--- url: /ki-systeme/muckl.md description: >- Der Bürger*innen-Chatbot Muckl beantwortet Fragen zu städtischen Dienstleistungen direkt und verständlich im Dialog. --- [mdi-arrow-left Zurück zur Übersicht](/ki-systeme/index.md) # Bürger\*innen-Chatbot Muckl Der Bürger\*innen-Chatbot Muckl beantwortet Fragen zu städtischen Dienstleistungen direkt und verständlich im Dialog. Anstatt selbst in Dokumenten suchen zu müssen, erhalten Nutzer\*innen sofort die passende Auskunft. Außerdem sind direkte Nachfragen möglich, um Unklarheiten zu beseitigen und weiterführende Informationen zu erhalten. *** Diese Dokumentation beschreibt die Funktionsweise, Datengrundlage und Risiken des Bürger\*innen-Chatbot Muckl auf stadt.muenchen.de. Der Chatbot hilft Bürger\*innen, Informationen zu städtischen Themen effizient zu finden. ## Einführung und Kontext Der Bürger\*innen-Chatbot Muckl ist ein Kommunikations-Bot, der vollautomatisiert Fragen von Bürger\*innen im Dialog beantwortet. Auf Basis von Textanalyse und maschinellem Lernen ergänzt er FAQ-Seiten und Kontaktformulare. Ziel ist der Einsatz eines „single-channel FAQ-Chatbots“ im Bereich des Bürgerservices. Der Chatbot soll so die Hotlines der Stadtverwaltung entlasten und schnelle Antworten für die Fragen der Münchner*innen liefern. Durch die automatisierte Beantwortung von Standardfragen kann der Chatbot die Mitarbeiter*innen in den Referaten und Eigenbetrieben von wiederkehrenden Anfragen entlasten und so die Effizienz steigern. Als Kommunikationskanal sorgt der Chatbot für durchgehende Erreichbarkeit und arbeitet Anfragen der Bürger\*innen in Echtzeit und automatisiert ab. Der Chatbot ist eine fiktive Persönlichkeit und zeichnet sich durch seine Freundlichkeit und Hilfsbereitschaft aus. Er kommuniziert wie die Zielgruppen: einfach, locker und partnerschaftlich. Dabei verwendet er die direkte und persönliche Ansprache. ### Entwicklung Bereits im April 2023 ging der städtische Chatbot „Muckl“ erstmalig für die Bürger\*innen der Landeshauptstadt München an den Start. Damals konnte er ausschließlich Themen zur anstehenden Landtagswahl beantworten, dennoch tat er dies sehr erfolgreich. In den Wochen und Monaten darauf ergänzte sich sein Wissen um diverse Themen wie etwa soziales Wohnen, Müll entsorgen oder Themen zu KITA. Um Muckls Wissenstand auf alle städtischen Verwaltungsthemen zu erweitern, wurde Muckl um eine KI-Komponente ergänzt. In dieser Form ist der Chatbot seit dem 24. September 2025 auf allen stadt.muenchen.de-Websites unter den Rubriken „Rathaus“ und „Bürgerservice“ umfassend verfügbar. Er kennt nun die Informationen zu städtischen Dienstleistungen, Angeboten und Veranstaltungen und beantwortet Fragen dazu rund um die Uhr. ![Demo des Chatbots Muckl](/img/muckl/muckl_demo.png) ## Funktionsumfang * **Beantwortung häufig gestellter Fragen**: Einfache Automatisierung von Standardanfragen. * **Skalierbarkeit**: Kann mit einer beliebigen Anzahl an Personen zur gleichen Zeit sprechen. * **Technische Einbindung**: Integration auf öffentlichen Webseiten per Snippet. * **Design**: Angepasstes Design für entsprechende Einsatzbereiche. * **Live-Chat Anbindung**: Optionaler Live-Chatbetrieb durch Mitarbeiter\*innen möglich. ## Datengrundlage Die Datengrundlage des Bürger\*innen-Chatbot Muckl basiert aktuell auf allen stadt.muenchen.de Seiten in Deutsch. Dies sind alle Seiten der Reiter „Rathaus“ (Rathaus – Landeshauptstadt München) und „Bürgerservice“ (Bürgerservice – Landeshauptstadt München). Um sicherzustellen, dass die Informationen aktuell bleiben, überprüft Muckl alle 24 Stunden die entsprechenden Seiten auf Änderungen und aktualisiert seine Datenbank gegebenenfalls. **Wichtige Einschränkungen:** * Muckl bezieht seine Informationen ausschließlich von den offiziellen Websites von stadt.muenchen.de. * Der Chatbot hat keinen Zugriff auf das gesamte Internet oder externe Links. * Er kann keine Inhalte aus PDFs lesen. ### Beispiele für verzeichnete Dienstleistungen #### Personalausweis Um einen Personalausweis zu beantragen, musst du folgende Schritte beachten: 1. Termin im Bürgerbüro: Du musst einen Termin in einem der sechs Bürgerbüros in München vereinbaren. 2. Persönliches Erscheinen: Du musst persönlich erscheinen, da deine Unterschrift und Fingerabdrücke benötigt werden. 3. Benötigte Unterlagen: * Einen anderen Ausweis (z. B. deinen alten Personalausweis oder Reisepass). Wenn du keinen Ausweis hast, bring deine Geburtsurkunde mit. * Ein aktuelles biometrisches Passfoto, das den Anforderungen entspricht (gut erkennbar, Gesicht sichtbar, neutraler Hintergrund). 4. Vorläufiger Personalausweis: Wenn du den Ausweis dringend benötigst, kannst du einen vorläufigen Personalausweis beantragen, der sofort ausgestellt wird und drei Monate gültig ist. Dafür benötigst du ebenfalls ein biometrisches Passfoto. Für weitere Informationen oder um einen Termin zu vereinbaren, kannst du das Bürgerbüro-Servicetelefon unter 089/233-96000 kontaktieren. #### Hundesteuer In München musst du für jeden Hund, den du besitzt, eine Hundesteuer zahlen. Die Kosten betragen jährlich 100 Euro pro Hund. Wenn du zwei Hunde hast, zahlst du also 200 Euro pro Jahr. Für Kampfhunde liegt die Steuer bei 800 Euro jährlich. Es gibt jedoch Möglichkeiten, von der Hundesteuer befreit zu werden: * Assistenzhund: Wenn du einen Assistenzhund hast, kannst du einen Antrag auf Befreiung stellen. Dein Hund muss dafür als Assistenzhund anerkannt sein und eine spezielle Ausbildung durchlaufen haben. * Tierheimhund: Hunde, die aus dem Tierheim München stammen, können für zwei Jahre von der Hundesteuer befreit werden. * Besondere Aufgaben: Wenn du deinen Hund für berufliche, gewerbliche, öffentliche oder gemeinnützige Zwecke hältst, kannst du ebenfalls eine Befreiung beantragen. * Finanzielle Notlage: Wenn du von Arbeitslosengeld II, Sozialhilfe oder einem vergleichbar geringen Einkommen lebst, kannst du in bestimmten Fällen einen Erlass der Hundesteuer beantragen. Es ist wichtig, deinen Hund innerhalb von zwei Wochen nach der Aufnahme oder dem Umzug nach München zur Hundesteuer anzumelden. Bei Nichtanmeldung können Bußgelder verhängt werden. #### Was ist der Münchner Stadtrat? Der Münchner Stadtrat ist das höchste Verwaltungsorgan der Stadt München und besteht aus dem Oberbürgermeister sowie 80 ehrenamtlichen Stadtratsmitgliedern. Diese Mitglieder werden alle sechs Jahre gewählt. Der Stadtrat ist verantwortlich für die Beratung und Verabschiedung von wichtigen Entscheidungen, die die Stadt betreffen, einschließlich des Haushaltsplans, der städtischen Entwicklung und anderer kommunaler Angelegenheiten. Die Mitglieder des Stadtrats vertreten verschiedene politische Parteien und Wählergruppen und arbeiten an der Gestaltung der kommunalen Politik. Weitere Informationen über die Mitglieder und deren Aufgaben sind im Ratsinformationssystem verfügbar. #### Was macht die Stadtkämmerei? Die Stadtkämmerei in München hat eine zentrale Rolle in der Finanzverwaltung der Stadt. Ihre Hauptaufgaben umfassen: * Finanzhaushalt: Sie erstellt und steuert den Finanzhaushalt, der die Ein- und Auszahlungen der Stadt erfasst. Dazu gehören die Planung von Investitionen und Finanzierungsmaßnahmen. * Einnahmen: Die Stadtkämmerei sorgt dafür, dass die Stadt Einnahmen generiert, hauptsächlich durch Steuern wie Gewerbesteuer und Einkommensteuer. * Ausgaben: Sie verwaltet die Ausgaben für die laufende Verwaltung sowie Investitionen in die Infrastruktur, wie Schulen und Verkehrswege. * Stadtkasse: Alle finanziellen Vorgänge, wie Steuerbescheide und Rechnungen, laufen über die Stadtkasse, die auch für die Liquidität der Stadt sorgt. * Steuern: Die Abteilung kümmert sich um die Erhebung und Verwaltung von verschiedenen Steuerarten, darunter Grundsteuer und Hundesteuer. * Beratung und Unterstützung: Die Stadtkämmerei unterstützt den Stadtrat bei der Mittelverteilung und berät andere städtische Abteilungen in Finanzfragen. ## Funktionsweise Der Bürger\*innen-Chatbot Muckl nutzt ein Embedding-Modell und ein großes Sprachmodell, um relevante Dokumente zu finden und präzise Antworten auf Nutzerfragen zu generieren. Technische Basis ist das [Ubitec Bot Framework](https://ubitec.at/de/produkte/ubitec-bot-framework/). Der Chatbot sucht nicht nur auf einer bestimmten Seite, sondern auch auf allen anderen Seiten von stadt.muenchen.de nach Antworten. Dadurch kann es vorkommen, dass die Informationen nicht immer direkt zur jeweiligen Fragestellung passen (z.B. durch veraltete Informationen auf älteren Webseiten). ## Optimierung der Inhalte Fachbereiche tragen aktiv zur Optimierung der Wissensbasis bei: 1. **Veraltete Informationen entfernen**: Löschen oder Aktualisieren alter Webseiten. 2. **Fehlende Inhalte ergänzen**: Wichtige Inhalte direkt auf der Webseite einbinden oder paraphrasieren (nicht nur als Link/PDF). 3. **PDF-Inhalte vermeiden**: Inhalte aus PDFs direkt auf der Seite einbinden, da der Chatbot keine PDFs lesen kann. Bei Fragen, Anmerkungen oder Verbesserungsvorschlägen kann das Bewertungstool am Ende jeder Antwort von Muckl genutzt werden ("Daumen nach oben" für positives Feedback, "Daumen nach unten" für Verbesserungswünsche). So kann das Team hinter Muckl die Antworten kontinuierlich verbessern. ## Rechtliche Hinweise Informationen zum Datenschutz finden Sie unter: [Datenschutzhinweise für die Nutzung des Chatbots](https://stadt.muenchen.de/infos/datenschutzhinweis-chatbot.html) Informationen zur Barrierefreiheit finden Sie unter: [Erklärung zur Barrierefreiheit: Chatbot „Muckl“](https://stadt.muenchen.de/infos/barrierefreiheit-erklaerung-chatbot.html) *** [mdi-arrow-left Zurück zur Übersicht](/ki-systeme/index.md) --- --- url: /datensaetze.md --- # Datensätze Um eigene KI-Modelle zu trainieren oder KI-Systeme im Betrieb mit Informationen zu versorgen, sind Datensätze eine wichtige Grundlage. Die Landeshauptstadt München stellt verschiedene Datensätze frei zur Verfügung, die für die Entwicklung und den Betrieb von KI-Systemen genutzt werden können. Neben der hier aufgeführten Liste von Datensätzen sind auch im [Open Data Portal](https://opendata.muenchen.de/) der Landeshauptstadt München unzählige weitere Datensätze verfügbar. ## Liste der Datensätze ::: warning Hinweis Diese Liste befindet sich derzeit im Aufbau und wird kontinuierlich erweitert. ::: **Erstellte Datensätze** * [Münchner Verwaltungs-Dienstleistungen / Munich Public Services](/datensaetze/munich-public-services.md) **Genutzte Datensätze** * n.n. ## Was ist eine Dataset Card? Eine Dataset Card ist eine strukturierte Beschreibung eines Datensatzes, die wichtige Informationen über den Datensatz enthält. Sie dient dazu, Nutzern einen schnellen Überblick über die Eigenschaften und den Inhalt des Datensatzes zu geben. Die Dataset Card bietet folgende Vorteile: * **Transparenz**: Sie bietet klare Informationen über die Herkunft, den Inhalt und die Struktur des Datensatzes. * **Nutzerfreundlichkeit**: Durch die strukturierte Darstellung können Nutzer schnell entscheiden, ob der Datensatz für ihre Zwecke geeignet ist. * **Qualitätssicherung**: Sie hilft dabei, die Qualität und Relevanz des Datensatzes zu bewerten. * **Wiederverwendbarkeit**: Durch die detaillierte Beschreibung wird die Wiederverwendbarkeit des Datensatzes erhöht. * **Dokumentation**: Sie dient als umfassende Dokumentation, die den Datensatz für zukünftige Projekte und Nutzer zugänglich macht. --- --- url: /ki-systeme/dlf.md description: >- Die KI-Suche im Dienstleistungsfinder nutzt moderne Sprachmodelle, um Bürger*innen bei der Suche nach städtischen Dienstleistungen auf muenchen.de zu unterstützen. --- [mdi-arrow-left Zurück zur Übersicht](/ki-systeme/index.md) # KI-Suche im Dienstleistungsfinder Die KI-Suche im Dienstleistungsfinder nutzt moderne Sprachmodelle, um Bürger\*innen bei der Suche nach städtischen Dienstleistungen auf muenchen.de zu unterstützen. *** Diese Dokumentation gibt einen Überblick über die Datengrundlage, die technische Funktionsweise sowie die Evaluierung der KI-Suche im Dienstleistungsfinder. Sie dient als Grundlage zum Verständnis des Systems und seiner Leistungsfähigkeit im praktischen Einsatz. ![Screenshot von muenchen.de/ki-suche](/img/dlf/dlf_screenshot_muenchen-de.png) ## Einführung und Kontext Die KI-Suche im Dienstleistungsfinder wurde entwickelt, um Bürger\*innen sowie Mitarbeitenden der Stadt München einen effizienten und zielgerichteten Zugang zu Informationen über städtische Dienstleistungen zu ermöglichen. Technisch basiert sie auf einem Retrieval-Augmented-Generation-(RAG)-Ansatz, bei dem relevante Dokumente zunächst automatisiert abgerufen und anschließend mithilfe eines großen Sprachmodells kontextualisiert verarbeitet werden. Durch diese Kombination aus Dokumentensuche und generativer KI wird die Qualität der Suchergebnisse deutlich gesteigert und eine präzisere Beantwortung von Suchanfragen ermöglicht. ## Datengrundlage Die KI-Suche basiert auf aktuell auf allen Dienstleistungs-Beschreibungen in Deutsch, die [die Stadt München auf ihrer Webseite bereitstellt](https://stadt.muenchen.de/service/). ### Beispiele für verzeichnete Dienstleistungen #### [Personalausweis](https://stadt.muenchen.de/service/info/personalausweis/1063441/n0/) Deutsche Staatsangehörige sind verpflichtet, einen gültigen Personalausweis (oder Reisepass) zu besitzen, sobald sie 16 Jahre alt sind. #### [Fischerprüfung](https://stadt.muenchen.de/service/info/zustaendiges-amt-fuer-muenchen/1081175/) Sie können zur Fischerprüfung zugelassen werden, wenn Sie vorher an einem anerkannten Vorbereitungslehrgang nach Ausbildungsplan teilgenommen haben. #### [Temporäre Kanalanschlüsse](https://stadt.muenchen.de/service/info/temporaere-kanalanschluesse/10435214/n0/) Wenn Sie Baustelleneinrichtungen oder Veranstaltungen (Straßenfeste, etc.) planen, können Sie temporäre Kanalanschlüsse für Sanitärcontainer anfordern. ## Funktionsweise Die zu Beginn eingeführte Retrieval-Augmented-Generation-(RAG)-Methodik bildet die Grundlage der KI-Suche. Dabei werden in einem ersten Schritt zu einer Nutzeranfrage relevante Dokumente aus der zugrunde liegenden Datenbasis abgerufen. Anschließend werden auf Basis der relevantesten Dokumente mithilfe eines großen Sprachmodells (LLM) kontextbezogene Antworten generiert. ![Darstellung der Funktionsweise von RAG](/img/dlf/dlf_rag.png){.light-only} ![Darstellung der Funktionsweise von RAG](/img/dlf/dlf_rag_dark.png){.dark-only} ### Repräsentation der semantischen Information mit Embeddings Die KI-Suche nutzt zum Vergleich der Informationen in den Dokumenten und der Nutzeranfrage *Embeddings*. Embeddings sind hochdimensionale Vektoren, die durch ein spezielles KI-Modell generiert werden. Als Eingabe erhält das Embedding-Modell einen Text (z.B. die Dienstleistungsbeschreibung) und gibt einen Vektor zurück. Diese Vektoren können dann in einer Datenbank gespeichert und einfach verglichen werden, um die Ähnlichkeit zwischen verschiedenen Texten zu bestimmen. ![Darstellung von Embeddings als Repräsentation von Text](/img/dlf/dlf_embeddings.png){.light-only} ![Darstellung von Embeddings als Repräsentation von Text](/img/dlf/dlf_embeddings_dark.png){.dark-only} ### Hybride Suche mit BM25 In dieser Anwendung wird eine hybride Suchmethode verwendet. Sie kombiniert die klassische, stichwortbasierte Methodik BM25 mit den oben beschriebenen semantischen Embeddings. So können sowohl zu klassischen Suchanfragen, als auch ausformulierte Fragen, die keine exakten Schlüsselwörter enthalten, Dokumente gefunden werden. ![Darstellung der hybriden Suche](/img/dlf/dlf_hybrid_search.png){.light-only} ![Darstellung der hybriden Suche](/img/dlf/dlf_hybrid_search_dark.png){.dark-only} ### Relevanzbasierte Sortierung der Dokumente mittels Re-Ranking und Boosting Zur Optimierung der Ergebnisreihenfolge werden die gefundenen Dokumente mithilfe eines Re-Ranking-Modells anhand ihrer inhaltlichen Relevanz zur Nutzeranfrage neu sortiert. Dadurch wird sichergestellt, dass inhaltlich präzisere und für die Anfrage relevantere Dokumente bevorzugt platziert werden. Ergänzend zum Re-Ranking werden die Suchergebnisse auf Basis aktueller Seitenaufrufe gewichtet. Dokumente mit einer hohen Anzahl an Seitenaufrufen werden dabei priorisiert und entsprechend höher in den Suchergebnissen platziert als weniger häufig aufgerufene Inhalte. ![Darstellung des Re-Ranking und Boosting Prozesses](/img/dlf/dlf_reranking_and_boosting.png){.light-only} ![Darstellung des Re-Ranking und Boosting Prozesses](/img/dlf/dlf_reranking_and_boosting_dark.png){.dark-only} ### Generierung der Antwort Für jedes aus der Suche extrahierte Dokument wird ein großes Sprachmodell (engl. Large Language Model, LLM) aufgerufen. Basierend auf der Nutzeranfrage und dem jeweiligen Dokumenteninhalt erzeugt das LLM drei Ausgaben: 1. eine ausformulierte Antwort auf die gestellte Frage, 2. ein inhaltlich passendes wörtliches Zitat aus dem Dokument, 3. eine Einschätzung, ob das Dokument zur Beantwortung der Frage geeignet ist. Kann die Frage anhand eines Dokuments nicht beantwortet werden, wird dieses nicht angezeigt. Auf diese Weise wird sichergestellt, dass Suchergebnisse, die trotz Re-Ranking und Boosting nicht ausreichend relevant für eine präzise Beantwortung der Anfrage sind, nicht an die Nutzer\*innen zurückgegeben werden. ![Darstellung der Antwortgenerierung](/img/dlf/dlf_answer_generation.png){.light-only} ![Darstellung der Antwortgenerierung](/img/dlf/dlf_answer_generation_dark.png){.dark-only} ## KI-Modelle ### Embedding-Modell Semantische Vektoren von Texten (Text-Embeddings) erfassen die inhaltliche Ähnlichkeit zwischen Texten. In dieser Anwendung werden sie genutzt, um zu einer Suchanfrage relevante Dokumente zu identifizieren. Hierfür verwendet das System das Embedding-Modell „text-embedding-3-large“ von OpenAI. [Mehr Informationen zum Modell](https://platform.openai.com/docs/guides/embeddings/embedding-models) ### Großes Sprachmodell (LLM) Das große Sprachmodell "gpt-4.1-mini" von OpenAI wird zur Generierung der Nutzerantworten genutzt. [Mehr Informationen zum Modell](https://platform.openai.com/docs/models/gpt-4.1-mini) ## Evaluation ### Datensätze für die Evaluation Für die Evaluation werden zwei Datensätze herangezogen. Einer dieser Datensätze wurde mithilfe eines Large Language Models (LLM) generiert, während ein weiterer Datensatz als manuell erstellter Goldstandard für die Dienstleistungsartikel dient. Im Überblick kommen folgende Datensätze zum Einsatz: * **LHMDienstleistungenQA**: Händisch erstellter Goldstandard-Datensatz * **Query-Doc-Service-de**: Automatisch generierter Datensatz Aufgrund kontinuierlicher inhaltlicher und struktureller Aktualisierungen der Dienstleistungsartikel enthalten beide Datensätze Beispiele mit nicht mehr aktuellen Dokumenttiteln. In diesen Fällen ergibt die Evaluation formal einen Wert von 0, selbst wenn das inhaltlich korrekte Dokument erfolgreich abgerufen wurde. Um diesen Effekt zu mitigieren, wird bei fehlender direkter Dokumentübereinstimmung zusätzlich die Ähnlichkeit zwischen dem erwarteten und dem abgerufenen Dokumenttitel berücksichtigt. ### Ergebnisse der Evaluation Zur Bewertung der Retrieval-Leistung werden der Mean Reciprocal Rank (MRR) sowie der Recall@10 herangezogen. Die Ergebnisse sind in folgender Tabelle zusammengefasst: | | LHMDienstleistungenQA | Query-Doc-Service-de | | --------- | --------------------- | -------------------- | | MRR | **0.6735** | 0.6618 | | Recall@10 | **86.20 %** | 83.33 % | Der Mean Reciprocal Rank liegt im Bereich zwischen 0 und 1 und misst, wie hoch das relevante Dokument in der Ergebnisliste des Retrievals platziert ist. Ein MRR von 1.0 bedeutet, dass das relevante Dokument an erster Stelle platziert ist, während ein Wert von 0.5 einer Platzierung an zweiter Stelle entspricht. Der Recall@10 gibt an, in wie vielen Fällen sich das relevante Dokument unter den ersten zehn Suchergebnissen befindet. Die dargestellten Ergebnisse beziehen sich ausschließlich auf die Leistung der Retrieval-Komponente. Im Produktivsystem wird nach dem Retrieval eine zusätzliche Relevanzklassifikationsstufe eingesetzt, die irrelevante Dokumente herausfiltert und das relevanteste Dokument gegebenenfalls an die oberste Position verschiebt. Entsprechend kann sich das den Nutzern präsentierte Ranking vom durch den MRR gemessenen Roh-Retrieval-Ranking unterscheiden. Der Datensatz **Query-Doc-Service-de** wurde mithilfe eines LLM generiert. Da diese Modelle nicht über explizites Expertenwissen zu den zugrunde liegenden Artikeln verfügen, können einzelne generierte Fragen nur teilweise mit den Dokumentinhalten übereinstimmen, was das Retrieval negativ beeinflussen kann. Gleichzeitig können solche Fragen jedoch die Mehrdeutigkeit und Variabilität realer Nutzeranfragen besser widerspiegeln als Experten-Fragen zu den jeweiligen Dokumenten. Die Evaluation wurde mit der vollständigen produktiven Retrieval-Pipeline durchgeführt, einschließlich Re-Ranking und popularitätsbasiertem Dokument-Boosting. Diese Boosting-Strategie priorisiert häufig aufgerufene Artikel, was auf eine höhere Nützlichkeit für Nutzer hindeuten kann. Uns ist bewusst, dass eine auf aktuellen Zugriffszahlen basierende Gewichtung langfristig einen Bias verursachen kann, da häufig priorisierte Artikel tendenziell mehr Aufrufe generieren. Alternative Boosting-Strategien werden derzeit untersucht. Unter diesen Rahmenbedingungen weist ein durchschnittlicher MRR von 0.67 auf eine stabile und qualitativ hochwertige Platzierung relevanter Dokumente im Retrieval hin und wird durch einen Recall@10 von konsistent über 80 % bestätigt. Diese Kombination zeigt, dass relevante Dokumente in der Regel hoch gerankt sind und nahezu immer im initialen Kandidatenset enthalten sind, wodurch eine effektive nachgelagerte Relevanzfilterung ermöglicht wird. ### Beispieleinträge aus dem Goldstandard-Datensatz | Frage | Zugehöriges Dokument | | ---------------------------------------------------------------------------- | -------------------------------------------------------------------------------------------------------------------------------------------------------------- | | Was passiert mit dem Biomüll? | [Biotonne anmelden oder ummelden](https://stadt.muenchen.de/service/info/abfallwirtschaftsbetrieb-muenchen-awm/1072210/) | | Meine Oma braucht einen Computer, gibt es einen Zuschuss? | [Zuschuss zum Kauf eines Computers für Senior\*innen](https://stadt.muenchen.de/service/info/zuschuss-zum-kauf-eines-computers-fuer-senior-innen/10309310/n0/) | | Was macht der Arzt bei der Untersuchung bevor mein Kind in die Schule kommt? | [Reformierte Gesundheitsuntersuchung zur Einschulung](https://stadt.muenchen.de/service/info/sg-schulgesundheit/10278765/) | | Wie tausche ich meinen alten Lappen um? | [Umtausch in Kartenführerschein](https://stadt.muenchen.de/service/info/hauptabteilung-ii-fahrzeugzulassungs-und-fahrerlaubnisbehoerde/1064289/) | ## Risiken und Limitierungen Obwohl die KI-Suche viele Vorteile bietet, gibt es auch einige Risiken und Limitierungen: * **Bias in den Daten**: Die KI-Modelle können Vorurteile aus ihren Trainingsdaten übernehmen. * **Sprachliche Beschränkungen**: Die Qualität der Antworten kann je nach Sprache und Formulierung der Anfrage variieren. * **Datenschutz**: Es dürfen keine personenbezogenen Daten eingegeben werden. *** [mdi-arrow-left Zurück zur Übersicht](/ki-systeme/index.md) --- --- url: /ki-systeme/inspira_bib.md description: >- inspira_BIB ist ein KI-gestütztes Medienempfehlungssystem, das Nutzer*innen des Webkatalogs der Münchner Stadtbibliothek passende Lektüre- und Medienvorschläge unterbreitet. --- [mdi-arrow-left Zurück zur Übersicht](/ki-systeme/index.md) # inspira\_BIB inspira\_BIB ist ein KI-gestütztes Medienempfehlungssystem, das Nutzer\*innen des Webkatalogs der Münchner Stadtbibliothek passende Lektüre- und Medienvorschläge unterbreitet. *** Diese Dokumentation beschreibt die Funktionsweise und den Einsatz des KI-gestützten Medienempfehlungssystems **inspira\_BIB** für die Münchner Stadtbibliothek. ![Beispiel des inspira\_BIB-Systems: Im Webkatalog erscheinen unter den Daten zu einem Medium eine Reihe von neuen, thematisch ähnlichen Medien, die man durch Klick direkt ansehen kann.](/img/inspira_bib_demo.png) ## Einführung und Kontext Der Webkatalog der Münchner Stadtbibliothek erhält mit **inspira\_BIB** eine neue Funktion, die mithilfe von KI-Algorithmen während des Stöberns Medienempfehlungen präsentiert. Die Empfehlungen basieren auf inhaltlichen Ähnlichkeiten zwischen den Medien und sollen Nutzer\*innen inspirieren und ihnen neue Entdeckungen ermöglichen. ## Datengrundlage Das System basiert auf den Einträgen des Webkatalogs der Münchner Stadtbibliothek. Hierbei werden Medien, die keinen Beschreibungstext enthalten, aus technischen Gründen nicht berücksichtigt. Die Daten des Empfehlungssystems werden im Zyklus von zwei Wochen aktualisiert, sodass sehr neue Medien und kurzfristige Änderungen zum Teil nicht enthalten sind. Die Daten enthalten Informationen zu Titel, Autor\*in, Medientyp, ISBN, Coverbild und Beschreibungstext. ## Funktionsweise Den Empfehlungen zugrunde liegt immer nur das aktuell vom Nutzenden betrachtete Medium, genauer dessen Inhaltsbeschreibung. Das System berechnet die Ähnlichkeit zwischen dem Beschreibungstext des aktuellen Mediums und den Beschreibungstexten aller anderen Medien im Katalog. Die Medien mit der höchsten Ähnlichkeit werden als Empfehlungen angezeigt. Zur Berechnung der Ähnlichkeit werden die Inhaltstexte zuvor bereits in eine Zahlenrepräsentation, ein sogenanntes Embedding, umgewandelt. Dieses Embedding wird dann in Echtzeit mit den Embeddings aller anderen Medien verglichen. Das System nutzt keine Nutzerdaten, sondern basiert ausschließlich auf den Inhalten der Medien. ## KI-Modelle ### Embedding-Modell Embeddings (zu deutsch *Texteinbettungen*) messen die Ähnlichkeit von natürlichsprachlichen Texten. Das System nutzt das Embedding-Modell `text-embedding-3-large` des Herstellers OpenAI, welches über den Cloud-Provider Microsoft Azure in einem europäischen Rechenzentrum bereitgestellt wird. Das Modell nimmt Texte mit einer Länge von bis zu 8191 Token (Wortteile) entgegen und gibt ein Embedding mit 1024 Dimensionen zurück. Weitere Informationen finden Sie in folgenden Dokumentationen: * * * * ## Evaluierung ### Wahl des Embedding-Modells Die Wahl des Embedding-Modells erfolgte aufgrund einer Evaluation mit einem definierten Test-Datenbestand. ### Qualität der Empfehlungen Das Gesamtsystem inklusive der Qualität der Empfehlungen wurde in einer Studie mit den Mitarbeiter\*innen der Münchner Stadtbibliothek sowie interessierten Kunden evaluiert. Die Rückmeldungen wurden in Kooperation mit dem Statistischen Amt der Landeshauptstadt München ausgewertet. Das System erhielt über 85 Prozent positive Bewertungen. ## Risiken und Limitierungen Obwohl die Medienempfehlung viele Vorteile bietet, gibt es auch einige Risiken und Limitierungen des Systems: * **Vollständigkeit der Daten**: Medien ohne Beschreibungstext werden gar nicht berücksichtigt. Dazu zählen aktuell zum Teil auch Sachbücher, deren Beschreibung nur als PDF-Datei vorliegt. * **Vollständigkeit der Empfehlungen**: Medien ohne Coverbild werden nicht von anderen Medien aus empfohlen, enthalten aber selbst Empfehlungen. * **Aktualität der Daten**: Die Daten werden nur alle zwei Wochen aktualisiert, sodass sehr neue Medien und kurzfristige Änderungen nicht enthalten sind. *** [mdi-arrow-left Zurück zur Übersicht](/ki-systeme/index.md) --- --- url: /ki-systeme/ki-stack.md description: >- Generative KI (GenAI) wird für Unternehmen immer wichtiger. Wir nutzen einen Open Source KI-Stack, um digitale Souveränität zu gewährleisten und gleichzeitig leistungsstarke KI-Funktionalitäten bereitzustellen. --- # KI-Stack Generative KI (GenAI) wird für Unternehmen immer wichtiger. Neben SaaS-Lösungen und Hyperscalern bieten Open Source-Stacks eine attraktive Alternative für digitale Souveränität. Auf welche Komponenten das KI-Team der Stadt München setzt, erklären wir euch in diesem Artikel. --- --- url: /ki-systeme.md --- # KI-Systeme Nachfolgend finden Sie eine Übersicht der KI-Systeme, die von der Landeshauptstadt München eingesetzt werden. ::: warning Hinweis Diese Liste befindet sich derzeit im Aufbau und wird kontinuierlich erweitert. ::: ## Was sind KI-Systeme? KI-Systeme sind alle IT-Systeme, die Künstliche Intelligenz (KI) verwenden, um bestimmte Teil-Aufgaben und Arbeitsschritte zu automatisieren oder zu unterstützen. Diese Definition umfasst nicht nur vollständige Anwendungen, die im Kern auf KI-Technologien wie große Sprachmodelle aufbauen, sondern auch solche, die KI-Technologien als zum Teil kleine Teil-Komponente einer größeren Anwendung bereitstellen. Die Landeshauptstadt München setzt bereits heute diverse KI-Systeme ein, um Verwaltungsprozesse zu optimieren, datenbasierte Entscheidungen zu treffen und die Barrierefreiheit und Mehrsprachigkeit von Dienstleistungen zu verbessern. In dieser Dokumentation finden Sie Informationen zu den eingesetzten KI-Systemen, deren Funktionalität und Anwendungsbereich. ## Was ist eine System Card? Eine System Card ist ein Dokument, das Informationen über ein KI-System und die darin eingesetzten Modelle zusammenfasst, einschließlich der Datenquellen, Leistung, Anwendungsbereich und möglichen Einschränkungen. Damit fördert sie folgende Punkte: * **Transparenz**: Besseres Verständnis des Systems und seiner Entscheidungen * **Vergleichbarkeit**: Erleichtert den Vergleich zwischen verschiedenen Systemen und deren Eigenschaften * **Einsatzbereich**: Der Einsatzbereich des Systems ist klar definiert und vermeidet so Fehleinsätze * **Risiken und Limitierungen**: Definiert die Grenzen und Limitierungen der Systeme --- --- url: /ki-team.md --- # KI-Team Im Jahr 2024 wurde das KI Competence Center (KICC) im [IT-Referat der Landeshauptstadt München](https://stadt.muenchen.de/infos/portrait-it-referat.html) geschaffen, um eine zentrale Anlaufstelle für Künstliche Intelligenz (KI) in der Stadtverwaltung zu etablieren. Nach einer organisatorischen Neuausrichtung firmiert das KI-Team seit Anfang 2026 unter dem Namen **KI-Entwicklung & -Services (KIES)** und ist dem **Data & AI Center of Excellence (DAICE)** zugeordnet. ::: info Hintergrund Das IT-Referat hatte Künstliche Intelligenz bereits im Jahr 2021 als eine der Schlüsseltechnologien im Bereich Technischer Innovationen identifiziert. Aufbauend darauf wurden zunächst erste Prototypen im Bereich Maschinellen Lernens entwickelt und Datenanalysen für die Stadtverwaltung durchgeführt. Mit der zunehmenden Professionalisierung und dem wachsenden Bedarf an KI-Anwendungen in der Stadtverwaltung wurde als folgerichtige Maßnahme das KICC als separate Organisationseinheit geschaffen. Das KICC war außerdem als Maßnahme der Digitalisierungsstrategie der Stadt München im Handlungsfeld "Digital Government" verankert und kann im [Digitalisierungsradar](https://muenchen.digital/digitalisierungsradar/digital-government.html#ac99b7bc-2b42-46a0-9ab5-813628cb3c89) eingesehen werden. Seit Anfang 2026 firmiert das Team unter dem Namen **KI-Entwicklung & -Services (KIES)**. Im Zuge einer organisatorischen Neuausrichtung wechselte das Team von der Abteilung Data & Innovation in das neu geschaffene **Data & AI Center of Excellence (DAICE)**, um die Aktivitäten der Landeshauptstadt München rund um KI & Daten noch stärker zu bündeln und zu skalieren. ::: ## Aufgaben Unser KI-Team bündelt das Wissen der Stadtverwaltung im Bereich Künstliche Intelligenz und bietet dabei * die Beratung der Fachbereiche, * die Entwicklung von KI-basierten Anwendungen und Services, * die Schulung von Mitarbeiter\*innen, * und den Betrieb von KI-Systemen. Ein herausragendes Beispiel für seine Arbeit ist die Entwicklung von [**MUCGPT**](/ki-systeme/mucgpt), einem hausinternen KI-Chatbot, der allen städtischen Mitarbeiter\*innen zur Verfügung steht. Dieser Service wird kontinuierlich verbessert und optimiert, um den Bedürfnissen der Nutzenden gerecht zu werden. ## Team ## Kontakt Unser KI-Team ist erreichbar unter . --- --- url: /ki-systeme/mucgpt.md description: >- MUCGPT ist das KI-Werkzeug für die Stadtverwaltung München, das Mitarbeiter*innen sicher und konform die Arbeit mit generativen KI-Modellen ermöglicht. --- [mdi-arrow-left Zurück zur Übersicht](/ki-systeme/index.md) # MUCGPT MUCGPT ist das KI-Werkzeug für die Stadtverwaltung München, das Mitarbeiter\*innen sicher und konform die Arbeit mit generativen KI-Modellen ermöglicht. *** Diese Dokumentation fasst die wichtigsten Funktionen und Limitierungen von MUCGPT zusammen. MUCGPT ist Open Source, kann als Container betrieben werden und lässt sich an beliebige OpenAI‑kompatible KI-Modellanbieter anbinden. ![Startseite von MUCGPT mit Schnellzugriff auf Assistenten, zuletzt genutzte Chats und Tutorials](/img/mucgpt/startpage.png) ## Einführung und Kontext MUCGPT ist eine Assistenz‑zuerst‑Plattform für die Arbeit mit großen Sprachmodellen. Chats sind der Ort, an dem gearbeitet wird; Assistenten bringen Struktur, damit wiederkehrende Aufgaben schneller und zuverlässiger erledigt werden können. Die Historie bleibt lokal im Browser (IndexedDB), vergangene Gespräche können fortgesetzt und favorisiert werden. ## Funktionen MUCGPT unterstützt eine Vielzahl von Anwendungsfällen rund um Textbearbeitung, Ideation und Zusammenarbeit. Die wichtigsten Bereiche im Überblick: ### Chat ![Chatansicht mit Unterhaltung und Einstellmöglichkeiten](/img/mucgpt/chatscreen.png) Der Chat bietet einen klaren Arbeitsbereich zur Interaktion mit dem Sprachmodell. * System‑Anweisung und Temperatur lassen sich konfigurieren, um Tonalität und Kreativität zu steuern. * Mehrstufige Konversationen werden unterstützt; der Verlauf bleibt lokal im Browser. ### Assistenten erstellen ![Assistenten‑Erstellung mit Konfiguration von Verhalten, Vorgaben und Startprompts](/img/mucgpt/assistant_creator.png) Assistenten kodifizieren wiederkehrende Arbeitsweisen: Instruktionen, Ton, Randbedingungen und Modelleinstellungen. Optional können Startprompts, Folgeaktionen und Tools hinterlegt werden. Private Assistenten bleiben privat; Sie entscheiden, wann Sie teilen. ### Assistenten teilen ![Dialog zum Teilen von Assistenten mit Teams oder Bereichen](/img/mucgpt/share_assistants.png) Assistenten können mit ausgewählten Teams oder breiter veröffentlicht werden. Eigentümerschaft, Gültigkeitsbereich und Konfiguration sind transparent, damit Kolleg\*innen verstehen, was ein Assistent leistet. ### Erweiterbare Tools ![Übersicht verfügbarer Tools](/img/mucgpt/tools.png) Assistenten können eingebaute und erweiterbare Tools nutzen, zum Beispiel: * Zusammenfassen: Lange Texte kondensieren. * Brainstorming: Mindmaps generieren und exportieren. * Leichte Sprache: Komplexe Texte vereinfachen. Die Plattform ist so ausgelegt, dass weitere Tools je nach Bedarf ergänzt werden können. ### Startseite ![Startseite mit Assistenten im Fokus](/img/mucgpt/startpage.png) Die neue Startseite fokussiert sich auf Assistenten und bietet einen schnellen Einstieg in den Chat. ### Modellauswahl ![Auswahl verfügbarer Modelle und Kreativitätsstufen](/img/mucgpt/models.png) Verfügbare Modelle können ausgewählt und die Kreativität passend zur Aufgabe eingestellt werden. Die Auswahl ist für Nutzer\*innen transparent. ### Tutorials ![Angeleitete Beispiele und Tipps](/img/mucgpt/tutorials.png) Geführte Beispiele und Tipps helfen beim schnellen Einstieg und fördern gute Nutzungsmuster. ### Dark Mode und Internationalisierung ![Dark Mode und i18n in der Oberfläche](/img/mucgpt/darkmode_i18n.png) Barrierearme Oberfläche mit Dark Mode und Unterstützung für mehrere Sprachen. ### Allgemeine Ausgabeformate Generierte Inhalte werden korrekt dargestellt, unter anderem: * Markdown * PLAIN HTML * Mermaid‑Diagramme in Markdown‑Codeblöcken * Mathematische Formeln (LaTeX, `$$ ... $$`) ## KI-Modelle MUCGPT greift auf große Sprachmodelle zu. Diese wurden nicht mit städtischen Daten trainiert und besitzen daher nur öffentliches/allgemeines Wissen. Welche Modelle zur Auswahl stehen, wird zentral konfiguriert; grundsätzlich können beliebige OpenAI‑kompatible Modelle angebunden werden. Aktuelle Modelle umfassen u.a.: * die GPT-4.1 Modellfamilie von OpenAI * Mistral-Large-3 von Mistral AI ## Risiken und Limitierungen Obwohl die MUCGPT viele Vorteile bietet, gibt es auch einige Risiken und Limitierungen: * **Bias in den Daten**: Die KI-Modelle können Vorurteile aus den Trainingsdaten übernehmen. * **Sprachliche Beschränkungen**: Die Qualität der Antworten kann je nach Sprache, ausgewähltem Sprachmodell und Formulierung der Anfrage variieren. * **Datenschutz**: Es dürfen keine personenbezogenen Daten eingegeben werden, solange Cloud‑Modelle eingesetzt werden. Interne Daten sind erlaubt. * **Entscheidungsfindung**: MUCGPT darf nicht für abschließende Entscheidungen verwendet werden, die gegenüber Personen rechtliche Wirkung entfalten oder sie in ähnlicher Weise erheblich beeinträchtigen (Art. 22 Abs. 1 DSGVO). Derartige Entscheidungen müssen stets von Menschen getroffen werden. ## Technische Architektur MUCGPT folgt einer schlanken Microservices‑Architektur: * Frontend (React) als Benutzeroberfläche * API‑Gateway als Eintrittspunkt mit Authentifizierung (SSO via Keycloak) * Core‑Service (FastAPI + LangGraph) für LLM‑Orchestrierung und Tools * Assistant‑Service (FastAPI + PostgreSQL) für Assistenten‑Konfiguration und Freigaben * Optional: Langfuse für Observability, Kreuzberg als Parser für Dokumente ![Architekturübersicht von MUCGPT](/img/mucgpt/architecture.png){.light-only} ![Architekturübersicht von MUCGPT (Dark)](/img/mucgpt/architecture-dark.png){.dark-only} Weiterführende Details: Architekturüberblick im MUCGPT‑Repository *** [mdi-arrow-left Zurück zur Übersicht](/ki-systeme/index.md) --- --- url: /datensaetze/munich-public-services.md --- [mdi-arrow-left Zurück zur Übersicht](/datensaetze/index.md#liste-der-datensatze) # Münchner Verwaltungs-Dienstleistungen Dieser Datensatz enthält Informationen über die von der Landeshauptstadt München angebotenen Dienstleistungen in Form von schriftlichen Artikeln, zugehörigen Metadaten sowie Einbettungen. ## Vorschau [**zum Datensatz**](https://huggingface.co/datasets/it-at-m/munich-public-services) ## Datensatzdetails ### Datensatzbeschreibung Der Datensatz "Münchner Verwaltungs-Dienstleistungen" enthält etwa 1.400 Artikel über verschiedene öffentliche Dienstleistungen der Landeshauptstadt München. Neben dem Inhalt der Artikel enthält der Datensatz auch Metadaten wie die Sprache des Artikels, das Datum der letzten Änderung und die mit dem Artikel verbundenen Schlüsselwörter. Der Datensatz enthält auch Einbettungsvektoren, die aus jedem Artikel berechnet wurden und für Retrieval oder andere Methoden im Bereich der Textverarbeitung verwendet werden können. * **Kuratiert von:** Landeshauptstadt München, it@M, KI-Entwicklung & -Services (KIES) * **Sprachen:** Deutsch, Englisch * **Lizenz:** MIT ### Datenquellen * **KI-Dokumentation der Landeshauptstadt München:** [ki.muenchen.de](https://ki.muenchen.de/) * **Datensatz-Quellwebseiten:** [Münchner Verwaltungs-Dienstleistungen](https://stadt.muenchen.de/service/en-GB/) ## Verwendungszwecke ### Direkte Nutzung Der Datensatz kann verwendet werden, um Informationen über die öffentlichen Dienstleistungen der Landeshauptstadt München bereitzustellen. Dies ist besonders nützlich für KI-basierte Suchsysteme oder das Anreichern großer Sprachmodelle im Kontext öffentlicher Dienstleistungen. Die Daten können auch verwendet werden, um Muster oder Trends in den von der Landeshauptstadt München angebotenen öffentlichen Dienstleistungen zu analysieren. ### Nicht geeignete Nutzung Der Datensatz sollte nicht für andere Zwecke als den vorgesehenen Verwendungszweck der Bereitstellung von Informationen über die öffentlichen Dienstleistungen der Landeshauptstadt München verwendet werden. Dies gilt auch für andere Städte oder Regierungsstellen, da die Informationen spezifisch für München sind. Der Datensatz sollte nicht für böswillige Zwecke wie Desinformation oder die Erstellung von Fake News verwendet werden. Auch die Verwendung des Datensatzes als Eingabe für ein LLM zur Erstellung weiterer "Fake"-Artikel sollte unterlassen werden. ## Datenstruktur Der Datensatz besteht aus den folgenden Feldern: | Feld | Typ | Beschreibung | | ------------------ | ----------------- | --------------------------------------------------------------------------------------------------------------------------------------------------------------------- | | `id` | int | Die eindeutige ID des Artikels. | | `name` | string | Der Titel des Artikels. | | `content` | string | Der vollständige Textinhalt des Artikels, formatiert in Markdown. | | `language` | string | Die Sprache des Artikels, entweder Deutsch (`de`) oder Englisch (`en`). | | `description` | string | Eine kurze Beschreibung des Artikelinhalts mit einer maximalen Länge von x Zeichen, formatiert in HTML. | | `source` | string | Link zur Quellwebseite des Artikels. | | `public` | bool | Wahrheitswert, der angibt, ob der Artikel öffentlich ist oder nicht, immer `True`. | | `lastModification` | timestamp | Zeitstempel der letzten Änderung des Artikels in UTC. | | `keywords` | sequence \[string] | Eine Liste von Schlüsselwörtern, die mit dem Artikel verbunden sind; die Schlüsselwörter können auf Deutsch oder Englisch sein. | | `embedding` | sequence \[float] | Ein 3072-dimensionaler Einbettungsvektor, der aus dem Artikelinhalt berechnet wurde, unter Verwendung von OpenAI's [`text-embedding-3-large`][openai-link] KI-Modell. | ## Datensatz-Erstellung ### Kurationsgrund Der Datensatz wurde als Nebenprodukt eines Projekts zur Bereitstellung eines besseren Informationsabrufsystems für die öffentlichen Dienstleistungen der Landeshauptstadt München erstellt. Der Datensatz wird regelmäßig aktualisiert, um neue Artikel aufzunehmen und die Einbettungen zu aktualisieren. ### Quelldaten Der Datensatz stammt von der Website der öffentlichen Dienstleistungen der Landeshauptstadt München und dem zugrunde liegenden CMS. Alle Artikel wurden von Mitarbeitenden der Landeshauptstadt München geschrieben. #### Datensammlung und -verarbeitung Die Daten wurden durch Abfragen einer internen API des CMS der Landeshauptstadt München gesammelt. Die Daten wurden dann weiterverarbeitet, um die Metadaten und den Inhalt der Artikel zu extrahieren. Der Artikelinhalt wurde mit der [markdownify](https://pypi.org/project/markdownify/) Bibliothek von HTML in Markdown umgewandelt. Die Einbettungen wurden mit dem [`text-embedding-3-large`][openai-link] Modell von OpenAI generiert. #### Wer sind die Ersteller der Quelldaten? Die Ersteller der Quelldaten sind die Mitarbeitenden der Landeshauptstadt München, die die Artikel geschrieben haben, es gibt keine Zuordnung zu einzelnen Autor\*innen. Die Mitarbeitenden sind eine vielfältige Gruppe von Menschen, die in der Stadtverwaltung arbeiten und über spezielles Wissen über die öffentlichen Dienstleistungen ihrer jeweiligen Referaten und Fähigkeiten im Verfassen verständlicher Artikel verfügen. #### Persönliche und sensible Informationen Der Datensatz enthält keine persönlichen oder sensiblen Informationen. ## Verzerrungen, Risiken und Einschränkungen Der bereitgestellte Datensatz ist nur ein Teil aller öffentlichen Dienstleistungen der Landeshauptstadt München. Darüber hinaus können die Daten Verzerrungen in Form von * der in den Artikeln verwendeten Sprache (sogenanntes "Beamtendeutsch") * der Qualität und Informationsfülle der Artikel * der Anzahl der Artikel zu einem Thema * und den mit den Artikeln verbundenen Schlüsselwörtern enthalten. Dies kann zu Verzerrungen in den Einbettungen und dem auf dem Datensatz aufgebauten Systeme führen ### Empfehlungen Um die Verzerrungen im Datensatz zu mindern, wird empfohlen, den Datensatz in Kombination mit anderen Informationsquellen zu verwenden. Ein weiterer Ansatz besteht darin, den Datensatz mit einem benutzerdefinierten Evaluationsset zu bewerten, um Verzerrungen für den spezifischen Anwendungsfall zu identifizieren und zu mindern. ## Glossar * **Retrieval:** Abruf von Informationen aus einem Datensatz. * **NLP:** Natural Language Processing, Verarbeitung natürlicher Sprache. * **Embedding:** Einbettung, eine Darstellung von Text in Form von Vektoren. * **LLM:** Large Language Model, großes Sprachmodell. * **Desinformation:** Verbreitung falscher oder irreführender Informationen. ## Autor\*innen der Dataset Card Fabian Reinold – Landeshauptstadt München, it@M, KI-Entwicklung & -Services (KIES) ## Kontakt für die Dataset Card Bei Fragen zum Datensatz kontaktieren Sie uns bitte [per Mail](mailto:ki@muenchen.de). *** [mdi-arrow-left Zurück zur Übersicht](/datensaetze/index.md#liste-der-datensatze) [openai-link]: https://platform.openai.com/docs/guides/embeddings/#embedding-models --- --- url: /ki-systeme/riski.md description: >- Durchsuche das Ratsinformationssystem (RIS) mit Hilfe von KI. Verbessert die Auffindbarkeit von Stadtratsinformationen durch eine intelligente Suchfunktion. --- [mdi-arrow-left Zurück zur Übersicht](/ki-systeme/index.md) # RIS KI-Suche (Beta-Version) Die KI-Suche im [Ratsinformationssystem](https://risi.muenchen.de/) (RIS) hilft dabei, relevante Beschlüsse und Dokumente zu finden. Diese KI-basierte Suche ergänzt die bestehende Schlagwortsuche im RIS, indem sie den Inhalt der Suchanfragen und Dokumente versteht und passende Ergebnisse liefert. Die aktuell verfügbare Beta-Version, hilft vor allem dabei inhaltlich passende Informationen zu finden. Quantitative Auswertungen werden im aktuellen System noch nicht abgebildet. Mehr dazu im Abschnitt [Risiken und Limitierungen](#risiken-und-limitierungen) ![Screenshot von riski.muenchen.de](/img/riski/riski_screenshot.png) ## Einführung und Kontext Die KI-Suche im Ratsinformationssystem wurde entwickelt, damit Bürger\*innen und Mitarbeitenden der Stadt München natürlicher an Informationen zur Arbeit der Verwaltung, des Stadtrates und der Bezirksausschüsse der Landeshauptstadt München gelangen. Der Auftrag zur Umsetzung dieser Funktionalität wurde im Stadtratsbeschluss „[V 14682 KI-Roadmap (S.6, I. 2. 3.)](https://risi.muenchen.de/risi/sitzungsvorlage/detail/8656056)“ festgelegt. ## Datengrundlage In der aktuellen Beta-Version stehen unter anderem folgende Dokumente der KI als Daten aus der **Wahlperiode März 2020 bis März 2026** zur Verfügung: * Stadtratsanträge * Beschlussvorlagen * Beschlüsse Dafür werden bei der Datensammlung für alle Stadtratssitzungen, -anträge und -sitzungsvorlagen aus dem Zielzeitraum alle zugehörigen Dokumente zusammengetragen und mithilfe von OCR (Optical Character Recognition) und [Mistral Document AI](#mistral-document-ai) die Texte daraus extrahiert. Diese jetzt vorhandenen Texte werden für die Weiterverwendung für die KI optimiert. Aktuell noch **nicht** enthalten sind Informationen und Dokumente zu: * Referent\*innen * Stadtratssitzungen und Ausschusssitzungen * Protokolle * Stadtratsmitglieder * Fraktionen * Informationen über die Legislaturperiode * Informationen über die Tagesordnungspunkte * Zugehörigkeiten von Stadtratsmitglieder zu Fraktionen und Ausschüssen * Weitere Gremien ## Funktionsweise Die KI-Suche im RIS ist ein agentenbasiertes System, das in mehreren Schritten relevante Beschlüsse und Dokumente im RIS findet. ### Übersicht über den RIS-Agenten Das folgende Diagramm gibt einen Überblick über das Verhalten des Agenten: ![Darstellung der Funktionsweise von RAG](/img/riski/riski_agent.png){.light-only} ![Darstellung der Funktionsweise von RAG](/img/riski/riski_agent_dark.png){.dark-only} Ein roter Punkt kennzeichnet dabei Aktionen, die mithilfe von KI-Modellen durchgeführt werden. Dabei passiert folgendes: 1. Der User stellt eine **Anfrage** 2. **Werkzeugauswahl**: Das [Große Sprachmodell](#großes-sprachmodell-llm) entscheidet, ob eines der Werkzeuge (in gelb) die Frage beantworten kann. Sonst wird mit Schritt 6 fortgefahren. 3. **Informationsbeschaffung**: Falls eine Frage zu den Fähigkeiten des Systems gestellt wird, wird eine Information dazu ausgegeben. Ansonsten wird die Suchanfrage an das RAG-Werkzeug weitergegeben. Dabei wird unter Umständen die ursprüngliche Frage umformuliert. * Das RAG-Werkzeug sucht in der Datengrundlage mithilfe einer semantischen Suche die 10 relevantesten Dokumente. * Zu diesen werden alle zugehörigen Anträge gesucht. * Das Ergebnis wird an den Agenten zurückgegeben. 4. **Überprüfung der Information**: Die gefundenen Dokumente werden nochmal einzeln mithilfe des LLMs auf Relevanz überprüft. Dafür wird jeweils eine kurze Begründung erzeugt. Falls keine relevanten Dokumente übrig bleiben, wird mit Schritt 6 fortgefahren. 5. **Antwortgenerierung**: Die ursprüngliche Frage wird auf Basis der nun als relevant ermittelten Dokumente vom Sprachmodell beantwortet. Die gefundenen Dokumente und Anträge werden separat angezeigt. 6. Mithilfe des LLMs werden **alternative Suchvorschläge** generiert, unter Berücksichtigung der Datengrundlage und Limitierungen des Systems. ## Verwendete KI-Modelle Die im Folgenden verwendeten KI-Modelle sind modular und austauschbar. ### Embedding-Modell Embeddings/Texteinbettungen messen die Verwandtschaft von Textstrings. In dieser Anwendung werden sie genutzt, um relevante Dokumente zu einer Suchanfrage zu finden. Dafür werden die Texte der Dokumente in Embedding-Vektoren umgewandelt. Das System nutzt dafür das Embedding-Modell "text-embeddings-3-large" von OpenAI. [Mehr Informationen zum Modell](https://platform.openai.com/docs/guides/embeddings/embedding-models) ### Großes Sprachmodell (LLM) Das große Sprachmodell "gpt-4.1" von OpenAI wird zur Generierung der Nutzerantworten genutzt. [Mehr Informationen zum Modell](https://openai.com/index/gpt-4-1/) ### Mistral Document AI Das Modell "mistral-document-ai" ist eine von Mistral AI entwickelte, multimodale Plattform und API für die automatisierte Dokumentenverarbeitung, um unstrukturierte Dokumente (PDFs, Bilder, Scans) in strukturierte Daten umzuwandeln. [Mehr Informationen zum Modell](https://mistral.ai/solutions/document-ai) ## Risiken und Limitierungen Obwohl die KI-Suche viele Vorteile bietet, gibt es auch einige Risiken und Limitierungen. Diese teilen sich im Folgenden auf **allgemeine Risiken und Limitierungen beim Einsatz von KI** und **spezifische Einschränkungen der RIS KI-Suche (Beta-Version)** auf. ### Allgemeine Risiken und Limitierungen beim Einsatz von KI * **Bias in den Daten**: KI-Modelle können Vorurteile aus den Trainingsdaten übernehmen. * **Sprachliche Beschränkungen**: Die Qualität der Antworten kann je nach Sprache und Formulierung der Anfrage variieren. * **Datenschutz**: Es dürfen keine personenbezogenen Daten eingegeben werden. ### Spezifische Einschränkungen der RIS KI-Suche (Beta-Version) Folgende Arten von Anfragen werden aktuell **keine** oder **keine guten** Ergebnisse liefern. Die Gründe für die Limitationen sind die Datengrundlage, die aktuelle technische Architektur und bewusst gewählte moderative Restriktionen. Dies umfasst folgende Themen (nicht abschließend): * **Zeitliche Entwicklungen & Verläufe** ("Wie viele Anträge gab es 2025 zum Thema Digitalisierung?") * **Deskriptive Statistik & Mengenabfragen** ("Welche Partei hat die meisten Anträge zu einem Thema gestellt?") * **Akteurs- & Parteienanalyse** ("Wie teilen sich die Anträge zur Digitalisierung 2025 auf die Fraktionen auf?") * **Prozess- & Verfahrensanalyse** ("Gibt es Unterschiede in der Behandlungsdauer je nach Gremium?") * **Zuordnungen** ("Welche Stadtratsmitglieder gehören zu welcher Partei oder Fraktion?") * **Bewertungen** ("Welche Fraktion macht die beste Arbeit?") ## Verwendete Softwarestandards * [AG-UI](https://docs.ag-ui.com/introduction) Frontend Kommunikation * Datenschema nach [OPARL](https://oparl.org/spezifikation/online-ansicht/#schema) ## Weitere Entwicklung Wir haben die RIS KI-Suche bewusst in einer frühen Beta Version veröffentlicht und arbeiten aktiv an einer Weiterentwicklung des Systems. Insbesondere was die aktuellen Limitationen angeht. Daher sind wir sehr interessiert an Feedback und Rückmeldungen zur aktuellen Beta-Version. Stellt die KI-Suche eine Verbesserung gegenüber der aktuellen Suche im RIS dar? Wofür nutzen Sie die KI-Suche? Welche Erfahrungen haben Sie gemacht? Schreiben Sie uns gerne eine Nachricht an ki@muenchen.de [mdi-arrow-left Zurück zur Übersicht](/ki-systeme/index.md) --- --- url: /ki-systeme/plausibilisierung-verkehrsdaten.md description: >- Dieses System nutzt Machine Learning zur automatisierten Plausibilisierung von Verkehrsdaten, um die Qualität städtischer Mobilitätsinformationen sicherzustellen. --- [mdi-arrow-left Zurück zur Übersicht](/ki-systeme/index.md) # Verkehrsdaten-Plausibilisierung Dieses System nutzt Machine Learning zur automatisierten Plausibilisierung von Verkehrsdaten, um die Qualität städtischer Mobilitätsinformationen sicherzustellen. *** Verkehrsdaten sind für Planung, Wissenschaft, Verwaltung, Politik und Bevölkerung von großem Interesse und unerlässlich für regionale und städtische Verkehrsprojekte sowie zur Bewertung von bspw. Klimaschutzmaßnahmen. Um qualitativ hochwertige Verkehrsinformationen zu gewährleisten, müssen die Daten regelmäßig auf Störungen (z.B. Beschädigung, Fehler bei der Datenübertragung) und besondere Verkehrssituationen (z.B. Unfall, Stau) geprüft werden. Aufgrund der großen Datenmengen ist ein automatisiertes Verfahren zur Plausibilisierung notwendig. ## Datengrundlage ### Standorte der Messstellen in München In München sind etwa 100 Messstellen zur Erfassung des Kfz-Verkehrs mittels Induktionsschleifen installiert. Diese erfassen die Anzahl und Art der Fahrzeuge in 15-Minuten-Intervallen. Die Daten müssen regelmäßig auf Störungen und besondere Verkehrssituationen geprüft werden, um qualitativ hochwertige Verkehrsinformationen zu gewährleisten. ![Karte der Messtellen in München](/img/plausibilisierung-verkehrsdaten/karte_messstellen_muenchen.png) ### Bilder der Sensorik ![Aufbau eines Detektors](/img/plausibilisierung-verkehrsdaten/detektor.png) ![Induktionsschleifen im Straßenbelag](/img/plausibilisierung-verkehrsdaten/strasse.png) ### Ganglinien der Detektoren einer Messtelle Beispielhafte Ganglinie einer Messtelle mit 4 Fahrstreifen/Detektoren. ![Ganglinien eines Detektors](/img/plausibilisierung-verkehrsdaten/ganglinie-beispiel.png) ## Funktionsweise ### Überprüfung der Sensordaten Die Daten jedes Detektors werden einmal täglich auf Auffälligkeiten überprüft. Dazu werden zwei Prüfmechanismen verwendet: * *Nullwertregel*: Durch die Festlegung von Schwellenwerten für die pro Tag zulässigen Nullwerte, basierend auf dem durchschnittlichen Verkehrsaufkommen des Sensors, werden Komplettausfälle erkannt. Sensoren, die diese Schwellenwerte überschreiten, werden als auffällig gekennzeichnet. * *Intervallregel*: Für jeden Detektor wird täglich ein Machine-Learning-Modell trainiert, das ein Intervall für den typischen Verkehrsverlauf des Tages prognostiziert. Messwerte, die außerhalb dieses Intervalls liegen, werden gezählt, und Sensoren, die einen festgelegten Grenzwert überschreiten, werden als auffällig gekennzeichnet. **Beispiel** ![Veranschaulichung des Algorithmus](/img/plausibilisierung-verkehrsdaten/output-konfidenzintervall.png) ### Ergebnisse der Datenprüfung Auffällige Daten werden speziell markiert, wenn sie signifikant vom durchschnittlichen Verkehrsaufkommen abweichen. Diese markierten Daten können anschließend ausgeschlossen werden, um die Datenqualität und Genauigkeit der Datenanalyse zu verbessern. ### Visualisierung durch Dashboards Die Überprüfungsfunktion des Modells erstellt Dashboards, um den Fachbereichen detaillierte Einblicke in die Häufigkeit von Auffälligkeiten zu geben. So können auffällige Sensoren schnell erkannt und Ursachen für Abweichungen gründlich untersucht werden. ## Evaluation Die Plausibilisierungs-Komponente wurde mithilfe des Fachbereichs getestet und evaluiert. Die Genauigkeit des Algorithmus ist schwer exakt zu bestimmen, da neben den Sensorzählungen keine vergleichbaren alternativen Zählungen existieren. ### Beispiel Datensatz | datetime | 4001011 | 4001012 | 4001013 | 4001014 | | ------------------- | ------- | ------- | ------- | ------- | | 2016-01-01 00:00:00 | 8 | 9 | 10 | 3 | | 2016-01-01 00:15:00 | 7 | 20 | 5 | 3 | | 2016-01-01 00:30:00 | 14 | 19 | 11 | 10 | | 2016-01-01 00:45:00 | 21 | 33 | 12 | 20 | | 2016-01-01 01:00:00 | 21 | 21 | 21 | 12 | | 2016-01-01 01:15:00 | 28 | 42 | 33 | 34 | | 2016-01-01 01:30:00 | 27 | 34 | 24 | 20 | | 2016-01-01 01:45:00 | 33 | 30 | 24 | 32 | ## Risiken und Limitierungen Obwohl der Plausibilisierungsservice viele Vorteile bietet, können Fehler des Systems nicht gänzlich ausgeschlossen werden. Da es nur sehr begrenzte manuelle Vergleichszählungen gibt, konnte der Algorithmus nicht mit einem typischen Testdatensatz evaluiert werden. *** [mdi-arrow-left Zurück zur Übersicht](/ki-systeme/index.md) --- --- url: /ki-systeme/zammad-ai.md description: >- Ein mit GenAI betriebener Agent für Zammad. Erweitert den Helpdesk um KI-gestützte Ticketverarbeitung und intelligente Antwortvorschläge. --- # Zammad-AI Ein mit GenAI betriebener Agent für Zammad. Erweitert den Helpdesk um KI-gestützte Ticketverarbeitung und intelligente Antwortvorschläge. *** Zammad-AI erweitert das Ticketsystem Zammad um einen KI-gestützten Agenten. Ziel ist es, Helpdesk-Teams bei der Bearbeitung von Anfragen zu unterstützen: Tickets werden schneller verstanden, sinnvoll vorsortiert und mit passenden Antwortvorschlägen versehen. Dabei bleibt die Verantwortung für Inhalte und Entscheidungen immer bei den Mitarbeitenden. Weiterführende Informationen zur Lösung selbst finden sich in der [Zammad-AI-Dokumentation](https://it-at-m.github.io/zammad-ai). Zammad-AI ist als eigenständige Komponente konzipiert. Die Integration erfolgt über klar definierte Schnittstellen, sodass Zammad selbst möglichst unverändert bleibt und Zammad-AI unabhängig weiterentwickelt werden kann. ## Welche Probleme Zammad-AI adressiert Im Alltag eines Helpdesks entstehen mehrere wiederkehrende Herausforderungen: * Viele Anfragen ähneln sich inhaltlich, müssen aber jeweils individuell beantwortet werden. * Tickets müssen schnell eingeschätzt, kategorisiert und an die richtigen Zuständigen weitergeleitet werden. * Inhalte sind oft komplex formuliert oder unvollständig, was die Bearbeitung verzögert. * Relevante Informationen aus Wissensdatenbanken, FAQ oder Dokumentation müssen für jede Antwort neu gesucht werden. Zammad-AI unterstützt hier: * hilft bei der **Vorsortierung und Einschätzung** von Tickets, * schlägt **Antwortentwürfe** vor, die geprüft und angepasst werden können, * nutzt angebundene Wissensquellen für **kontextbezogene Antworten**, * vereinfacht oder strukturiert Text, damit Rückmeldungen leichter verständlich sind. Ziel ist eine schnellere, konsistentere Bearbeitung von Tickets, nicht die vollständige Automatisierung. Fachliche Bewertung und Freigabe bleiben beim Menschen. ## Funktionen im Überblick Zammad-AI bringt insbesondere folgende Fähigkeiten mit: * **KI-gestützte Ticketverarbeitung**: Inhalte von Tickets werden analysiert, Schwerpunkte erkannt und Hinweise für Priorität und Kategorie abgeleitet. * **Antwortvorschläge**: Für typische Anfragen können textliche Vorschläge erstellt werden, die das Helpdesk-Team weiterverarbeitet. * **Konfigurierbare Arbeitsweise**: Zammad-AI lässt sich an unterschiedliche Einsatzszenarien, Organisationen und Workflows anpassen. * **Erweiterbarkeit**: Projektteams können Zammad-AI um eigene Logik und Regeln ergänzen, etwa für spezielle Routing- oder Automationsanforderungen. ## Einbindung in Zammad Zammad-AI ist bewusst als separate Komponente neben Zammad umgesetzt. Das hat mehrere Vorteile: * Zammad bleibt das führende System für Ticketbearbeitung und Benutzeroberfläche. * GenAI-Funktionen können unabhängig von Zammad-Releasezyklen weiterentwickelt werden. * Organisationen können eigene Regeln für Ticket-Triage, Antwortgenerierung und Wissensabruf umsetzen. Für Mitarbeitende zeigt sich die Integration vor allem darin, dass in Zammad zusätzliche Vorschläge zur Ticketverarbeitung und Antwortformulierung zur Verfügung stehen. Diese Vorschläge sind klar als KI-Unterstützung erkennbar und müssen vor der Nutzung geprüft werden. ## Erweiterbarkeit und Projektkontext Zammad bietet seit [Version 7 eigene KI-Funktionen](https://zammad.com/de/produkt/kuenstliche-intelligenz), die in der [Zammad-Dokumentation zu AI Features](https://user-docs.zammad.org/en/pre-release/extras/ai-features.html) beschrieben sind. Zammad-AI verfolgt dazu einen ergänzenden Ansatz: Es dient als kontrollierbare Integrations- und Orchestrierungsschicht für GenAI-Workflows rund um Zammad. Damit können z.B. projekt- oder organisationsspezifische: * Triage-Logiken, * Automationsregeln, * Wissensabruf-Pfade umgesetzt werden, ohne Zammad selbst verändern zu müssen. Zammad-AI kann außerdem an weitere Systeme angebunden werden, die rund um das Helpdesk angesiedelt sind. ## Risiken und Limitierungen Wie andere KI-Systeme hat auch Zammad-AI Grenzen, die beachtet werden müssen: * **Fehlerhafte oder unvollständige Antworten**: KI-Vorschläge können falsch oder missverständlich sein. Jede Antwort muss fachlich geprüft werden. * **Bias und Trainingsdaten**: Die zugrunde liegenden Modelle können Vorurteile aus ihren Trainingsdaten enthalten. Vorschläge sind kritisch zu bewerten. * **Sprachliche und inhaltliche Beschränkungen**: Die Qualität hängt von Formulierung, Sprache und Kontext ab; komplexe Fälle erfordern weiterhin sorgfältige menschliche Bearbeitung. * **Datenschutz und Verantwortlichkeit**: Personenbezogene Daten dürfen nur im Rahmen der geltenden Vorgaben verarbeitet werden. Rechtlich oder sachlich wirksame Entscheidungen müssen weiterhin von Menschen getroffen werden. Zammad-AI ist als Unterstützungssystem konzipiert. Es ersetzt keine fachliche Prüfung durch Mitarbeitende. *** [mdi-arrow-left Zurück zur Übersicht](/ki-systeme/index.md)