ewandel Wissen soll Menschen direkt Orientierung geben und zugleich als geprüfte Wissensgrundlage für digitale Systeme dienen. Sprachmodelle, Chatbots, Beratungssoftware, Bildungsplattformen und Präventionsanwendungen brauchen fachlich kuratierten Kontext, damit ernährungsbezogene Antworten nachvollziehbarer, aktueller und verantwortungsvoller werden.
Warum LLMs geprüften Kontext brauchen
Große Sprachmodelle (LLMs) können Sprache verarbeiten, zusammenfassen und Antworten formulieren. Ihre Antworten hängen jedoch stark davon ab, welche Informationen ihnen im jeweiligen Nutzungskontext zur Verfügung stehen. Gerade bei Gesundheit, Ernährung, Prävention und Ernährungstherapie reicht allgemeines Modellwissen nicht aus.
Für verantwortungsvolle Anwendungen braucht es:
- geprüfte Quellen und fachliche Einordnung
- klar strukturierte Inhalte mit nachvollziehbaren Grenzen
- regelmäßige Aktualisierung
- maschinenlesbare Metadaten
- technische Schnittstellen für kontrollierte Nutzung
- Hinweise, wann Fachberatung oder medizinische Abklärung erforderlich ist
ewandel Wissen soll dafür eine kuratierte Wissensschicht bereitstellen. Digitale Systeme können dann auf geprüfte Inhalte verweisen, statt ernährungsbezogene Aussagen allein aus allgemeinem Modellwissen abzuleiten.
Retrieval-Augmented Generation
Retrieval-Augmented Generation, kurz RAG, ist ein Ansatz, bei dem ein Sprachmodell vor der Antwort relevante Informationen aus einer externen Wissensbasis abruft. Die Antwort wird dadurch mit konkretem Kontext angereichert. Das kann Modellantworten aktueller, genauer und überprüfbarer machen.
AWS beschreibt RAG als Verfahren, bei dem ein Large Language Model vor der Antwort auf eine maßgebliche Wissensbasis außerhalb seiner Trainingsdaten verweist. Der Ansatz erweitert LLMs für bestimmte Domänen oder Organisationswissen, ohne das Modell neu trainieren zu müssen, und kann Antworten relevanter, genauer und nützlicher machen. Weitere Vorteile sind Quellenbezug, mehr Kontrolle über Informationsquellen und die Möglichkeit, externe Daten aktuell zu halten: Was ist Retrieval-Augmented Generation?
Für ewandel Wissen bedeutet das: Die Inhalte sollen so aufgebaut werden, dass KI-Anwendungen gezielt passende Wissensbausteine abrufen können. Eine Nutzerfrage zu Eisenmangel, Diabetes, Prävention oder Ernährungsmythen könnte dann nicht nur sprachlich beantwortet werden. Sie könnte auf geprüfte ewandel-Wissen-Inhalte, Quellen, Grenzen und Aktualisierungsstände zurückgreifen.
Was ewandel Wissen für RAG leisten kann
Fachlicher Kontext
Inhalte werden quellenbasiert erstellt, redaktionell geordnet und perspektivisch fachlich geprüft. Das schafft eine Grundlage für Antworten, die auf konkreten Wissenseinträgen beruhen.
Strukturierte Wissensbausteine
Themen, Zielgruppen, Quellenstatus, Reviewstatus, Aktualisierungsdatum und Grenzen der Aussage sollen maschinenlesbar nutzbar werden.
Verantwortliche Ausgabe
KI-Systeme können Hinweise zu Grenzen, Quellen, Beratungsbedarf und medizinischer Abklärung übernehmen, wenn diese Informationen sauber im Wissenskern gepflegt sind.
API und MCP
ewandel Wissen soll perspektivisch auch über technische Schnittstellen verfügbar werden. Dazu gehören APIs für gezielten Zugriff auf Inhalte, Metadaten, Quellen und Themenstrukturen sowie eine MCP-Anbindung.
MCP, das Model Context Protocol, kann KI-Anwendungen einen standardisierten Zugang zu Werkzeugen und externem Kontext geben. Für ewandel Wissen ist das relevant, weil Sprachmodelle nicht nur Texte lesen sollen. Sie sollen geprüfte Wissensbausteine gezielt abrufen, Quellen anzeigen, Grenzen beachten und mit strukturierten Metadaten arbeiten können.
Geplant sind insbesondere:
- API-Zugriff auf Wissenseinträge, Themen, Quellen und Aktualisierungsstände
- MCP-Anbindung für LLM-Anwendungen, Agenten und redaktionelle Werkzeuge
- strukturierte Ausgabeformate für RAG-Systeme
- maschinenlesbare Hinweise zu Zielgruppe, Tiefe, Reviewstatus und Nutzungsgrenzen
- technische Dokumentation für Partner, Pilotprojekte und Integrationen
Verantwortung und Qualität
RAG, APIs und MCP lösen Qualitätsfragen nicht automatisch. Die technische Bereitstellung ist nur dann hilfreich, wenn die zugrunde liegenden Inhalte fachlich belastbar, gepflegt und transparent sind.
ewandel Wissen verbindet deshalb technische Anschlussfähigkeit mit redaktioneller Verantwortung:
- fachliche Kuratierung und Quellenarbeit
- Reviewprozesse und Aktualisierung
- klare Trennung von Verbraucherinformation, Fachinformation und technischer Nutzung
- transparente Grenzen bei Gesundheitsinformationen
- unabhängige redaktionelle Entscheidungen
Förderung und technische Kooperation können helfen, diese Infrastruktur aufzubauen. Sie finanzieren Redaktion, Quellenprüfung, Schnittstellen, Dokumentation, Pilotierung und Qualitätssicherung. Fachliche Aussagen und Quellenbewertung bleiben unabhängig.
Für wen diese Schnittstellen gedacht sind
Bildungsplattformen, Kurse, Präventionsprogramme und Gesundheitskommunikation können geprüfte Wissensbausteine nutzen, um Inhalte konsistent und verständlich auszuspielen.