Wissenschaftliche Arbeit, bewertet.

Was war kaputt?

Wissenschaftliche Arbeiten zu bewerten ist zeitaufwendig und stark abhängig von der Tagesform. Naive LLM-Nutzung dafür ist gefährlich — das Modell halluziniert Quellen, vermischt Fakten, gibt souverän Falsches aus. Was fehlt, ist ein System, das nicht ersetzt, sondern strukturiert — konsistente Rubrik, nachvollziehbare Quellen, klare Konfidenz-Stufen.

Wie wurde es gelöst?

• Großes RAG-System gegen kuratierte Wissensbasis (Domain Supply Chain & Operations Management)
• Strukturierte Bewertungs-Rubrik (Methodik, Quellen-Qualität, Argumentations-Stärke, Limitationen)
• Transparente Quellenangaben pro Bewertungs-Punkt — kein "vertrau mir bro"
• Konfidenz-Schwellen — bei zu niedriger Konfidenz Zurückgabe an menschlichen Reviewer
• Audit-Trail über jede Bewertung

Was läuft heute?

Aktuell in Konzeption. Erste Architektur-Skizze und Wissensbasis-Kuratierung laufen. Pilot-Anwendung geplant in Domain Supply Chain & Operations Management — angesiedelt am Master-Hintergrund.

Warum dieser Stack?

Python als Default für RAG-Pipelines (Ökosystem für Embeddings, Vector-Search, Eval-Frameworks). LLM-agnostisch designt — heute Modell A, morgen Modell B, ohne Architektur-Umbau. Vector-Search lokal statt cloud-gehostet, weil Wissenschafts-Quellen oft Lizenz-restriktiv sind und nicht ungefragt zu US-Cloud-Anbietern fließen sollen.