---
title: "Intersim-GPT – technisch unter der Lupe"
url: "https://www.intersim.ch/insights/intersim-gpt-technisch-unter-der-lupe"
description: "Intersim-GPT wurde entwickelt, um eine einfach integrierbare und modulare GPT-Lösung zu bieten, die unabhängig von spezifischen Large-Language-Modellen…"
---

# Intersim-GPT – technisch unter der Lupe

[Technik & Innovation](/insights/?filter=technology-innovation)

 ![Pascal von Intersim erklärt GPT](/_astro/intersim-gpt-technik-pascal.JgnQwKZH_TBlM7.jpg)

Intersim-GPT wurde entwickelt, um eine einfach integrierbare und modulare GPT-Lösung zu bieten, die unabhängig von spezifischen Large-Language-Modellen funktioniert. Es besteht aus drei Hauptkomponenten: Informationsbeschaffung, Informationsverarbeitung und Anfragenbeantwortung. Diese Architektur ermöglicht es, Daten effizient zu sammeln, zu indexieren und präzise Antworten auf Kundenanfragen zu liefern, ohne dass bestehende Systeme stark verändert werden müssen.

Autor:in

Pascal Christen-Viecelli

Veröffentlicht

29\. August 2024

GPT da, GPT hier, GPT überall. Manchmal kann man es kaum noch hören 🙄

„Und jetzt kommt noch Intersim und bringt auch einen GPT?“ Gaaanz genau😇

„Muss man verrückt sein, um ein eigenes GPT-Produkt zu lancieren?“ Mindestens tollkühn 😱

„Und ist es nicht extrem schwierig, so ein Produkt zu machen?“ Wahrscheinlich mega. Stopp – Moment. Die besten Software-Lösungen sind die einfachen. „Das muss doch einfach gehen?“ Challenge accepted 🤺

So haben wir die Köpfe zusammengesteckt und uns überlegt, wie wir ohne Doktor-Titel in KI und Mathematik ein GPT-Produkt mit vertretbarem Aufwand auf die Beine stellen können. Schnell wurde uns klar, der Schlüssel liegt in der technischen Architektur. Heureka 💡

Genau diese möchten wir nachfolgend vereinfacht näherbringen.

## Das Was

Zuerst jedoch: Was für technische Ziele verfolgt unser Intersim-GPT?

-   muss einfach an beliebige Systeme, wie eine Webseite angebunden werden können
-   soll unabhängig von einem spezifischen Large-Language-Modell sein
-   bietet Schnittstellen an, um Informationen an Umsysteme weiterzugeben
-   kann von mehreren Systemen konsumiert werden (z.B. Mobile App + Webseite + Intranet)
-   muss auch mit digitalen Lösungen funktionieren, die nicht von der Intersim implementiert wurden
-   bezieht Daten von Webseiten, Datenbanken oder Schnittstellen (APIs)

## Das Wie

Als der Rauch über unseren Köpfen verzogen war, kamen wir auf eine Lösung, die in nachfolgendem Schema stark vereinfacht dargestellt ist:

![Schema Technik Intersim-GPT](/_astro/intersim-gpt-technisch.DxKiNXLy_1OIJ5x.webp)

Wir haben das Problem und die Anforderungen in zerlegbare Blöcke aufteilt. Wir haben das Herzstück – den Core – für folgende Aufgaben programmiert:

## Inhaltsbeschaffung

Der Service bezieht Daten für den Kunden über einen Contentfetcher, entweder aus einer Datenbank, einer Schnittstelle oder einer bestehenden Kundenwebseite. Es ist vorteilhaft, dass kein Aufwand für den Kunden entsteht und keine Zugangsdaten benötigt werden. Das Beziehen von Daten von öffentlichen Webseiten nennt man Crawling, die Inhalte werden in einer Datenbank gespeichert.

## Indexierung

Die Daten werden aufbereitet und indexiert, um sie später mit KI durchsuchen zu können. Dazu senden wir die gesammelten Daten an ein Large-Language-Modell (LLM) wie OpenAI GPT-4, Gemini oder Falcon. Dabei handelt es sich vereinfacht um eine riesige KI basierte Datenbank, die zuvor trainiert worden ist. Unser System kann beliebige LLMs einbinden. Das LLM erstellt für jeden Inhalt einen Vektor, eine numerische Repräsentation, die in unserer Datenbank gespeichert wird und für mathematische Berechnungen nutzbar ist.

## Anfragen beantworten

Nachdem wir die Daten und ihre zugehörigen Vektoren haben, stellt sich die Frage, wie wir eine Antwort erhalten, wenn eine Anfrage an Intersim GPT gesendet wird. Diese kann gemäss unseren Anforderungen via API kommen, oder direkt durch ein GUI. Letzteres kann in der Webseite des Kundens eingebunden sein oder ein separates GUI mit eigener URL sein – welches via Intersim GPT schon gleich mitgeliefert wird. Die Frage wird von der Searcher-Komponente entgegengenommen und an das LLM gesendet, das einen Vektor zurückgibt. Mit diesem Vektor durchsuchen wir unsere Datenbank, indem wir ihn mit den gespeicherten Vektoren vergleichen, um den passenden Inhalt zu finden – basierend auf einfacher Vektor-Algebra.

## Zusammenfassung

Buffer-Overflow – zu viele Informationen? Fassen wir doch kurz zusammen: Um den Intersim GPT zu implementieren haben wir unseren Service in 3 Bausteinen aufgebaut:

1.  Informationsbeschaffung
2.  Informationsverarbeitung
3.  Anfragen beantworten

Dank diesen können wir unseren aktuellen und künftigen Kunden einen einfach zu integrierenden und modularen GPT bieten der einen raschen Zugang zu KI ermöglicht, ohne dass zwingend bestehende Systeme umgebaut werden müssen.

## Verwandte Themen

Weiterführende Projekte und Inhalte zum Thema

[AI](/projects/?filter=ai)