Autor/Workshopleiter: Prof. Adrian Müller, Desmond Krämer (Hochschule Kaiserslautern)
Titel: KI in der Medizin: Data Literacy, Modellqualität und Kosteneffizienz für den verantwortungsvollen Einsatz im klinischen und wissenschaftlichen Alltag
Ziel des Workshops ist ein gemeinsames Verständnis dafür, was wirksame KI im Arbeitsalltag ausmacht: nicht das größte, teuerste, oft langsamste Modell, sondern das richtige Setup entscheidet — transparent in den Kosten, überzeugend in der Qualität und mit menschlicher Verantwortung.
Ob Laborwerte, Vitalparameter oder radiologische Bilder: KI-Modelle erkennen in Daten zunehmend Muster, die dem menschlichen Blick verborgen bleiben. Längst sind sie aus dem Labor in den Arbeitsalltag gewandert — als Recherche-Assistent, Schreibwerkzeug oder Data-Mining-Helfer. Doch mit der Nutzung wachsen zwei Fragen, die über den Wert jeder KI-Anwendung entscheiden: Was kostet sie wirklich? Und wie gut sind ihre Ergebnisse — für Ihre Aufgabe, Ihre Daten, Ihre Ansprüche?
Der erste Teil des Workshops widmet sich den Kosten des KI-Einsatzes. „Was kostet ein LLM wirklich?” ist keine Preisfrage, sondern eine Architekturfrage: Cloud-Abo oder Open-Source, extern oder lokal. Jede iterative Nachfrage und jede Korrekturschleife erhöht den Verbrauch. Gezeigt wird, wie sich Kosten steuern lassen: durch Zerlegung komplexer Aufgaben in kleine Teilschritte, automatisiertes Routing zu kostengünstigen Modellen für einfache Aufgaben und klare Regeln, wann sich der Wechsel zu Open-Source und lokalem Betrieb amortisiert — bei sensiblen Daten ist er ohnehin oft die einzige konforme Option.
Live vorgestellt werden die Werkzeuge dazu: Open WebUI als selbst gehostete Plattform für lokale und Cloud-Modelle mit Wissensbasen und Team-Funktionen, und OpenCode, der offene KI-Agent, der Auswertungsskripte und Datenanalysen direkt im Projekt umsetzt.
Im zweiten Teil setzen wir die Diskussion zur Data Literacy aus ‘26 fort. Prompting bleibt der Schlüssel: Rollenzuweisung, Few-Shot-Beispiele, Chain-of-Thought und Prompt-Ketten — konkrete Beispiele und strukturierte Dialoge liefern deutlich bessere Ergebnisse als langatmige Befehlseingaben.
Doch Qualität beginnt vor dem Prompt: Datenqualität, Aufbereitung und Lizenzfragen (CC-Lizenzen, kuratierte Datenquellen) entscheiden über den Wert jeder KI-gestützten Analyse — erst die Daten, dann die KI. Auch die Modellwahl wird praxisnah behandelt: Benchmarks liefern eine erste Orientierung, aber die Entscheidung fällt der eigene Test im eigenen Setup; kleine, spezialisierte Modelle schlagen oft teure Generalisten. Vorgeführt wird, wie Retrieval-Verfahren (RAG) und wie KI-gestützte Recherche (NotebookLM, Elicit u. a.) die Suche nach relevanter Literatur unterstütz.
Im abschließenden Teil sind die Teilnehmenden zur Interaktion und Diskussion eingeladen: Live-Übungen mit lokal betriebenen LLMs, Anwendungsfelder im eigenen Arbeitsalltag, die Abwägung von Kosten und Qualität — und was verantwortungsvolle Nutzung im Umgang mit sensiblen Daten bedeutet.