KI News: Kurz und klar.

In der neuesten Veröffentlichung auf arXiv (2601.22269v1) wird das Konzept des Judge Agent Forest (JAF) vorgestellt, das die Rolle des Bewertungsagenten in KI-Systemen revolutioniert. Statt einzelne Antwortpaare isoliert zu prüfen, führt der Judge Agent in JAF eine gemeinsame Inferenz über eine Gruppe von Query–Response-Paaren durch, die von einem primären Agenten generiert wurden.

Wissensgraph‑Vervollständigung (KGC) versucht, fehlende Fakten in unvollständigen Graphen zu rekonstruieren. Traditionelle Ansätze nutzen vorhandene Strukturen, stoßen jedoch bei neu auftretenden Entitäten an ihre Grenzen. Induktive KGC‑Methoden sind dafür ausgelegt, solche neuen Knoten und Relationen zu berücksichtigen und damit flexibler zu agieren.

Die Vorhersage von Enzym‑Substrat‑Interaktionen ist ein zentrales Problem in der Biochemie und der Stoffwechseltechnik. Traditionelle Modelle stützen sich auf Datenbanken mit Experten‑kuratierten Enzym‑Substrat‑Paaren, die jedoch oft lückenhaft und ressourcenintensiv zu pflegen sind. Diese Datenknappheit erschwert es den Modellen, neue, unbekannte Interaktionen zuverlässig vorherzusagen.

In der heutigen digitalen Transformation kämpfen Unternehmen häufig mit unzureichendem semantischem Verständnis von unstrukturierten Daten und fehlenden intelligenten Entscheidungsgrundlagen. Eine neue Methode, die auf der Kombination eines großen Sprachmodells (LLM) und eines Wissensgraphen basiert, bietet hier eine überzeugende Lösung.

Der neue Open‑Source‑Ansatz Darth Vecdor (DV) wandelt die riesige Wissensbasis großer Sprachmodelle in strukturierte, terminologie‑abgestimmte SQL‑Datenbanken um. Damit entsteht ein sogenannter Wissensgraph, der in vielen Bereichen – etwa im Gesundheitswesen – nutzbar ist.

Large Language Models (LLMs) haben in der Frage‑Antwortung auf Wissensgraphen (KGQA) beeindruckende Ergebnisse erzielt. Dabei gehen die meisten Benchmarks jedoch davon aus, dass der zugrunde liegende Wissensgraph vollständig ist und die gesuchten Fakten direkt als Tripel vorhanden sind. In der Praxis sind Wissensgraphen häufig unvollständig, sodass Antworten aus vorhandenen Fakten abgeleitet werden müssen.

In der Produktion von Machine‑Learning‑Systemen ist die Qualität der Trainingsdaten entscheidend. Fehlerhafte Labels können die Leistung stark beeinträchtigen und das Vertrauen der Nutzer untergraben. Das neue System Adjudicator löst dieses Problem, indem es fehlerhafte Labels automatisch erkennt und korrigiert – und das bereits in einer produktionsnahen Umgebung getestet.

Traditionelle Ontologien bauen ihre Hierarchien auf klaren, sich ausschließenden Oberkategorien wie „Kontinuierlich vs. Ereignis“ oder „Abstrakt vs. Konkret“ auf. Diese Struktur zwingt jede Entität dazu, genau einer einzigen Hauptkategorie zuzuordnen. Wikidata hingegen verzichtet auf ein einziges Grundgerüst und erlaubt stattdessen, dass ein Objekt gleichzeitig mehreren Klassifikationsachsen angehört.

Die Innenraumnavigation bleibt eine zentrale Herausforderung für Menschen mit Sehbehinderungen. Bisherige Systeme basieren überwiegend auf infrastrukturbasierten Lösungen, die in dynamischen Umgebungen eingeschränkt sind. Mit Floorplan2Guide wird ein neuer Ansatz vorgestellt, der ein Basismodell nutzt, um Grundrisse in durchsuchbare Wissensgraphen zu überführen und leicht verständliche Navigationsanweisungen zu generieren.

In einer neuen Studie wird gezeigt, wie große Sprachmodelle (LLM) effizient auf individuelle Nutzerdaten abgestimmt werden können, ohne dabei die Privatsphäre zu stark zu gefährden. Der Ansatz nutzt die Tatsache, dass die Nutzenzunahme beim Hinzufügen von Nutzerdaten häufig submodular ist – ein Merkmal, das klassische Greedy-Algorithmen nahezu optimal macht.

Der Autor hat bereits viel Erfahrung im Aufbau agentischer Systeme gesammelt. Seine Plattform Mentornaut nutzt ein Multi-Agent-Setup mit Vektor‑Speichern, Wissensgraphen und Nutzer‑Gedächtnis‑Funktionen, sodass er glaubte, die Grundlagen bereits abgedeckt zu haben. Aus Neugierde ließ er sich die Whitepapers des Kaggle Agents Intensive durchlesen und wurde überrascht – die Inhalte sind klar strukturiert und liefern neue, praxisnahe Einsichten, die selbst erfahrene Entwickler noch nicht berücksichtigt hatten. Das Programm bietet damit einen wertvollen Überblick über aktuelle Ansätze und Best Practices im Bereich KI‑Agenten.

Ein neues Forschungsprojekt aus dem Bereich der computergestützten Biologie hat ein innovatives Modell vorgestellt, das die Vorhersage von Molekül-Protein-Interaktionen (MPI) deutlich verbessert. Das System, genannt KGOT, kombiniert einen umfassenden Wissensgraphen mit einer optimalen Transportmethode zur Erzeugung von Pseudo‑Labels für bislang unbeschriftete Molekül‑Protein‑Paare.

Die Vorhersage von Krankheiten allein anhand von Patientendaten wie Alter, Geschlecht und selbstberichteten Symptomen gewinnt zunehmend an Bedeutung. Sie verspricht, das Bewusstsein der Patienten zu stärken, eine frühzeitige medizinische Einbindung zu ermöglichen und die Effizienz des Gesundheitssystems zu verbessern. Bisher stoßen jedoch bestehende Ansätze an Grenzen: Ungleichgewicht in der Krankheitsverteilung und mangelnde Interpretierbarkeit führen zu voreingenommenen oder unzuverlässigen Prognosen.

Die rasante Entwicklung von atomistischen Simulationen hat die Entdeckung neuer Materialien beschleunigt, doch die Einrichtung und Fehlerbehebung dieser Berechnungen erfordert bislang noch Fachwissen. GENIUS löst dieses Problem, indem es ein KI‑Agenten‑Workflow nutzt, der ein intelligentes Quantum‑ESPRESSO‑Wissensgraph, mehrere große Sprachmodelle und einen fehlerreparierenden Zustandsautomaten kombiniert.

Die Vervollständigung von Knowledge Graphs (KG) soll fehlende Fakten vorhersagen. Trotz zahlreicher Modelle bleibt die Bewertung dieser Systeme bislang unzureichend, weil gängige Metriken zwei entscheidende Aspekte vernachlässigen: die predictive sharpness – wie streng ein einzelnes Ergebnis bewertet wird – und die popularity‑bias robustness – die Fähigkeit, seltene Entitäten korrekt zu erkennen.

Die neuesten Fortschritte in der KI zeigen, dass große Sprachmodelle (LLMs) das Potenzial besitzen, die Entwicklung von integrierten Schaltkreisen (ICs) zu automatisieren. In der Praxis stoßen sie jedoch an die Grenze ihrer begrenzten Kontextfenster, wodurch komplexe, langwierige Schaltkreis‑Spezifikationen schwer zu verarbeiten sind. Traditionelle Methoden zur Kontextverlängerung erreichen kaum eine wirkungsvolle semantische Modellierung und lassen die mehrstufige Logik‑Verkettung über umfangreiche Spezifikationen aus.

Die neuesten ESG‑Berichtspflichten – von SASB über TCFD bis hin zu IFRS S2 – verlangen von Unternehmen, zahlreiche Kennzahlen zu berechnen und zu veröffentlichen. Diese Vorgaben liegen jedoch in langen, unstrukturierten PDF‑Dokumenten vor, die schwer zu interpretieren, zu standardisieren und zu prüfen sind. Manuelle Extraktion ist nicht skalierbar, und unkontrollierte große Sprachmodelle liefern häufig inkonsistente Entitäten, halluzinierte Beziehungen und fehlende Herkunftsangaben.

Ein neues KI-Framework nutzt Large Language Models (LLMs), um interaktive geospatiale Dashboards automatisch aus benutzerdefinierten Eingaben wie UI-Wireframes, Anforderungen und Datenquellen zu generieren. Durch die Einbindung eines strukturierten Wissensgraphen werden Fachwissen und Kontext direkt in den Code‑Erstellungsprozess integriert, was zu präziseren und kontextsensitiven Code‑Vervollständigungen führt.

Die Wiederverwendung bereits zugelassener Medikamente verspricht eine schnellere und kostengünstigere Alternative zu herkömmlichen Arzneimittelentwicklungen. Trotz dieser Vorteile gestaltet sich die in silico Vorhersage von Repurposing‑Kandidaten als komplexer Prozess, der die Zusammenarbeit von Fachleuten aus Pharmakologie, Medizin, Biologie und Bioinformatik erfordert.

In der medizinischen Datenintegration ist die Zuordnung von unterschiedlichen elektronischen Gesundheitsakten (EHR) zu Standardmodellen wie OMOP CDM von entscheidender Bedeutung. Traditionelle Ansätze nutzen große Sprachmodelle (LLMs), die zwar vielversprechend wirken, aber häufig Halluzinationen erzeugen und nicht immer aktuelles Fachwissen besitzen.

Die Erstellung hochwertiger Wissensgraphen aus heterogenen Datenquellen erfordert die Kombination mehrerer Techniken – von der Informationsgewinnung über Datenumwandlung und Ontologie‑Mapping bis hin zu Entität‑Matching und Datenfusion. Obwohl für jeden dieser Schritte zahlreiche Tools und Methoden existieren, fehlt bislang ein systematischer Ansatz, um sie in wiederholbare und effektive End‑to‑End‑Pipelines zu integrieren.

Ein neues Forschungsprojekt aus dem Bereich der künstlichen Intelligenz zeigt, wie aus unstrukturierten Vorlesungsnotizen automatisch hochwertige Multiple‑Choice‑Fragen (MCQs) generiert werden können. Dabei wird ein Wissensgraph (KG) erstellt, der die wichtigsten Lerninhalte strukturiert abbildet.

In einer bahnbrechenden Veröffentlichung präsentiert ein neues Framework namens PCRS‑TKA, das die Leistungsfähigkeit von Konversations‑Empfehlungssystemen (CRS) deutlich erhöht. Durch die Kombination von vortrainierten Sprachmodellen (PLMs) mit strukturiertem Wissen aus Wissensgraphen (KGs) schafft PCRS‑TKA eine vielversprechende Brücke zwischen natürlicher Sprachverarbeitung und semantischer Datenstruktur.

Große Sprachmodelle (LLMs) versprechen personalisierte Finanzempfehlungen, stoßen jedoch an Grenzen: begrenzter Kontext, Halluzinationen und fehlende Verhaltensgrundlage erschweren die Praxis.