3 Posts getaggt mit "graphrag"

📌 Kernaussagen (Key Takeaways)

• Überwindung früherer Grenzen: Als Lösung für die in Teil 2 erwähnten Strohmann-Konstrukte wurde der CorporateRegistryClient geschaffen, der DART-Daten und Handelsregister abgleicht.
• Präventive Architektur:
  1. Dreiseitige Hash-Brücke zur Auflösung heterogener Unternehmens-IDs.
  2. Relevanz-Schwellenwerte im Wissensgraphen (Vorstände + Anteile >50%).
• Behebung von 3 Produktionsfehlern:
  1. RecursionError bei Kreuzbeteiligungen durch Kondensation starker Zusammenhangskomponenten (SCC) behoben.
  2. Erkennung von Scheinfirmen, die weniger als 180 Tage vor Vergabe gegründet wurden.
  3. 51:49-Ehegatten-Aufteilung zur Vorteilserschleichung über Verwandtschaftskanten aufgedeckt.
• Ergebnis: 130.000-Dollar-Kartell aufgedeckt, das zu 80% von einer einzigen Person kontrolliert wurde; 17/17 Tests bestanden.

📌 Kernaussagen (Key Takeaways)

• Zwischenprüfung: Unser autonomer KI-Prüfungsagent (national_budget_ai) wurde auf repräsentative öffentliche Beschaffungsdaten angewendet (5 Haushaltsprogramme, 6 Verträge).
• 4 Aufgedeckte Kernverstöße (Vollständig Anonymisiert):
  1. Gestückelte Freihändige Vergaben: Umgehung offener Ausschreibungen durch 3 Teilverträge unter 20.000 $ innerhalb von 12 Tagen (Gesamt: 43.000 $).
  2. Scheinfirmenkartelle mit Identischer Adresse: 3 Scheinfirmen im selben Büro manipulierten Ausschreibungen.
  3. 7- bis 10-fache Preisüberhöhung: Beratungsstundensätze (7x) und Servermieten (10x) über dem Median.
  4. Geringe Auslieferungseffizienz (DEI 30%): Nur 30% der Mittel erreichten Begünstigte; 70% versickerten in Verwaltungskosten.
• Leistungsbewertung: 0,00% Finanzhalluzination durch deterministisches Text-to-SQL, 0,03s Latenz pro Dossier.

📌 Kernpunkte (Key Takeaways)

• Das Ziel: Bau eines autonomen KI-Agenten zur Überprüfung öffentlicher Haushaltsausgaben im Umfang von 500 Mrd. USD, der Vergabeverträge und unstrukturierte Dokumente analysiert, um Preisüberhöhungen und Scheinrechnungs-Kartelle aufzudecken.
• Präventive Architektur: Beseitigung von LLM-Zahlenhalluzinationen durch deterministisches Text-to-SQL, während Netzwerkanalysen an einen heterogenen Wissensgraphen (GraphRAG) delegiert wurden.
• Gelöste reale Fehler: (1) Fragmentierte Firmen- und Adressdaten mittels EntityResolver behoben; (2) Zeitlich gestaffelte Schleichvergaben via 30-Tage-Sliding-Window aufgedeckt; (3) Auditor-Misstrauen durch ein XAI-Dossier mit direkter Gesetzes- und Präzedenzfall-Bindung überwunden.
• Ergebnis: 11 von 11 Test-Harness-Suiten bestanden, ein Kartell mit identischer Firmenadresse über 38,5 Mio. KRW und 70% Overhead-Verlust erfolgreich entlarvt.