Auryth Forschungslabor
Forschung bei Auryth
Wir veröffentlichen unsere Methoden, damit Sie selbst prüfen können, warum Auryth bessere Antworten liefert als allgemeine KI. Andere in der Branche können so auf dem aufbauen, was wir lernen.
Unsere Mission
Regulierte Bereiche verlangen Genauigkeit darüber, welche Regel zu welchem Datum und in welcher Rechtsordnung galt. Generische KI-Modelle sind dafür nicht gebaut.
Deshalb scheitern allgemeine KI-Modelle immer wieder an Fachfragen.
Wir veröffentlichen unsere Forschung, weil juristische KI besser wird, wenn ihre Probleme offen untersucht werden. Halluzinationsraten, Vertrauenskalibrierung, genaue Quellenzuordnung und mehrsprachiges Retrieval sind schwierige Probleme, die ernsthafte akademische Aufmerksamkeit verdienen.
Forschung zum Retrieval
Für sich allein sind große Sprachmodelle für berufliche Arbeit mit hohem Risiko unzuverlässig. Unsere Forschung konzentriert sich auf das Retrieval: die Systeme, die Belege finden und prüfen, bevor das Modell sie sieht. Die Produkte von Auryth basieren auf patentanhängiger Technologie in fünf Bereichen des Retrievals.
Negative Evidenz im Retrieval
Erkennen, wann Belege einer Schlussfolgerung widersprechen oder sie nicht stützen.
Kalibrierte Bewertung
Vertrauenswerte, die dazu passen, wie oft Antworten tatsächlich stimmen.
Vertrauensgesteuerte Generierung
Ausgabekontrollen, die verhindern, dass Antworten mit niedrigem Vertrauen die Nutzer erreichen.
Adaptives Query-Routing
Wahl der Retrieval-Strategie nach der Art der Frage.
Selbstverbessernde Retrieval-Systeme
Feedback-Schleifen, die die Genauigkeit verbessern, ohne das Modell neu zu trainieren.
Forschungsschwerpunkte
Vertrauenskalibrierung
Ein Vertrauenswert, auf den Sie sich verlassen können
Ein Vertrauenswert nützt nur, wenn er dazu passt, wie oft die Antwort sich als richtig erweist. Wir untersuchen, wie er sich so kalibrieren lässt.
Mehrsprachiges Retrieval für Regelwerke
Auf Niederländisch fragen, die Antwort auf Französisch finden
In einem mehrsprachigen Rechtssystem steht die Antwort oft in einer anderen Sprache als die Frage. Wir untersuchen, wie sich die richtige Vorschrift finden lässt, gleich in welcher Sprache sie verfasst ist.
Temporale Versionierung
Die richtige Regel für das richtige Datum
Vorschriften ändern sich ständig. Wir arbeiten an Methoden, mit denen sich verfolgen lässt, welche Fassung einer Bestimmung am maßgeblichen Datum galt, damit Sie keine Regel zitieren, die nicht mehr gilt.
Halluzinationserkennung
Erfundene Zitate abfangen, bevor sie Sie erreichen
KI-Modelle zitieren mitunter selbstbewusst Artikel, die es nicht gibt. Wir entwickeln Methoden, um jedes Zitat an den echten Quellen zu prüfen, bevor Sie die Antwort sehen.
Working Papers
Working Paper · Donald Murre
What doesn't match matters more: CRANE, Calibrated Retrieval with Adversarial Negative Evidence
Argumentiert, dass Retrieval in Bereichen mit hohem Risiko abbilden muss, was ein Dokument nicht beantwortet, und beschreibt CRANE, eine Architektur aus typisierter negativer Evidenz, kalibrierter Konfidenz und konfidenzgesteuerter Generierung. Das Paper formuliert vier falsifizierbare Vorhersagen für empirische Tests.
Paper herunterladen (PDF)Beirat
Wir bauen einen Beirat aus Fachpraktikern, Wissenschaftlern und KI-Forschern auf, denen transparente und zuverlässige spezialisierte KI wichtig ist.
Wir freuen uns über Nachrichten von Forschenden im Bereich domänenspezifisches NLP, von Wissenschaftlern, die KI in regulierten Bereichen untersuchen, und von Praktikern, die spezialisierte KI-Werkzeuge mitgestalten möchten.
Partnerschaften
Wir suchen Partner in drei Bereichen:
Universitäre Forschungszentren
Gemeinsame Projekte zu juristischer KI, NLP und Computational Law
Berufsverbände
ITAA, IBR/IRE und regionale Buchhaltungsorganisationen
EU-Forschungsprogramme
Fördermittel für digitale Governance und KI-Innovation
Mit uns zusammenarbeiten
Wenn Sie mit uns an Forschung zu juristischer KI arbeiten möchten, schreiben Sie uns.
Kontaktieren Sie uns