Lokale KI mit Patentwissen – konkret, offline, nachvollziehbar.
Hier zeigen wir Schritt für Schritt, wie vertrauliche Patentarbeit vollständig lokal und getrennt vom Internet funktioniert: eine lokale KI (über LM Studio oder Ollama), gefüttert mit frei verfügbaren Patentdaten von GitHub – ohne dass eine einzige vertrauliche Zeile das Gerät verlässt. Und wir sagen ehrlich, was dafür online sein muss und was nicht.
Die Grundidee in einem Bild
Zwei Ebenen, die bewusst getrennt sind. Die eine darf online, die andere nie:
Der Kern in einem Satz
Öffentliche Daten dürfen (und sollten) online geholt werden, weil sie ohnehin veröffentlicht sind. Ihre eigene, unveröffentlichte Erfindung wird ausschließlich auf einem lokalen Rechner verarbeitet – die dafür nötige KI läuft dort ebenfalls lokal.
Braucht man überhaupt Online-Zugriff? Ehrliche Antwort je Funktion
Sehr berechtigte Frage. Die Antwort ist unterschiedlich – und genau diese Trennung ist der Trick:
| Funktion | Online nötig? | Warum | Was NICHT nach außen geht |
|---|---|---|---|
| Monitoring & Newsticker | Ja | Um die neuesten öffentlichen Patente zu finden, muss man die amtlichen Quellen abfragen. | Es werden nur öffentliche Daten geladen – nichts Eigenes hochgeladen. |
| Drafting-Assistent | Nein | Läuft komplett offline auf lokaler KI. Man kann das Netzkabel ziehen – es funktioniert weiter. | Die Erfindung verlässt das Gerät physisch nie. |
| Benachrichtigungen (E-Mail/Teams) | Nur ausgehend | Reine Zustellung „es gibt ein neues relevantes öffentliches Patent". | Kein vertraulicher Inhalt; alternativ nur lokales Dashboard. |
Kurz gesagt
Vertrauliches braucht nie Internet. Öffentliches profitiert von Internet (Aktualität). Beides läuft im selben System, aber über getrennte Wege.
Lokale KI in 5 Schritten
So bringt man frei verfügbare Patentdaten in eine lokale, lauffähige KI. Zwei Wege sind besonders einsteigerfreundlich: LM Studio (grafische App, ideal zum Ausprobieren) und Ollama (schlankes Kommandozeilen-Tool, ideal zum Einbinden). Beide starten eine lokale KI mit einem API-Endpunkt auf dem eigenen Rechner.
Schritt 1 · Lokales Sprachmodell (LLM) installieren
Entweder LM Studio herunterladen und ein Modell per Klick laden – oder Ollama installieren und im Terminal starten:
ollama run qwen2.5 # lädt das Modell und startet eine lokale KI unter http://localhost:11434
Beide stellen einen OpenAI-kompatiblen Endpunkt bereit (Ollama: localhost:11434, LM Studio: localhost:1234). Das ist die Schnittstelle, über die später die Software mit der KI spricht – rein lokal.
Schritt 2 · Passendes Modell wählen
- Kleine Hardware (Laptop, 8–16 GB RAM): Llama 3.1 8B, Qwen2.5 7B oder Mistral 7B
- Workstation mit GPU: Qwen2.5 14B/32B oder Llama 3.1 70B für bessere Qualität
- Alle laufen offline. Größer = klüger, aber langsamer und speicherhungriger.
Schritt 3 · Offene Patentdaten von GitHub beschaffen
Die frei verfügbaren Patentdaten einmalig herunterladen und lokal ablegen:
- google/patents-public-data – Notebooks, Embeddings & BigQuery-Zugänge
- suzgunmirac/hupd bzw. HUPD auf Hugging Face – 4,5 Mio. Anmeldungen, ML-fertig
Für den vertraulichen Teil kommen zusätzlich Ihre eigenen Dokumente (Alt-Anmeldungen, Normen) dazu – die bleiben natürlich lokal.
Schritt 4 · Wissensbasis bauen (RAG)
Die Patenttexte werden in Embeddings (Zahlen-Vektoren) umgewandelt und in einer lokalen Vektor-Datenbank gespeichert (z. B. Chroma oder Qdrant). So findet die KI später in Millisekunden die passenden Dokumente – und antwortet belegt, statt zu raten. Vereinfachtes Beispiel:
# lokal, ohne Internet – Embeddings erzeugen und speichern
from sentence_transformers import SentenceTransformer
import chromadb
model = SentenceTransformer("all-MiniLM-L6-v2") # laeuft lokal
db = chromadb.PersistentClient(path="./patent-index") # lokale Vektor-DB
coll = db.get_or_create_collection("patente")
for doc in patentdokumente: # Ihre + oeffentliche Daten
vektor = model.encode(doc["text"])
coll.add(ids=[doc["id"]], embeddings=[vektor], documents=[doc["text"]])
Schritt 5 · Software an die lokale KI anbinden
Jetzt greift alles ineinander: Die Anwendung nimmt die Nutzereingabe, holt passende Dokumente aus der Vektor-DB und schickt beides als Prompt an den lokalen KI-Endpunkt. Es geht kein Paket ins Internet:
# Anfrage an die lokale KI (Ollama), rein auf dem eigenen Rechner
curl http://localhost:11434/api/generate -d '{
"model": "qwen2.5",
"prompt": "Fasse Anspruch 1 dieser Erfindung strukturiert zusammen: ..."
}'
Dieselbe lokale Adresse nutzt auch LM Studio (Port 1234). Ob Kommandozeile, Skript oder eine App mit Oberfläche – sie alle sprechen nur mit localhost.
„Baut ihr dann eine eigene Software?" – Ja, und zwar genau die Klammer
Die lokale KI (LM Studio/Ollama) und die Vektor-DB sind fertige Bausteine. Was PatentGuard beisteuert, ist die Software drumherum, die diese Bausteine sinnvoll koordiniert – das Erfindungsinterview, das Zusammenstellen des Kontexts, die Anspruchs-Vorlagen und der Export. Diese Software redet ausschließlich mit dem lokalen Endpunkt:
Air-Gap-tauglich
Für höchste Vertraulichkeit läuft dieser gesamte Kasten in einem Netz ganz ohne Internet. Die öffentlichen Patentdaten werden vorher einmal per Offline-Paket eingespielt und regelmäßig aktualisiert. Das Drafting selbst braucht danach keine Verbindung mehr.
Was das für Ihre Vertraulichkeit bedeutet
- Drafting: vollständig offline möglich – kein Cloud-Anbieter sieht Ihre Erfindung.
- Kein Training mit Ihren Daten: das lokale Modell lernt nicht heimlich mit; Ihre Texte dienen nur als Nachschlage-Kontext (RAG).
- Monitoring: holt nur öffentliche Daten – ein Einbahnstraßen-Download, kein Upload.
- Nachvollziehbar: jede KI-Aussage ist an konkrete Quellen gebunden und prüfbar.
Genau darum geht es dieser Seite: nicht „Vertrauen Sie uns", sondern „So funktioniert es – Sie können es nachvollziehen und im Zweifel selbst nachbauen." Wenn Sie an einer fertigen, wartungsarmen Umsetzung interessiert sind, melden Sie sich gern.