Data-Butler: Sprachverständnis ohne Kontrollverlust

Wie viele Wettkampfschüsse hat eine Athletin in diesem Jahr abgegeben? Mit dem Data-Butler stellen Trainerinnen und Trainer solche Fragen einfach in Alltagssprache. Ein Sprachmodell versteht die Frage, die Zahl dazu berechnet geprüfter Programmcode. So werden Sportdaten ohne technisches Fachwissen zugänglich, und jede Antwort bleibt verlässlich und nachvollziehbar.

In Leistungssportverbänden fallen laufend strukturierte Daten an: Trainingsbelastungen, Wettkampfresultate bis zum einzelnen Schuss sowie tägliche Werte wie Schlaf oder wahrgenommene Anstrengung. Für die Trainingssteuerung wären diese Daten wertvoll, doch der Zugang führt über Schnittstellen, starre Dashboards und Exporte. Wer eine einfache Frage beantwortet haben möchte, etwa wie viele offizielle Wettkampfschüsse eine Athletin in diesem Jahr abgegeben hat, benötigt technisches Fachwissen oder die Unterstützung von Drittpersonen. Teuer erfasste Daten bleiben so im Trainingsalltag ungenutzt.

Naheliegend wäre, die Frage einem KI-Chatbot zu stellen und ihn direkt auf den Daten rechnen zu lassen. Sprachmodelle verstehen Alltagssprache erstaunlich gut. Die Zahlen jedoch, die sie selbst berechnen, sind nicht überprüfbar: Sie klingen plausibel, können aber falsch sein, und der Antwort ist das nicht anzusehen. Als Grundlage für Entscheidungen im Leistungssport genügt das nicht. Das Projekt «Data-Butler» soll deshalb beides verbinden: frei formulierte Fragen verstehen und die Zahlen dazu von geprüftem Programmcode berechnen lassen.

Mit dem «Data-Butler» sollen Trainerinnen und Trainer Sportdaten in Alltagssprache abfragen und sich auf die gelieferte Zahl verlassen können. Das System trennt dafür strikt zwischen dem Verstehen der Frage und dem Berechnen der Antwort und schützt gleichzeitig die Daten der Athletinnen und Athleten.

Vorteile des Data-Butlers:

Einfacher Zugang zu den eigenen Daten

• Fragen statt Schnittstellen: kein technisches Fachwissen nötig
• Kennzahlen direkt abrufen, ohne Dashboards und Exporte
• Auch mehrteilige Gespräche mit Folge- und Rückfragen möglich

Verlässliche Zahlen

• Alle Werte entstehen in geprüftem Programmcode, nicht im Sprachmodell
• Der Rechenweg wird ausgewiesen und bleibt nachvollziehbar
• Gleicher Auftrag und gleiche Daten ergeben dasselbe Resultat

Ehrlicher Umgang mit Unsicherheit

• Das System zeigt, wie es die Frage verstanden hat
• Bei unklaren Fragen folgt eine Rückfrage statt einer geratenen Zahl
• Fehlende Angaben werden als Lücke ausgewiesen, nicht ergänzt

Schutz der Personendaten

• Eine zentrale Regel im Code steuert, wie viel Datenkontext ein Modellaufruf sieht
• Vier abgestufte Zugriffsstufen vom reinen Fragetext bis zu einzelnen Datenzeilen
• Einzelne Datenzeilen erst nach ausdrücklicher Freigabe durch die Nutzerin

Langfristige Ziele sind:

• Einsatz auf der Force8-Plattform mit rund 9'500 Nutzerinnen und Nutzern, davon etwa 2'500 Coaches
• Ausweitung auf weitere Sportarten und Verbände der Plattform
• Etablierung als vertrauenswürdiges Werkzeug für die datenbasierte Trainingssteuerung im Schweizer Leistungssport

Der Data-Butler beruht auf einer strikten Trennung von Interpretation und Ausführung: Das Sprachmodell interpretiert die Frage genau einmal, alles Weitere übernimmt deterministischer Programmcode. Das System kombiniert dazu:

• Ein Sprachmodell, das die frei formulierte Frage in einen strukturierten Auftrag übersetzt: in den «Request Contract» mit Person, Kennzahl, Zeitraum und Filtern
• Programmcode, der Quellenwahl, Datenabruf, Verknüpfung, Berechnung und Validierung übernimmt
• Ein «Privacy-Gate» mit vier abgestuften Zugriffsstufen, das im Code und nicht über eine Anweisung im Prompt regelt, wie viel Datenkontext an den externen Modellanbieter fliesst
• Eine Rückfrage-Logik, die bei fehlenden Angaben, ungültigem Datum oder unbekannter Person anhält, statt zu raten
• Einen Audit-Trace, der Auftrag, Datenherkunft und Rechenweg jeder Antwort protokolliert

Mit dem fertigen Auftrag endet der Einfluss des Sprachmodells auf die Werte: Es erzeugt, berechnet oder verändert keine Datenwerte. Die Unsicherheit der KI wird damit nicht beseitigt, aber an eine sichtbare und prüfbare Stelle verschoben: in die Interpretation der Frage, die das System offenlegt.

In umfangreichen Tests gegen die produktive Live-API des Praxispartners Force8 lieferte der Data-Butler mit realen Kaderdaten von Swiss Shooting durchgehend korrekte Werte, die mit unabhängig berechneten Sollwerten übereinstimmten. Liess man dagegen das Sprachmodell dieselben Rohdaten selbst auswerten, waren die Ergebnisse unzuverlässig: Sie sahen plausibel aus, trafen den Sollwert aber praktisch nie.

Wiederholte Abfragen ergaben zudem stets identische Ergebnisse. Damit ist gezeigt, worauf es im Projekt ankommt: Die richtige Zahl liefert der geprüfte Programmcode, nicht das Sprachmodell.

Beteiligte

Das Projekt wurde vom Institut für Data Analysis, Artificial Intelligence, Visualization und Simulation (DAViS) im Rahmen einer Bachelor Thesis mit den Praxispartnern Swiss Shooting und Force8 umgesetzt.