Man kann KI mit einem Taschenrechner vergleichen: Nur weil ein Werkzeug Ergebnisse liefert, ist die zugrunde liegende Wissenschaft nicht verschwunden.

Herausforderungen, die in der Informatik seit Jahren bestehen, werden heute lediglich mit anderen Mitteln adressiert. Das lässt sich gut am Beispiel der Entity Extraction zeigen. Stellen wir uns vor, ein LLM analysiert tausende medizinische Studien und extrahiert automatisch relevante Informationen wie Medikamente, Krankheiten und Nebenwirkungen.

Ziel ist es, aus unstrukturiertem Text strukturierte Daten zu gewinnen – etwa um Zusammenhänge oder Wechselwirkungen effizient auszuwerten. Um das zu schaffen muss auch ein LLM mit Mehrdeutigkeiten umgehen (z. B. "Java" als Programmiersprache, Insel oder Kaffee), Kontext berücksichtigen und verschachtelte (nested) Entitäten korrekt erkennen.

Diese Herausforderungen sind unabhängig davon, ob regelbasierte Verfahren, klassische Machine-Learning-Ansätze oder moderne LLMs eingesetzt werden. Der Vortrag zeigt anhand eines konkreten Anwendungsfalls, dass wir zwar leistungsstärkere Werkzeuge an der Hand haben, klassische Herausforderungen in der Informatik aber weiterhin bestehen. Darauf aufbauend wird eine praxistaugliche Architektur vorgestellt: LLMs für die semantische Extraktion, Vektordatenbanken zur Kontextualisierung und n8n zur Orchestrierung robuster Datenpipelines.

Schritt für Schritt wird gezeigt, wie aus einem naiven Prompt eine stabile, nachvollziehbare und erweiterbare Lösung entsteht.