KI-Server für Prüflabore: Berichtsentwürfe nach ISO/IEC 17025 und vertrauliche Kundendaten

Was ein KI-Server für ein Prüflabor leistet

Ein KI-Server für ein Prüf- oder Kalibrierlabor betreibt Sprachmodelle auf eigener Hardware und entwirft damit die Texte rund um die Ergebnisse: die erzählenden Teile von Prüfberichten, Antworten aus freigegebenen Methoden und SOPs, gelesene Geräteausdrucke und Antworten auf Kundenanfragen. Die Zahlen kommen nie vom Modell: Ergebnisse, Einheiten, Messunsicherheiten und Konformitätsentscheidungen stammen aus dem LIMS oder dem Geräteexport, ein Skript prüft, dass jede Zahl im Entwurf damit übereinstimmt, und eine Person genehmigt und gibt den Bericht frei. Für die meisten Auftragslabore trägt ein Server mit zwei Karten der NVIDIA RTX PRO 6000 Blackwell Server Edition diese Arbeit, und Kundendaten bleiben auf Hardware, die das Labor kontrolliert.

Wir schreiben für die Leitung von Prüf-, Kalibrier- und Analyselaboren und ihre Qualitätsmanager sowie für das IT-Team, das die Systeme betreibt. Zuerst kommt die Laborseite, danach Server und Hinweise für die IT. Entwicklungsabteilungen, die ihre eigenen Versuchsberichte durchsuchen, haben andere Anforderungen, die unser Leitfaden zum KI-Server für Laborberichte in der Entwicklung behandelt; GxP-Arbeit in der Pharmabranche steht in unserem Leitfaden zu GPU-Servern für Pharma und Life Sciences.

Was die ISO/IEC 17025 von einem Bericht verlangt

Die ISO/IEC 17025:2017 ist die dritte Ausgabe der Norm für die Kompetenz von Prüf- und Kalibrierlaboratorien. Die Seite von ISO beschreibt, dass sie Anforderungen „for the competence, impartiality, and consistent operation of laboratories“ festlegt und zuletzt 2023 überprüft und bestätigt wurde. Abschnitt 7.8 regelt die Berichterstattung, und mehrere seiner Anforderungen entscheiden, wo ein Sprachmodell helfen darf.

ISO/IEC 17025:2017, zitiert in der FAQ der European co-operation for Accreditation zu Anforderungen an Prüfberichte und in den Webinar-Folien von PJLA vom 14. August 2024, sowie zusammengefasst in der Crosswalk-Übersicht von NIST zu Abschnitt 7.8 (Februar 2018), alle gelesen am 25. Oktober 2026; die letzte Spalte ist unsere Empfehlung.

Die European co-operation for Accreditation zitiert Abschnitt 7.8.2.1 f), nach dem jeder Bericht „the method used“ angibt, sofern keine triftigen Gründe dagegen sprechen, und 7.8.1.2, nach dem Ergebnisse „accurately, clearly, unambiguously and objectively“ bereitzustellen sind. Die Crosswalk-Übersicht von NIST fasst den Rest von 7.8 zusammen: Berichte werden vor der Herausgabe geprüft und freigegeben; das Labor ist für alle Angaben im Bericht verantwortlich, ausgenommen vom Kunden gelieferte Daten, die als solche gekennzeichnet werden; wenn ein Bericht die Konformität mit einer Spezifikation aussagt, dokumentiert und wendet das Labor eine Entscheidungsregel an; und eine Änderung nach der Herausgabe wird als solche gekennzeichnet und nennt das Original.

Daraus folgt eine klare Trennung. Alles, was Ergebnis oder Entscheidung ist, entsteht in den Systemen, die Ihre Akkreditierung bereits abdeckt. Das Modell schreibt, was Text ist: die Zusammenfassung, was geprüft wurde und warum, die Beschreibung einer Abweichung, die der Prüfer notiert hat, das Anschreiben, eine Übersetzung in die Sprache des Kunden und nach einer Änderung deren Begründung. Meinungen und Interpretationen, soweit Ihr Akkreditierungsumfang sie enthält, schreibt oder genehmigt die dafür verantwortliche Person.

Zahlen aus dem LIMS, Worte vom Modell

Der Aufbau, den wir empfehlen, hält das Modell in vier Schritten von den Zahlen fern.

1. Export. Das LIMS exportiert die Daten eines Berichts als strukturierte Datei: Proben- und Gegenstandsdaten, Methode und Version, Ergebnisse mit Einheiten und Messunsicherheiten, die Konformitätsentscheidung und die Notizen des Prüfers.
2. Vorlage. Die Berichtsvorlage füllt jedes feste Feld, jede Ergebnistabelle und jede Konformitätsaussage direkt aus dieser Datei. Das Modell ist daran nicht beteiligt.
3. Text. Das Modell erhält die Datei und schreibt die erzählenden Teile. Wo der Text einen Wert braucht, schreibt es einen Platzhalter mit dem Feldnamen, und die Vorlage setzt den Wert aus dem Export ein.
4. Prüfung. Ein Skript zieht jede Zahl aus dem fertigen Entwurf und vergleicht sie mit dem Export. Eine Zahl, die dort nicht vorkommt, oder eine Einheit, die nicht passt, hält den Entwurf an, bevor er die genehmigende Person erreicht.

Schritt 4 ist die systematische Prüfung, die Abschnitt 7.11.6 verlangt, angewandt auf die Ausgabe des Modells. Sie fängt auch einen vom Modell gerundeten oder erfundenen Wert ab, denn ein solcher Wert kommt nicht durch. Die Person, die den Bericht genehmigt, liest dann einen Text, dessen Zahlen nachweislich stimmen, und konzentriert sich bei der Durchsicht auf die Frage, ob der Text das Richtige sagt.

Für das IT-Team hält dieselbe Trennung die Anbindung einfach: Der KI-Server liest aus einem Export oder einer Schnittstelle mit reinem Lesezugriff und schreibt Entwürfe in einen Zwischenbereich. Das LIMS bleibt der Nachweis, und die Freigabe geschieht dort. Wir liefern den Server und richten über unseren Private-AI/ML-Service Modell, Vorlagen und Prüfung ein; schicken Sie uns einen anonymisierten Bericht, Ihr LIMS und die Zahl der Berichte pro Tag, und unser Team antwortet mit einer Konfiguration.

Der KI-Schritt in Ihrem Informationsmanagement

Abschnitt 7.11 der Norm regelt die Lenkung von Daten und das Informationsmanagement. Wie in den Folien von PJLA zitiert, verlangt er, dass das Labor­informations­management­system vor der Einführung „validated for functionality, including the proper functioning of interfaces“ ist und dass Änderungen vor der Umsetzung dokumentiert und validiert werden. Er verlangt Schutz vor Zugriff ohne Berechtigung, Sicherung gegen Manipulation und Verlust sowie Aufzeichnungen über Systemausfälle mit den ergriffenen Maßnahmen. Wird ein solches System „managed and maintained off-site or through an external provider“, stellt das Labor sicher, dass auch der Anbieter die Anforderungen erfüllt.

Nach unserer Lesart gehört ein Schritt, der aus LIMS-Daten Berichtstext schreibt, zu diesem Informationsmanagement, und es ist sicherer, ihn so zu validieren, als später zu begründen, warum nicht. In der Praxis heißt das vier Dinge:

• Ein fest eingestellter Stack. Die Modelldatei in ihrer genauen Revision, die Engine-Version und die Prompt-Vorlagen werden aufgezeichnet, und keines davon ändert sich ohne Änderungsnachweis.
• Ein Regressionssatz. Fünfzig bis hundert frühere Berichte mit ihren genehmigten Texten bilden den Testsatz. Ein neues Modell oder eine neue Vorlage läuft dagegen, bevor es in Betrieb geht, wie unser Leitfaden zur LLM-Bewertung vor Modell-Upgrades beschreibt.
• Protokolle. Jeder Entwurf behält den Export, aus dem er entstand, die Modellrevision und das Ergebnis der Zahlenprüfung, sodass eine Begutachtung nachvollziehen kann, wie ein Bericht zustande kam.
• Zugriff. Nur Mitarbeitende mit Rechten auf die Daten eines Kunden können das Modell dazu befragen.

Die Zusammenfassung von NIST für Laborleitungen hält fest, dass die Validierung von Labor-Tabellenkalkulationen viel Zeit braucht und bei Upgrades von Systemen und Software wiederholt werden muss. Dasselbe gilt für ein Modell; ein validierter Stack sollte sich deshalb nach Ihrem Zeitplan ändern, nicht nach dem eines Cloud-Anbieters. Wie der KI-Schritt behandelt wird, bestätigen Ihr Qualitätsmanager und Ihre Akkreditierungsstelle; dies sind allgemeine Informationen.

Methoden, SOPs und Kundenanfragen

Die zweite Aufgabe ist Wissen. Mitarbeitende fragen, welche Methodenversion für eine Probenart gilt, was die SOP zu einer Abweichung sagt oder wie ein ähnlicher Fall im Vorjahr behandelt wurde. Ein Assistent mit Suche über Ihre freigegebenen Methoden, SOPs und Validierungsberichte antwortet mit dem Dokument und der Revision, die er genutzt hat, wie unser Leitfaden zu RAG auf Unternehmensdaten erklärt. Nur freigegebene Fassungen kommen in den Index, sodass Ihre Dokumentenlenkung der Nachweis bleibt. Der Text von ISO-Normen und veröffentlichten Prüfnormen ist lizenziertes Material: Die Bedingungen von ISO beschränken das Laden in KI-Systeme ohne gesonderte Lizenz, wie unser Leitfaden zu Normen in der Firmen-KI darlegt; der Index enthält daher Ihre eigenen Verfahren und nur die Normen, die Ihre Lizenz erlaubt.

Kundenanfragen sind die dritte Aufgabe. Ein Kunde fragt, welche Prüfung zu einem Produkt passt, wie viel Probenmaterial er schicken soll oder was ein Ergebnis bedeutet. Das Modell entwirft die Antwort aus Ihrem Leistungskatalog und Ihren Methoden, und Mitarbeitende versenden sie. Preise und Zusagen zu Bearbeitungszeiten kommen aus Ihren eigenen Systemen und von Menschen, nie vom Modell.

Geräteausdrucke und Kundendokumente

Die meisten Gerätedaten sollten per direktem Export ins LIMS gelangen. Ausdrucke bleiben bei älteren Geräten, bei Fremdvergaben und bei Dokumenten, die Kunden schicken: Spezifikationen, frühere Zertifikate, Zeichnungen. Sie laufen durch OCR, die Umwandlung von Seitenbildern in Text, oder durch ein Vision-Language-Modell, das Bilder direkt liest, wie unser Leitfaden zu Vision-Language-Modellen für Dokumenten-KI erklärt. Nach der Methode dieses Leitfadens wandelt eine RTX PRO 6000 Server Edition mit einem 5B-OCR-Modell etwa 0,69 Seiten pro Sekunde um; 2.000 Seiten brauchen also etwa 50 Minuten einer Karte. So gelesene Werte sind vom Kunden gelieferte oder Altdaten im Sinne von Abschnitt 7.8.2.2; der Entwurf markiert sie, und eine Person prüft sie an der Quelle, bevor sie ins LIMS gehen.

Vertraulichkeit der Kundendaten und Akkreditierung

Ein Auftragslabor arbeitet oft für Unternehmen, die miteinander im Wettbewerb stehen, und seine Akten enthalten deren Rezepturen, Ausfalldaten und unveröffentlichte Produkte. Die ISO/IEC 17025 behandelt Vertraulichkeit als eigene Anforderung in Abschnitt 4.2. Nach unserer Lesart ist ein öffentlicher KI-Dienst ein externer Anbieter im Sinne von Abschnitt 7.11.4, sobald er Berichtsdaten verarbeitet, und viele Kundenverträge beschränken die Weitergabe von Daten an Dritte. Ein Server im eigenen Serverraum hält die Probendaten, die Prompts und die Protokolle unter den Zugriffsregeln, die Ihr Qualitätssystem bereits festlegt, und trennt die Kunden im Index nach Zugriffsrechten. Gesundheitsdaten aus medizinischen Prüfungen sind nach der DSGVO eine besondere Kategorie; was gilt, bestätigt Ihr Datenschutz­beauftragter.

Die Akkreditierung ist in der EU nach der Verordnung (EG) Nr. 765/2008 geregelt, nach der jeder Mitgliedstaat eine einzige nationale Akkreditierungsstelle benennt (Artikel 4 Absatz 1). Diese Stelle begutachtet Ihr Labor nach der Norm und ist daher die richtige Adresse für die Frage, wie sie einen KI-Schritt in der Berichterstattung sieht. Unser Artikel zu KI-Fragen in Kundenaudits zeigt, welche Nachweise Kunden und Begutachter verlangen.

Serveroptionen

Die Modelle brauchen Speicher auf der Grafikkarte, der GPU, und jede laufende Anfrage braucht zusätzlich Speicher für ihren Kontext, den Cache. Unsere Regel für Nutzer je Karte nimmt 90 Prozent der 95,6 GiB, die der Treiber für eine 96-GB-Karte meldet, abzüglich 3 GiB je Karte und abzüglich der Gewichte: 83,0 GiB je Karte.

Referenz­konfigurationen auf unserer Seite zu KI-Servern; Kapazitäten nach unserer Regel für Nutzer je Karte mit gpt-oss-120b (60,8 GiB, Dateiliste auf Hugging Face, gelesen am 25. Oktober 2026) und 1,125 GiB 16-Bit-Cache je Anfrage mit 32K; Strom nach unserer Schätzung mit Karten bei 600 W, zwei Prozessoren und 15 Prozent für den Rest des Servers, bestätigt durch eine Messung am gelieferten System.

gpt-oss-120b ist unter Apache 2.0 veröffentlicht, mit 117B Parametern, von denen 5,1B je Token aktiv sind; seine Dateien belegen etwa 65 GB, also 60,8 GiB, und lassen auf einer Karte 22,2 GiB für den Cache. Seine config.json nennt 18 Schichten mit voller Attention und 8 Key/Value-Köpfen der Dimension 64, nach unserer Rechnung 36 KiB 16-Bit-Cache je Token; eine Anfrage mit 32K Token belegt also 1,125 GiB, und eine Karte beantwortet 19 gleichzeitig. Eine Anfrage zählt nur, solange sie beantwortet wird; viel mehr Mitarbeitende können den Assistenten nutzen, als diese Zahl vermuten lässt.

Die tägliche Menge ist für diese Hardware klein. Nehmen Sie als Beispiel 300 Berichte am Tag mit je 1.500 Token Modelltext, also 450.000 Token:

MLPerf® Inference: Datacenter v6.1, Closed Division, Kategorie Available, gpt-oss-120b, Offline-Szenario, Eintrag 6.1-0050, HPE ProLiant Compute DL380a Gen12 mit acht RTX PRO 6000 Blackwell Server Edition, 15.256 Token/s, abgerufen von mlcommons.org am 24. Oktober 2026. Result verified by MLCommons Association. Der Wert je Karte ist unsere Division des Systemergebnisses, keine MLPerf-Kennzahl. The MLPerf name and logo are registered and unregistered trademarks of MLCommons Association in the United States and other countries. All rights reserved. Unauthorized use strictly prohibited. See www.mlcommons.org for more information. OCR-Rate nach der Methode unseres Leitfadens zu Dokumenten-KI.

Der Offline-Wert von 15.256 Token pro Sekunde stammt aus einem Benchmark, der acht Karten mit vielen Anfragen gleichzeitig auslastet; 1.907 Token pro Sekunde je Karte sind unsere Division davon, und eine Warteschlange von Berichtsentwürfen erreicht weniger, weshalb die Tabelle auch die Zeit bei halber Rate nennt. Unser Leitfaden zur LLM-Batch-Inferenz on-premise erklärt die Warteschlange.

Zwei Karten. Der Einstiegsserver hat zwei RTX PRO 6000 Server Edition, zwei AMD-EPYC-Prozessoren, 384 GB DDR5 ECC und zwei NVMe-Laufwerke. Karte 1 betreibt gpt-oss-120b für Berichtstext, SOP-Assistent und Anfragen; Karte 2 trägt das OCR-Modell, ein Vision-Language-Modell für Ausdrucke und das Embedding-Modell für den Suchindex, per MIG in isolierte Instanzen geteilt, wie unser Artikel zu den MIG-Profilen der RTX PRO 6000 beschreibt.

Vier Karten. Der Inferenzknoten mit 768 GB und vier NVMe-Laufwerken betreibt gpt-oss-120b als Tensor-Parallel-Paar; damit bleiben 2 × 83,0 − 60,8 = 105,3 GiB für den Cache, 93 Anfragen mit 32K, für ein Labor mit mehreren Standorten oder Abteilungen. Die vierte Karte trägt eine Kopie des fest eingestellten Stacks, sodass eine neue Modellversion gegen den Regressionssatz laufen kann, während die validierte weiter bedient. Für einen kleinen Einstieg beschreiben Sie eine Berichtsart, die Sie zuerst automatisieren würden, und wir schlagen einen Piloten und den Server dafür vor.

Die RTX PRO 6000 Max-Q ist die Workstation-Karte, eine 300-W-Karte mit Radiallüfter; im Rack gehört sie nur in ein Gehäuse, dessen Hersteller sie listet, und für den Dauerbetrieb empfehlen wir die Server Edition.

Hinweise für das IT-Team

1. Netzwerk. Setzen Sie den KI-Server in ein eigenes Segment. Er liest aus einem LIMS-Export oder einer Schnittstelle mit reinem Lesezugriff und schreibt Entwürfe in einen Zwischenbereich; Schreibzugriff auf das LIMS hat er nicht.
2. Engine und API. vLLM stellt gpt-oss-120b über eine OpenAI-kompatible API hinter einem LLM-Gateway mit Schlüsseln und Abfrage-Log bereit. Die Modellkarte sagt, gpt-oss „should only be used with the harmony format“; nutzen Sie also eine Engine-Version, die es unterstützt.
3. Versionen. --api-key schützt in vLLM nur Pfade unter /v1, /v2, /inference und /cohere; Routen wie /invocations und /metrics antworten auch ohne Schlüssel (Sicherheitsleitfaden von vLLM 0.32.0). Halten Sie die Engines deshalb im internen Segment. Betreiben Sie eine aktuelle vLLM-Version (0.32.0 vom 18. Oktober 2026 zum Zeitpunkt dieses Artikels), das NVIDIA Container Toolkit ab 1.17.8 und einen Treiber, den NVIDIA in seinem Bulletin vom 30. September 2026 als behoben nennt, und tragen Sie jede Version in das Änderungsprotokoll des validierten Stacks ein.
4. Platzhalter und Prüfung. Lassen Sie das Modell strukturiert mit benannten Platzhaltern statt Werten antworten, und betreiben Sie die Zahlenprüfung als eigenes Programm, auf das das Modell keinen Einfluss hat.
5. Sicherung. Der Validierungsnachweis nützt nur, wenn sich die Modelldateien, Images und Vorlagen, die er nennt, wiederherstellen lassen; unser Leitfaden zur Sicherung eines KI-Servers beschreibt, was zu sichern ist.
6. Software bei Lieferung. Der Server kommt auf Wunsch mit Betriebssystem, NVIDIA-Treiber, CUDA und Container-Runtime; unser Leitfaden zur Software-Unterstützung der RTX PRO Blackwell nennt die Engine-Versionen für diese Karten.

Strom und Raum

Nach unserer Schätzung zieht der Server mit zwei Karten und zwei EPYC 9135 etwa 1,8 kW aus der Steckdose und passt an einen Anschluss mit 230 V und 16 A, der bei 80 Prozent 2,94 kW trägt. Der Server mit vier Karten zieht mit Karten bei 600 W etwa 3,4 kW und braucht 32 A oder Drehstrom, mit auf 450 W begrenzten Karten etwa 2,7 kW. Ein Server gehört in einen Serverraum, nicht ins Labor neben die Geräte, wie unser Leitfaden zum Stromanschluss von GPU-Servern mit 16 A, 32 A und Drehstrom erklärt. Ohne eigenen Serverraum betreibt unser Private-AI/ML-Service dieselbe Plattform auf dedizierter Hardware in einem Tier-3-Rechenzentrum in Litauen, innerhalb der EU; nach unserer Lesart macht ihn das zu einem externen Anbieter im Sinne von Abschnitt 7.11.4, den Ihr Qualitätsmanager berücksichtigt.

Was wir liefern

Sie können dieses System bei uns kaufen: Unser Team dimensioniert die Konfiguration nach Ihrer Last und Ihrem Budget und antwortet innerhalb eines Werktages. Wir bauen die Server auf Bestellung mit zwei, vier oder acht Karten der RTX PRO 6000 Server Edition, vor der Lieferung montiert und getestet, geliefert in die gesamte EU mit einem EU-Vertrag und einer Rechnung, mit Herstellergarantie auf jede Komponente, abgewickelt über uns; Stückzahlen und Lieferzeit werden mit dem Angebot schriftlich bestätigt. Unser Service Private AI/ML mit unserem Engineering-Partner Vixen.UNO richtet das Modell, die Berichtsvorlagen, die Zahlenprüfung und den Index über Ihre Methoden ein. Unsere Seite zum Kauf eines GPU-Servers für LLMs listet alle Konfigurationen.

FAQ