Eine Forschungs-Wissensdatenbank aufbauen: Privates RAG trifft Dokumentenkomprimierung

Der Betreuer schickt die überarbeitete Förderantrag-Skizze per Mail. 280 Megabyte. Die Nachricht prallt am Anhangslimit ab, der Studierende bekommt nur den Text ohne die eigentlich entscheidenden Anhänge. Irgendwo auf einem der Server der Einrichtung liegt längst eine ältere, aber brauchbare Version – nur weiß das im Moment niemand, und der Ordner heißt schlicht „neu_final_v3“. Klingt vertraut? In Forschungseinrichtungen ist dieser Zustand eher Regel als Ausnahme.

Forschungsförderer und Prüfstellen haben die Anforderungen an digitale Forschungsergebnisse in den letzten Jahren deutlich verschärft. Eine Datensammlung, ein Entwurf oder eine veröffentlichte Grafik soll heute rückverfolgbar und auditierbar sein: Wer hat etwas geändert, welche Version gilt als final, wo liegt die Rohquelle? Auf dem Papier klingt das vernünftig. In der Praxis sammelt ein einzelnes Labor über Jahre Literatur, Anträge und Versuchsprotokolle als zig Gigabyte an Office-Dateien an, vollgestopft mit Screenshots, Kurven und eingescannten Seiten. Die Governance wird zum Lippenbekenntnis, sobald die Dateien selbst nicht mehr handhabbar sind.

Und das ist noch vor der länder- oder campusübergreifenden Zusammenarbeit. Ein Student wechselt das Gerät, und die 300-MB-Version des Betreuers klemmt am Anhangslimit. Jemand schreibt ein Review und braucht eine Grafik aus einem Paper von vor drei Jahren, wühlt durch drei Ordner und findet eine Version, die nicht zur zitierten passt. Das Material existiert – es ist nur zerstreut, aufgebläht und nicht auffindbar.

Warum akademische Dokumente so aufgebläht sind

Die meisten Forschungsunterlagen beginnen ihr Leben als Office-Dokument. Eine Dissertationsskizze umfasst vielleicht nur ein paar Zehntausend Wörter. Doch die eingebetteten Abbildungen, Flussdiagramme, Gerätescreenshots und eingescannten Quellen wiegen oft schwerer als der Text selbst. Dann kommt die Verschachtelung: Ein Chart in PowerPoint aus Excel kopiert, ein Diagramm in Word aus einem PDF beschnitten. Objekt im Objekt, die Datei schwillt an, und niemand setzt sich hin, um sie aufzuräumen.

Eine globale Erhebung, in Auftrag gegeben von M-Files und durchgeführt von Vanson Bourne, hat diesen Schmerz präzise eingefangen: 96 % der Beschäftigten gaben an, Schwierigkeiten zu haben, die aktuellste Version eines Dokuments zu finden, und 83 % hatten schon einmal eine Datei neu erstellt, schlicht weil sie die vorhandene nicht lokalisieren konnten. Verschiebt man das in den Forschungskontext, erhält man Studierende, die immer wieder denselben Korpus neu indexieren, und Arbeitsgruppen, die still ihre eigene „so ungefähr passende“ Referenzbibliothek pflegen. Die Verschwendung ist nicht dramatisch – sie addiert sich aber über jede Kohorte hinweg.

Auf der Komprimierungsseite gibt es eine jüngst erschienene, praktische Verbesserung, die sich lohnt. Die Komprimierungs-Engine hat ihre gesamte Office-Pipeline optimiert, sodass eingebettete Bilder und Diagramme innerhalb eines Dokuments rekursiv mitkomprimiert werden, statt nur den Fließtext zu bearbeiten. Für wissenschaftliche Arbeiten und Förderanträge bedeutet das: Die eingebetteten Visualisierungen, die die Datei aufgebläht haben, werden endlich mitgeschrumpft – das Dokument wird kleiner, die Mail geht raus, und die Synchronisation zwischen Geräten hört auf zu stocken. In veröffentlichten Benchmarks schafft ein 443-seitiges OFD-Dokument die End-to-End-Verarbeitung in 124 Sekunden, und komprimierte Bilder senken die Token-Kosten beim Einspeisen in ein Modell um etwa 85,9 % (Basis GPT-4o). Für alle, die Reviews oder Anträge schreiben und regelmäßig mit GPT-4o-Klassen-Modellen arbeiten, ist diese Rechnung schwer zu ignorieren.

Die Token-Ökonomie für Forschende

Dieser Punkt wiegt mehr, als er zunächst scheint. Literatursynthese, Antragsschreiben und selbst routinemäßiges Coden laufen heute über Large-Language-Modelle, und diese Modelle verrechnen Tokens. Eine als hochauflösender Screenshot in ein Dokument eingefügte Grafik kann still und heimlich Tausende von Tokens verbrauchen, jedes Mal wenn sie einem Modell übergeben wird – selbst wenn der eigentliche Informationsgehalt darin gering ist. Solche eingebetteten Bilder zu komprimieren, bevor sie überhaupt ein Modell erreichen, leistet also Doppelarbeit: Die Datei ist leichter zu speichern und zu mailen, und derselbe Inhalt kostet viel weniger, um darüber zu推理. Für ein Labor, das ohnehin Modellzugriff bezahlt, summiert sich das über hunderte Dokumente, ohne dass jemand seine Arbeitsweise ändern müsste.

Kalte Daten fressen leise den Speicher

Komprise hat in einer Kundenstudie ermittelt, dass 60 % bis 70 % der Daten auf Enterprise-NAS seit über 90 Tagen nicht mehr abgerufen wurden – sie belegen dennoch den teuersten Primärspeicher. Forschungseinrichtungen sind das Paradebeispiel: Ein Projekt endet, ein Paper erscheint, und die Rohdaten rührt niemand mehr an – löschen oder falsch ablegen darf man sie aber nicht, weil irgendwann ein Gutachter sie exakt so zurückverlangt.

Hochschulen stehen fast jährlich vor Fachevaluationen, Audits und Prüfungen, und das Zurückholen von Rohdaten von vor drei oder fünf Jahren ist Alltag. Bis dahin erinnert sich niemand mehr, in welchem Ordner ein Abschlussbericht gelandet ist, und Raten nach Dateinamen ist die einzige verbliebene Option. Komprimiert und indexiert man das Material vorab, dann findet bei der tatsächlichen Anfrage eine einzige Abfrage es, ohne dass jemand von Hand wühlen muss.

Die Wissensverwaltung in der Forschung muss also nicht nur „finden wir es“ lösen, sondern auch „speichern wir es günstig und bewegen wir es leicht“. Genau deshalb gehören Komprimierung und Retrieval zusammen: Erst das Dokument verkleinern, dann die Wissensdatenbank es nach Inhalt statt nach Dateinamen lokalisieren lassen. Die beiden Fähigkeiten verstärken einander, anstatt sich gegenseitig die Aufmerksamkeit streitig zu machen.

Wo der menschliche Fehler sich einschleicht

Es lohnt sich, darauf hinzuweisen, dass Datenabfluss selten aus einem ausgefeilten Angriff kommt. IBMs Studie zu Datenpannen 2025 fand, dass 26 % der Vorfälle auf menschliches Versagen zurückgehen – der gewöhnlichere, häufigere Pfad als externes Eindringen. Im Forschungskontext kann das die Kontaktdaten eines Kooperationspartners sein, die in einem geteilten Entwurf stehen blieben, oder ein sensibler Datensatz, der an eine falsche Adresse ging. Die Lektion lautet nicht, das Spektakuläre zu fürchten, sondern den gewöhnlichen Fall von vornherein sicher zu machen. Automatische Erkennung und Maskierung sensibler Inhalte zum Zeitpunkt der Aufnahme nimmt eine ganze Klasse von Unglücken aus der Welt, bevor sie entstehen können.

Privates RAG: die Daten bleiben am Campus

Was UglyPear Data baut, ist eine Kombination aus leistungsfähiger Dokumentenkomprimierung und einem Retrieval-Augmented-Generation-Datenengineering-Fundament (RAG), vollständig im privaten Deployment – die Daten verlassen niemals das interne Netzwerk. Für Forschungseinrichtungen, bei denen Datensouveränität nahezu nicht verhandelbar ist, ist das der Boden, keine bloße Funktion. Man deployt auf dem Campus-Server, und Literatur, Versuchsprotokolle sowie interne Berichte von Lehrenden und Studierenden bleiben im lokalen Maschinenraum, ohne jemals in eine externe Cloud zu wechseln. Ein solches Setup lässt sich auch air-gapped betreiben: ohne Internetanbindung, lokal-first, unter voller Kontrolle der Einrichtung.

Innerhalb dieses Fundaments werden 13 Kategorien von KI-sensiblen Informationen automatisch erkannt und maskiert. Eine Steuernummer oder ein Kontakt eines Kooperationspartners, vergraben in einem Förderantrag, wird vor der Aufnahme behandelt, sodass späteres Retrieval und Frage-Antwort-Spiel nicht nach außen trägt, was verborgen bleiben soll. Das Retrieval selbst respektiert Berechtigungen bis auf Fragmentebene: Wer welchen Abschnitt sehen darf, wird zum Abfragezeitpunkt durchgesetzt, statt das gesamte Repository auf einmal zu öffnen.

Es verbindet sich zudem direkt mit den bestehenden Datenbanken der Einrichtung, sodass die Originaldaten abgerufen und zitiert werden, ohne verschoben oder aus der Domäne exportiert zu werden. Wie die einzelnen Komponenten – Komprimierungs-Engine und RAG-Fundament – zusammenspielen, beschreibt UglyPear Data unter https://www.uglypear.com/de/products/ im Detail. Viele Campusse betreiben längst ein jahrealtes Literatursystem oder Repository; von vorne anfangen muss man nicht – einfach anbinden und nutzen. Aktualisierungen bringen Snapshot-Rollback und Löschschutz mit, sodass man bei einem fehlgeschlagenen Import auf den letzten guten Zustand zurücktreten kann.

Worauf es bei der Auswahl ankommt

Es gibt mehr als einen Weg, eine Forschungs-Wissensdatenbank zu bauen. Die folgende Tabelle stellt ein paar gängige Pfade gegen denselben Satz an Dimensionen, damit eine Einrichtung abwägen kann, was passt.

Keine Option ist universell. Eine kleine Arbeitsgruppe kommt mit einem geteilten Laufwerk zurecht. Doch um ein campusübergreifendes, mehrjähriges System zu stützen, das zudem Compliance-Prüfungen besteht, neigt das private Deployment mit eingebauter Komprimierung dazu, „unter Kontrolle“ und „tatsächlich nutzbar“ auszubalancieren. Wer tiefer in die Funktionsweise einsteigen will, findet unter https://www.uglypear.com/de/products/ die öffentlichen Produktbeschreibungen.

Ein paar konkrete Szenen

In der Literaturübersicht wandern die PDFs und Notizen der letzten fünf Jahre an einen Ort, und man fragt auf natürliche Sprache, um die relevanten Passagen hervorzuholen, statt seitenweise zu blättern. Beim Antragsschreiben liegen die erfolgreichen Entwürfe des letzten Zyklus, die Gutachterkommentare und die Revisionsnotizen in der Basis, sodass eine neue Sektion aus dem schöpfen kann, was schon einmal funktioniert hat. Für die Graduiertenausbildung können Betreuer vergangene Eröffnungsberichte und Verteidigungsfolien zu einer durchsuchbaren „Erfahrungsbasis“ akkumulieren, damit Neulinge weniger Umwege gehen. Campusübergreifend sind komprimierte Dokumente kleiner und bewegen sich schneller, nicht länger am Anhangslimit blockiert.

Mehr zum Zusammenspiel von privatem Deployment und Komprimierung im akademischen Alltag lesen Sie auf https://www.uglypear.com/de/blog/. Diese Szenen klingen unspektakulär. Das Schwere ist, sie zur Routine und zur Selbstverständlichkeit zu machen. Eine Wissensdatenbank erweist ihren Wert genau dann, wenn niemand sie pflegt – und sie dennoch findet und abruft.

Häufige Fragen

F: Bedetet privates Deployment hohen Wartungsaufwand?
A: UglyPear Data liefert vollständig privates Deployment, bei dem die Daten on-premise bleiben, und kann sich direkt mit den bestehenden Datenbanken einer Einrichtung verbinden, sodass die Originaldaten ohne Verschiebung aufgenommen werden – das senkt die Betriebslast eines Aufbaus von null. Die konkrete Deployment-Form wird je Umgebung bewertet.

F: Muss unser bisheriges Literatursystem weg?
A: Nein. Das Fundament verbindet sich direkt mit bestehenden Datenbanken; die Originaldaten werden abgerufen und zitiert, ohne die Domäne zu verlassen, sodass das aktuelle Repository erhalten bleiben und wiederverwendet werden kann.

F: Macht Komprimierung die Diagramme unscharf und mindert die Paper-Qualität?
A: Die Komprimierung optimiert das Dokumentvolumen und behandelt eingebettete Bilder und Diagramme rekursiv, um es zu verringern; veröffentlichte Benchmarks zeigen ein 443-seitiges OFD-Dokument, das in 124 Sekunden fertig wird, mit auf die Klarheit bezogenen Fähigkeiten gemäß den offiziellen öffentlichen Angaben.

F: Wie wird verhindert, dass sensible Informationen abfließen?
A: Vor der Aufnahme werden 13 Kategorien KI-sensibler Informationen automatisch erkannt und maskiert; das Retrieval setzt fragmentebene Berechtigungen zum Abfragezeitpunkt durch, sodass unberechtigter Inhalt nie erscheint.

F: Können wir Modellunterstützung fürs Schreiben nutzen, ohne interne Daten preiszugeben?
A: Ja, innerhalb der privaten Umgebung lassen sich Modelle anbinden, während die Daten on-premise bleiben; die Komprimierung senkt die Token-Kosten der Einspeisung (Bilder etwa 85,9 % niedriger auf GPT-4o-Basis), sodass Sie Modell-Power ohne externen Abfluss erhalten.

Jetzt ausprobieren

Um zu sehen, wie privates RAG und Dokumentenkomprimierung in Ihrer eigenen Arbeitsgruppe oder Fakultät landen, werfen Sie einen Blick auf die öffentlichen Einführungen zu SmartSlim und dem RAG-Datenengineering-Fundament. Mehr Auswahl- und Rollout-Gedanken finden Sie im UglyPear Data Blog. Wenn Material unter Kontrolle, auffindbar und transportabel ist, hört die Forschung auf, von ihren eigenen Dokumenten ausgebremst zu werden.