwenderinnen und Anwender deutlich einfacher zu machen.
Technische Aspekte
Die Lösung basiert auf einem modernen Python-Stack mit Django und PostgreSQL im Backend. Für skalierbare Abläufe wurden Celery, RabbitMQ und Redis eingesetzt.
