Technisch betrachtet arbeiten diese KI-Agenten als orchestrierte Prozesse über einer modularen Architektur. Jeder Agent ist mit klar definierten Rollen und Zugriffspunkten ausgestattet:

• Query-Agent: Formuliert und optimiert Suchabfragen, um eine präzise Extraktion medizinisch relevanter Daten sicherzustellen.
• Citation-Agent: Identifiziert Primärquellen, prüft deren Relevanz und erstellt normgerechte Zitierstellen.
• Validation-Agent: Überprüft Modellantworten durch Cross-Referenzierung mit externen Wissensdatenbanken oder Primärliteratur.

Die Kommunikation erfolgt über orchestrierende Komponenten, die Kontext und Aufgabenstellung in strukturierter Form an die jeweiligen Agenten übergeben. Entscheidungslogik und Datenpfade werden über vordefinierte Prompt-Templates und Validierungsschichten gesteuert, was die Nachvollziehbarkeit und Qualität der Ergebnisse erhöht.

Ein wesentlicher Vorteil dieses agentenbasierten Ansatzes liegt in der dynamischen Arbeitsteilung: Komplexe medizinische Fragestellungen lassen sich in Teilaufgaben zerlegen, die von spezialisierten Modellen effizient abgearbeitet werden. Damit entsteht ein KI-System, das nicht nur textuell generiert, sondern überprüft, zitiert und evidenzbasiert argumentiert – ein entscheidender Schritt, um LLMs in der medizinisch-pharmazeutischen Praxis verlässlich einzusetzen.

Mit dem Start ins Jahr 2026 entwickle ich meine Arbeit an medizinisch-pharmazeutischen Datenbanken konsequent weiter. Aufbauend auf den Grundlagen der vergangenen Jahre liegt der Fokus weiterhin auf gelabelten, geprüften und nachvollziehbaren wissenschaftlichen Daten als Basis für Forschung, Analyse und fundierte Entscheidungsfindung.

Im Zentrum steht eine zentrale Herausforderung moderner KI-Systeme: Verlässlichkeit. Während viele Anwendungen auf unstrukturierten oder nur teilweise validierten Daten beruhen, basiert mein Ansatz auf klar klassifizierten medizinisch-pharmazeutischen Aussagen, deren Herkunft, Kontext und fachliche Einordnung transparent nachvollziehbar sind. Dadurch entstehen Datenbanken, die nicht nur leistungsfähig, sondern auch prüfbar und erklärbar sind.

Version 1 der medizinisch-pharmazeutischen Datenbank

Ein wichtiger Meilenstein für 2026 ist die Fertigstellung von Version 1 der medizinisch-pharmazeutischen Datenbank.
Diese umfasst rund 30.000 gelabelte Aussagen zu pharmazeutischen und medizinischen Fachthemen, strukturiert nach Wirkstoffen, Indikationen, Mechanismen, Wechselwirkungen, Studienkontexten und regulatorischen Aspekten.
Damit entsteht eine belastbare Wissensbasis, die gezielte Abfragen, logische Verknüpfungen und reproduzierbare Auswertungen ermöglicht.

Symbolisches Wissen trifft lernende Systeme

Der methodische Kern bleibt die bewusste Kombination zweier KI-Paradigmen:

• Symbolische Wissensrepräsentation ermöglicht explizite Regeln, logische Ableitungen und erklärbare Entscheidungen – ein entscheidender Faktor in sensiblen medizinischen Anwendungsfeldern.
• Neuronale und statistische Verfahren kommen dort zum Einsatz, wo Mustererkennung, Korrelationen oder Prognosen echten Mehrwert liefern.

Diese Verbindung sorgt dafür, dass KI nicht nur leistungsfähig, sondern auch fachlich verantwortbar eingesetzt wird.

Ausblick 2026: Agentensysteme und RAG

Ein neuer Schwerpunkt im Jahr 2026 ist die intensive Beschäftigung mit Agentensystemen und Retrieval-Augmented-Generation (RAG).
Ziel ist es, intelligente Agenten zu entwickeln, die:

• gezielt auf die geprüfte medizinisch-pharmazeutische Wissensbasis zugreifen,
• komplexe Fragestellungen in Teilaufgaben zerlegen,
• Ergebnisse kontextbezogen begründen und belegen können.

RAG-Systeme eröffnen dabei die Möglichkeit, generative KI eng mit verlässlichen Fachdaten zu koppeln – ein entscheidender Schritt weg von „Black-Box-Antworten“ hin zu nachvollziehbaren, zitierbaren und fachlich belastbaren Ergebnissen.

Da die einzelnen Themen mittlerweile sehr komplex geworden sind, werden die verschiedenen Sachverhalte 2023 in Videobeiträgen noch einmal ausführlich dargestellt werden.

2020:
Erstellen einer ersten Datenbank, Vorplanungen zum Projekt, Aussuchen und Testen verschiedener Machine-Learning Algorithmen.

2021:
Programmieren von SalaData und SalaCrawler.
SalaData erstellt künstliche Datensätze aus Vorgaben zu stochastischen Beziehungen in den Daten.
SalaCrawler sammelt zu Stichworten Informationen aus dem Internet und verarbeitet diese Informationen zu Datenbanken.

2022:
Erstellen von Worteinbettungen und Wortvektoren mittels Word2Vec.
Analyse der Wortvektorräume im Hinblick auf pharmazeutisch relevante Paramter wie zum Beispiel gemeinsame Anwendungsgebiete von Antibiotika.
Analyse der Wortvektorräume im Hinblick auf medizinische Fragestellungen wie zum Beispiel Symptome, die verschiedenen Krankheiten zugeordnet werden.

2023:
Neustrukturierung des Projektes aufgrund der Veröffentlichung von ChatGPT.
Testen der Praxistauglichkeit von ChatGPT im Bereich Pharmazie und Medizin.
Erstellen einer medizinisch-pharmazeutischen Datenbank als Expertensystem
in Prolog und als deskriptive Logik in OWL 2.

2024:
Weiterentwicklung der Datenbank.
Entwicklung von Lösungsstrategien Large-Language-Modelle (LLM) für den Bereich
Medizin und Pharmaziezu trainieren und lokal lauffähig zu implementieren.

2025:
Weiterentwicklung der Datenbank.
Evaluation der Möglichkeit, Datenbank und LLM mit einem Retrieval-Augmented
Generation System (RAG) zu verbinden.
Probe von Agentensystemen zur Wissensvalidierung in KI- Datenbanken.

Ausblick 2026:
Die pharmazeutisch- medizinische Datenbank soll dieses Jahr in Version 1
fertiggestellt werden.
Die Datenbank enthält dann 300.000 Aussagen aus dem Bereich Medizin
und Pharmazie, die alle von Hand gesichtet und gelabelt sind.

Weiterhin sind die Themen LLM, RAG und Agentensysteme die Projektfelder
der Zukunft.