Hallo zusammen,
nach der letzten Diskussion zu ChatGPT und PostgreSQL (danke nochmal für die vielen spannenden Gedanken!) habe ich mich nochmal intensiver mit zwei Punkten beschäftigt, die ihr genannt habt:
- Ontologien – also ein gutes Datenmodell mit aussagekräftigen Beziehungen, das viele Abfragen schon ohne KI sehr mächtig macht.
- RAG-Ansätze (Retrieval Augmented Generation) – um große Datenmengen erst zu filtern/strukturieren, bevor eine KI sie interpretiert.
Ich habe inzwischen einen kleinen Proof-of-Concept gebaut, bei dem ich aus einem Produktdatenmodell (synthetische Testdaten) sowohl klassische SQL-Abfragen als auch KI-gestützte semantische Suchanfragen getestet habe. Dabei hat ChatGPT als externer Dienst zwar gut funktioniert, aber die Frage „lokal vs. Cloud“ bleibt natürlich relevant, vor allem wegen Datenschutz und Kosten.
- ChatGPT kann bei freien Textabfragen recht gut helfen, wenn die Tabellen- und Spaltennamen bekannt sind.
- Für komplexere Suchen (z. B. „alle Produkte, die zur Kategorie X gehören, ähnliche Eigenschaften wie Y haben und gleichzeitig im Preisbereich Z liegen“) ist das Datenmodell selbst aber fast wichtiger als die KI.
- RAG könnte ein Ansatz sein, um solche Abfragen lokal mit einem Open-Source-LLM umzusetzen – quasi ChatGPT-ähnlich, aber ohne Cloud.
Wo seht ihr realistische Szenarien, bei denen eine KI wie ChatGPT wirklich Mehrwert bringt (abseits vom „SQL aus Text generieren“)?
Mich würde vor allem interessieren, ob jemand hier praktische Erfahrungen mit lokalen Ansätzen hat oder vielleicht sogar schon ein ähnliches Setup produktiv einsetzt.
Viele Grüße