Smart Grant AI

SmartGrant doorzoekt meerdere Duitse subsidieportalen, vertaalt en normaliseert programmagegevens en bouwt een semantische vectoropslag op (OpenAI-embeddings + Pinecone). Gebruikers beschrijven hun onderneming of uploaden een pdf-profiel; het systeem doorzoekt meer dan 500 programma's, rangschikt treffers aan de hand van een eigen relevantiescore (deadline, locatie, domein) en gebruikt GPT-4 om geprioriteerde aanbevelingen op te stellen en aanvraagdocumenten (DOCX) te ontwerpen.

Een Streamlit-UI biedt een interactieve chat, RAG-gestuurde antwoorden, pdf-parsing en persistente sessie- en historiegegevens via PostgreSQL. De pipeline omvat scraping met Selenium en Playwright, vertaling met DeepL, gegevensopschoning en generatie met python-docx en maakt zo een vrijwel volledig geautomatiseerde assistent mogelijk voor subsidieonderzoek en het opstellen van eerste aanvraagconcepten.

Dit is een intern onderzoeksproject en bevindt zich nog in de prototypefase.

1. Heterogeniteit & actualiteit van de gegevens: subsidieportalen hanteren verschillende schema's, frequente updates en ratelimieten, wat een betrouwbare, actuele aggregatie bemoeilijkt.
2. Meertalige extractie & nauwkeurigheid: een precieze vertaling van Duitse juridisch-administratieve tekst naar Engelse samenvattingen met behoud van betekenis is niet triviaal.
3. Relevantie & juridische conformiteit: de rangschikking moet fijnmazige criteria voor subsidiabiliteit (juridisch, regionaal, temporeel) meewegen om onjuiste treffers te vermijden en vergeefse inspanning te beperken.

1. RAG + semantisch zoeken: inzet van OpenAI-embeddings + Pinecone voor snelle semantische matching en retrieval, waarna de RAG-context aan GPT-4 wordt doorgegeven om nauwkeurige programma-aanbevelingen en onderbouwingen te genereren.
2. Hybride LLM-workflow: inzet van GPT-4-turbo voor aanbevelingen en aanvraagconcepten; inzet van GPT-3.5 (of lichtere modellen) voor samenvattingen en kostenefficiënt parafraseren om de kosten te drukken.
3. Relevantiescore + regellaag: combinatie van vectorgelijkenis met regelgebaseerde filters (deadlines, subsidiabiliteit, locatie) om de precisie te verhogen en uitvoerbare kansen te benadrukken.

1. Tijdsbesparing: verkort het handmatige zoeken en het opstellen van het eerste aanvraagconcept van dagen naar minuten per kans.
2. Hogere trefferkwaliteit: semantische en regelgebaseerde rangschikking levert minder onjuiste treffers en meer uitvoerbare overeenkomsten op.
3. Sneller naar de aanvraag: automatisch gegenereerde DOCX-concepten versnellen de aanvraagcyclus en verhogen de doorvoer voor adviseurs of mkb-bedrijven.

1. Arbeidsefficiëntie: automatiseert repetitieve onderzoeks- en opsteltaken, verlaagt de arbeidsuren per aanvraag en beperkt de advieskosten.
2. Reken- / kostenoptimalisatie: de gefaseerde inzet van modellen (GPT-3.5 voor samenvattingen, GPT-4 voor concepten) verlaagt de API-uitgaven en behoudt tegelijk de kwaliteit daar waar die telt.
3. Minder reizen en drukwerk: de digitale documentgeneratie en nauwkeurige treffers verminderen de behoefte aan persoonlijk advies, fysieke indieningen en gedrukt papierwerk.