Problem
Große Unternehmen, die sich um Zuschüsse bewerben, vor allem in den Bereichen Innovation und grüne Energie, sehen sich oft mit einem hochkomplexen Verfahren zur Erstellung von Anträgen konfrontiert. Er erfordert nicht nur Fachwissen, sondern auch die Fähigkeit, die richtigen Ziele zu definieren, die mit den Anforderungen der Ausschreibung übereinstimmen, und eine überzeugende Darstellung zu verfassen, die auf den richtigen Schlüsselwörtern basiert, um die Chancen auf eine Finanzierung zu maximieren.
Eine große Schwierigkeit besteht auch darin, zu verstehen, was der Antrag tatsächlich erfordert, und zu beurteilen, wie gut das Unternehmen diese Anforderungen erfüllt.
Herausforderung
Eine wesentliche Einschränkung bestand darin, dass Open-Source-LLMs verwendet werden mussten, die in der Regel sowohl bei der Antwortqualität als auch bei der Größe des Kontextfensters weniger leistungsfähig sind als proprietäre Modelle. In diesem Fall war ein großer Kontext von entscheidender Bedeutung, da Förderdokumente mehr als 100 Seiten umfassen können.
Wir begegneten diesen Einschränkungen mit einer fortschrittlichen agentenbasierten Architektur und durch Aufteilung des Arbeitsablaufs in mehrere Schritte, einschließlich der Generierung von Schlüsselwörtern, der Erstellung von Zusammenfassungen, der Erstellung von SMART‑Zielen und einem Peer-Review-Modul. Der Peer Reviewer verwendete ein anderes LLM, um frühere Ergebnisse zu bewerten und die Übereinstimmung mit den Anforderungen der Anwendung sicherzustellen.
Es war zwar einfach, reichlich Material aus Aufforderungen zur Einreichung von Vorschlägen zu finden, aber eine große Herausforderung war der Mangel an aussagekräftigen Referenzanträgen aus dem spezifischen Bereich, in dem wir arbeiten wollten. Wir haben umfangreiche Nachforschungen angestellt, aber die meisten öffentlich zugänglichen Beispiele waren Förderanträge für akademische Forschung und nicht für Initiativen mit Schwerpunkt auf der Industrie.
Lösung
Wir haben einen KI‑Assistenten für das Schreiben von Förderanträgen entwickelt, der auf einem agentenbasierten Ansatz beruht und das Langflow-Framework nutzt. Das System integriert große Sprachmodelle (LLMs), um sowohl die effiziente Texterstellung als auch die Verarbeitung komplexer Förderunterlagen zu unterstützen. Wir haben Open-Source-Modelle verwendet, um den Einsatz vor Ort für Unternehmenskunden zu ermöglichen und die Vertraulichkeit und Datensicherheit besser zu gewährleisten.
Der Assistent umfasst mehrere Funktionen, darunter die Generierung von Schlüsselwörtern, die Formulierung von Bewerbungszielen und die Erstellung einer Zusammenfassung, die dann in den nachfolgenden Abschnitten erweitert werden kann.
Es wurde eine einfache Benutzeroberfläche geschaffen, die eine schnelle Bereitstellung und Prüfung während der Proof of Concept (PoC)-Phase ermöglicht. Das System läuft auf AWS Bedrock und ermöglicht eine effiziente Modellverwaltung und Optimierung von Kosten und Leistung.
Das Ergebnis ist ein modulares, skalierbares Tool, das die wichtigsten Phasen der Antragserstellung automatisiert, moderne KI‑Technologien nutzt und eine einfache Integration mit anderen Systemen ermöglicht.
Ergebnis
Während der PoC‑Phase bewerteten die Experten für die Erstellung von Förderanträgen des Kunden das Tool sehr positiv. Die wertvollste Funktion war die Generierung von Schlüsselwörtern und Schlüsselbegriffen. Wir schätzen, dass ein solcher Assistent die Zeit für das Verfassen von Anträgen um bis zu 50% reduzieren kann und gleichzeitig die Chancen auf eine Finanzierung durch besser definierte, bedarfsgerechte Ziele und eine überzeugendere Darstellung erhöht.
