Smart Grant AI

SmartGrant durchsucht mehrere deutsche Förderportale, übersetzt und normalisiert Programmdaten und baut einen semantischen Vektorspeicher auf (OpenAI-Embeddings + Pinecone). Nutzer beschreiben ihr Unternehmen oder laden ein PDF-Profil hoch; das System durchsucht mehr als 500 Programme, ordnet Treffer anhand eines eigenen Relevanzscores (Frist, Standort, Domäne) und nutzt GPT-4, um priorisierte Empfehlungen zu erstellen und Antragsdokumente (DOCX) zu entwerfen.

Eine Streamlit-UI bietet einen interaktiven Chat, RAG-gestützte Antworten, PDF-Parsing und persistente Sitzungs-/Verlaufsdaten über PostgreSQL. Die Pipeline umfasst Selenium-/Playwright-Scraping, DeepL-Übersetzung, Datenbereinigung und python-docx-Generierung und ermöglicht so einen nahezu durchgängig automatisierten Assistenten für die Förderrecherche und die Erstellung erster Antragsentwürfe.

Dies ist ein internes Forschungsprojekt und befindet sich noch in der Prototypenphase.

1. Datenheterogenität & Aktualität: Förderportale haben unterschiedliche Schemata, häufige Aktualisierungen und Rate-Limits, was eine zuverlässige, aktuelle Aggregation erschwert.
2. Mehrsprachige Extraktion & Genauigkeit: Eine präzise Übersetzung und Bedeutungserhaltung aus deutschem juristisch-administrativem Text in englische Zusammenfassungen ist nicht trivial.
3. Relevanz & Rechtskonformität: Das Ranking muss feingliedrige Förderfähigkeitskriterien (rechtlich, regional, zeitlich) berücksichtigen, um Falschtreffer zu vermeiden und vergeblichen Aufwand zu reduzieren.

1. RAG + semantische Suche: Einsatz von OpenAI-Embeddings + Pinecone für schnelles semantisches Matching und Retrieval, dann Übergabe des RAG-Kontexts an GPT-4, um präzise Programmempfehlungen und Begründungen zu erzeugen.
2. Hybrider LLM-Workflow: Einsatz von GPT-4-turbo für Empfehlungen und Antragsentwürfe; Einsatz von GPT-3.5 (oder leichteren Modellen) für Zusammenfassungen und kostengünstiges Paraphrasieren zur Kostensenkung.
3. Relevanzbewertung + Regelschicht: Kombination von Vektorähnlichkeit mit regelbasierten Filtern (Fristen, Förderfähigkeit, Standort), um die Präzision zu erhöhen und umsetzbare Möglichkeiten hervorzuheben.

1. Zeitersparnis: Reduziert die manuelle Suche und die Erstellung des Erstentwurfs eines Antrags von Tagen auf Minuten pro Möglichkeit.
2. Höhere Trefferqualität: Semantisches und regelbasiertes Ranking liefert weniger Falschtreffer und mehr umsetzbare Übereinstimmungen.
3. Schnellerer Weg zum Antrag: Automatisch generierte DOCX-Entwürfe beschleunigen den Antragszyklus und erhöhen den Durchsatz für Berater oder KMU.

1. Arbeitseffizienz: Automatisiert repetitive Recherche- und Entwurfsaufgaben, senkt die Arbeitsstunden pro Antrag und reduziert Beratungskosten.
2. Rechen- / Kostenoptimierung: Der gestaffelte Modelleinsatz (GPT-3.5 für Zusammenfassungen, GPT-4 für Entwürfe) senkt die API-Ausgaben und bewahrt zugleich die Qualität dort, wo sie zählt.
3. Weniger Reisen/Druck: Die digitale Dokumentenerstellung und präzise Treffer reduzieren den Bedarf an persönlicher Beratung, physischen Einreichungen und gedrucktem Papierkram.