Im HCI2B-Labor präsentierte Nicolas Ventulett seinen Vortrag „Beyond Single Models: Unsupervised Ensemble Selection for Small Language Models in Medical QA“, den er zuvor beim URAI Symposium (Upper-Rhine Artificial Intelligence Symposium) in Straßburg vorgestellt hatte.

Im Mittelpunkt seines Beitrags stand die Frage, wie medizinische Frage-Antwort-Systeme auf Basis klinischer Berichte robuster, zuverlässiger und gleichzeitig ressourcenschonender gestaltet werden können. Während aktuelle Entwicklungen häufig auf sehr große Sprachmodelle setzen, untersucht Nicolas einen alternativen Ansatz: den Einsatz mehrerer kompakter Small Language Models (SLMs) in einem Ensemble.

Die Grundidee besteht darin, mehrere Modelle parallel Antworten generieren zu lassen und diese systematisch miteinander zu vergleichen. Mithilfe trainingsfreier Auswahlmechanismen wird anschließend die jeweils überzeugendste Antwort bestimmt. Dieser Ansatz kann nicht nur die Qualität und Stabilität der Ergebnisse erhöhen, sondern auch Transparenz und Kontrolle verbessern.

Gerade im medizinischen Kontext – einem stark regulierten und sensiblen Anwendungsbereich – sind Datenschutz, Nachvollziehbarkeit und Ressourceneffizienz zentrale Anforderungen. Die vorgestellte Methodik bietet hier vielversprechende Perspektiven für lokale, kontrollierbare KI-Systeme.

Der Vortrag regte eine intensive Diskussion im Labor an und lieferte wertvolle Impulse für zukünftige Forschungsarbeiten im Bereich interaktiver und vertrauenswürdiger KI-Systeme.