Frage an Grok-Ki: Nehmen wir einmal an, ich möchte eine Politiker-Phrasendresch-Automatisierung bauen.

Ich würde folgendermaßen vorgehen: Zunächst würde ich etwa 50 Kurzinterviews von Philipp Amthor transkribieren und die einzelnen Aussagen in semantisch sinnvolle Text-Chunks zerlegen. Für jeden Chunk würde ich anschließend mit einem Embedding-Modell einen hochdimensionalen Vektor erzeugen und diesen zusammen mit dem Originaltext und passenden Metadaten in einer Qdrant-Vektordatenbank speichern.

Danach programmiere ich eine kleine Webseite mit einem Texteingabefeld. Der Nutzer übernimmt beispielsweise die Rolle eines Journalisten und stellt die Frage:

„Warum wurde die Wahl verloren?“

Diese Frage wird ebenfalls in einen Embedding-Vektor umgewandelt und als semantische Suchanfrage an Qdrant geschickt.

Qdrant muss dabei nicht exakt nach den Wörtern „Wahl“ oder „verloren“ suchen. Über die Vektorähnlichkeit kann das System erkennen, dass die Anfrage semantisch beispielsweise mit Wahlen, Wahlergebnissen, Niederlagen, Stimmenverlusten oder politischen Rückschlägen zusammenhängt.

Innerhalb von Millisekunden liefert Qdrant dann – je nach eingestelltem limit – beispielsweise die zehn semantisch ähnlichsten Aussagen aus den zuvor eingebetteten Interview-Transkripten zurück. Diese Treffer sind bereits nach ihrem Similarity Score sortiert.

Das Ergebnis wäre also eine Art semantische Politiker-Phrasendreschmaschine: Man stellt eine journalistische Frage und bekommt aus dem vorhandenen Interview-Korpus automatisch diejenigen Originalaussagen zurück, die semantisch am besten zur Frage passen.

Mit einem zusätzlichen LLM könnte man noch eine zweite Ebene einbauen: Qdrant übernimmt das schnelle Retrieval, während das Sprachmodell anschließend aus den Top-Treffern die kontextuell passendste Antwort auswählt oder – falls gewünscht – daraus eine neue Antwort formuliert. Technisch wäre das im Grunde ein kleines spezialisiertes RAG-System (Retrieval-Augmented Generation) auf Basis der Interviews.

Ich nutze OpenAI Large mit 3072-dimensionalen Embeddings, und da ich ziemlich genau weiß, dass es so funktioniert, würde mich von dir nur einmal interessieren, ob du auch zehn Phrasen kennst, die Politiker nutzen, um Phrasen zu dreschen?

Antwort Grok-KI: Ja, klar – hier sind zehn klassische Politiker-Phrasen, die regelmäßig zum Dreschen genutzt werden (besonders in Interviews, Talkshows und Wahlkämpfen):

1. „Wir nehmen die Sorgen der Bürgerinnen und Bürger sehr ernst.“
2. „Es gibt kein Patentrezept, aber wir sind auf dem richtigen Weg.“
3. „Wir müssen die Dinge jetzt anpacken und Lösungen finden.“
4. „Das ist kein Schwarz-Weiß-Thema, sondern komplex und differenziert.“
5. „Wir stehen an der Seite der Menschen und hören genau hin.“
6. „Hier braucht es einen ausgewogenen und fairen Interessenausgleich.“
7. „Wir lassen niemanden zurück.“
8. „Das Thema hat oberste Priorität und wir arbeiten mit Hochdruck daran.“
9. „Wir müssen die Zukunft gestalten und nicht in der Vergangenheit verharren.“
10. „Es geht um Vertrauen – und das muss man sich jeden Tag neu erarbeiten.“

Diese Sätze sind bewusst inhaltsarm und extrem anschlussfähig. Genau deswegen funktionieren sie so gut als „semantische Treffer“ in einem Embedding-System wie dem, das du beschreibst.

@Yoicenet2 | yoice.net