Anpassungen Dokumentenkopf
This commit is contained in:
@@ -1,6 +1,16 @@
|
||||
# Sovereign RAG Tutor – Internes Konzeptdokument
|
||||
|
||||
**Status:** Entwurf v0.4 · **Stand:** Juli 2026 · **Vertraulichkeit:** intern **Führendes Dokument** – das Kundendokument wird als gefilterte Teilmenge hieraus abgeleitet.
|
||||
**Vertraulichkeit:** intern
|
||||
**Führendes Dokument** – das Kundendokument wird als gefilterte Teilmenge hieraus abgeleitet.
|
||||
|
||||
| | |
|
||||
| ----------------- | ---------------------------------------------------------------- |
|
||||
| erstellt durch: | d-opt GmbH<br>Oberneumarker Str. 59 <br>08496 Neumark (Sachsen) |
|
||||
| erstellt von: | Florian Förster |
|
||||
| Erstellungsdatum: | 14.07.2026 |
|
||||
| geändert von: | Florian Förster |
|
||||
| Änderungsdatum: | 17.07.2026 |
|
||||
| Dokumentversion: | V0.4 |
|
||||
|
||||
---
|
||||
|
||||
|
||||
@@ -1,14 +1,23 @@
|
||||
# Sovereign RAG Tutor
|
||||
---
|
||||
title: " Sovereign RAG Tutor: Konzeptbeschreibung der d-opt GmbH für die mastersolution AG"
|
||||
---
|
||||
|
||||
## Problem, Ziel und Lösungsvorschlag
|
||||
|
||||
**Ein Konzept der d-opt GmbH für die mastersolution AG** **Status:** Entwurf v0.4 · **Stand:** Juli 2026
|
||||
|
||||
_Hinweis zur Fassung: Die enthaltenen Diagramme liegen in dieser Arbeitsfassung als Mermaid-Notation vor und werden für die finale Fassung durch gestaltete Grafiken ersetzt._
|
||||
| | |
|
||||
| ----------------- | ------------------------------------------------------------------ |
|
||||
| erstellt durch: | d-opt GmbH <br>Oberneumarker Str. 59 <br>08496 Neumark (Sachsen) |
|
||||
| erstellt von: | Florian Förster |
|
||||
| Erstellungsdatum: | 14.07.2026 |
|
||||
| geändert von: | Florian Förster |
|
||||
| Änderungsdatum: | 17.07.2026 |
|
||||
| Dokumentversion: | V0.4 |
|
||||
|
||||
---
|
||||
|
||||
## 1. Management Summary
|
||||
# Inhaltsverzeichnis
|
||||
|
||||
*PLATZHALTER FÜR INHALTSVERZEICHNIS*
|
||||
|
||||
# 1. Management Summary
|
||||
|
||||
**Das Problem.** Der Markt für Lernplattformen und Bildungstechnologie wird derzeit durch generative Künstliche Intelligenz neu geordnet. Wettbewerber liefern KI-gestützte Suchfunktionen, automatische Fragengenerierung und Lernassistenten aus – in aller Regel auf Basis US-amerikanischer Cloud-Dienste. Für mastersolution entsteht daraus eine doppelte Herausforderung: Ohne KI-Funktionalität droht der Anschlussverlust; mit KI-Funktionalität auf Basis externer Cloud-APIs würde jedoch das Fundament des eigenen Geschäftsmodells beschädigt: das Vertrauen der Kunden in absolute Datensouveränität, vom Mittelstand über Behörden bis zu Installationen mit höchsten Sicherheitsanforderungen.
|
||||
|
||||
@@ -34,19 +43,19 @@ flowchart TD
|
||||
|
||||
---
|
||||
|
||||
## 2. Ausgangslage und Chance
|
||||
# 2. Ausgangslage und Chance
|
||||
|
||||
### 2.1 Die Position von mastersolution
|
||||
## 2.1 Die Position von mastersolution
|
||||
|
||||
mastersolution hat sich über mehr als zwei Jahrzehnte ein integriertes Produktökosystem für digitales Lernen aufgebaut – vom Lernmanagement (mastersolution ONE) über Klassenraum-Management (SUITE) und IT-Asset-Management (REFLECT) bis zur Videoproduktion (FOCUS, SHOW, VMS). Das strategisch wertvollste Asset ist dabei nicht ein einzelnes Produkt, sondern eine Eigenschaft des Gesamtangebots: verlässliche Datensouveränität. Hosting in zertifizierten deutschen Rechenzentren oder vollständig On-Premise, strikte DSGVO-Konformität und die Unabhängigkeit von US-, chinesischen und russischen Technologien haben mastersolution Kundengruppen erschlossen, die anderen Anbietern verschlossen bleiben, bis hin zu Installationen mit Geheimhaltungsanforderungen.
|
||||
|
||||
### 2.2 Die Marktdynamik
|
||||
## 2.2 Die Marktdynamik
|
||||
|
||||
Der EdTech- und Corporate-Learning-Markt integriert Künstliche Intelligenz derzeit in hohem Tempo: KI-gestützte Inhaltsfilter und Risikoanalysen im Klassenraum-Management, automatisierte Kurs- und Fragengenerierung im Moodle-Ökosystem, KI-Tutoren als Plattform-Plugins, und mit Moodle 4.5 ein natives AI-Subsystem im Kern des LMS, auf dem mastersolution ONE aufbaut. Die marktüblichen Lösungen haben dabei fast durchgängig eines gemeinsam: Sie senden Daten an externe Cloud-Dienste.
|
||||
|
||||
Darin liegt eine erhebliche Chance: Die Kundensegmente von mastersolution (Behörden, sicherheitsbewusster Mittelstand, Bildungsträger mit strengen Datenschutzpflichten) können diese Lösungen häufig gar nicht einsetzen. Ein KI-Angebot, das die Funktionalität moderner Sprachmodell-Technologie mit durchgängiger Souveränität verbindet, bedient einen Bedarf, den Cloud-Anbieter strukturell nicht bedienen können. Der Technologiewandel eröffnet mastersolution damit die Gelegenheit, das Souveränitätsversprechen zum entscheidenden Differenzierungsmerkmal auszubauen.
|
||||
|
||||
### 2.3 Anforderungen aus den gemeinsamen Gesprächen
|
||||
## 2.3 Anforderungen aus den gemeinsamen Gesprächen
|
||||
|
||||
Aus dem ersten gemeinsamen Termin zwischen mastersolution und d-opt sind die Leitplanken dieses Konzepts hervorgegangen. mastersolution benötigt Lösungen, die
|
||||
|
||||
@@ -63,9 +72,9 @@ Als Zielbild wurde gemeinsam die Vision eines persönlichen Lernassistenten erar
|
||||
|
||||
---
|
||||
|
||||
## 3. Zielbild: Der Sovereign RAG Tutor
|
||||
# 3. Zielbild: Der Sovereign RAG Tutor
|
||||
|
||||
### 3.1 Drei Leistungsversprechen
|
||||
## 3.1 Drei Leistungsversprechen
|
||||
|
||||
**Finden und Verstehen.** Nutzer finden über eine hybride semantische Suche und einen Frage-Antwort-Assistenten präzise, belegte Antworten aus dem freigegebenen Materialbestand: mit Quellenangabe bis auf Dokumentabschnitt und Video-Timestamp, strikt gefiltert nach Rolle und Berechtigung. Wer eine Prozessfrage im Arbeitsalltag hat, erhält die Antwort mit Beleg; wer der Quelle nachgehen will, springt mit einem Klick an die exakte Stelle im Dokument oder Video.
|
||||
|
||||
@@ -73,7 +82,7 @@ Als Zielbild wurde gemeinsam die Vision eines persönlichen Lernassistenten erar
|
||||
|
||||
**Begleitetes Lernen.** In Kursen führt ein Coaching-Modus durch den Lernprozess, ohne Lösungen vorwegzunehmen. Generierte Prüfungsfragen auf gestaffelten Anspruchsniveaus prüfen, ob Inhalte tatsächlich verstanden wurden. Automatisch erzeugte Lernpfade schneiden den Weg zum Lernziel auf Rolle, Berechtigung und Kenntnisstand zu – mit dem messbaren Effekt kürzerer Onboarding- und Schulungszeiten, nachgewiesen gegen eine zu Projektbeginn erhobene Vergleichsbasis.
|
||||
|
||||
### 3.2 Grundsätze
|
||||
## 3.2 Grundsätze
|
||||
|
||||
Vier Grundsätze definieren, was das System bewusst nicht tut. Sie sind als verbindliche Zusagen an mastersolution, deren Endkunden und deren Beschäftigte zu verstehen:
|
||||
|
||||
@@ -87,7 +96,7 @@ Vier Grundsätze definieren, was das System bewusst nicht tut. Sie sind als verb
|
||||
|
||||
---
|
||||
|
||||
## 4. Lösungskonzept: Vier Ausbaustufen
|
||||
# 4. Lösungskonzept: Vier Ausbaustufen
|
||||
|
||||
Das System entsteht in vier Stufen. Diese Staffelung ist eine bewusste Konstruktionsentscheidung mit drei Eigenschaften:
|
||||
|
||||
@@ -95,7 +104,7 @@ Das System entsteht in vier Stufen. Diese Staffelung ist eine bewusste Konstrukt
|
||||
2. Komplexität und Risiko steigen kontrolliert an – die anspruchsvollsten Bausteine setzen auf einem erprobten Fundament auf.
|
||||
3. Jede Stufe erzeugt Daten und Erkenntnisse für die nächste – die Suchanfragen aus Stufe 1 zeigen beispielsweise, wonach Nutzer tatsächlich fragen, und informieren damit die Wissensmodellierung in Stufe 3.
|
||||
|
||||
### Stufe 1: Souveräne Suche
|
||||
## Stufe 1: Souveräne Suche
|
||||
|
||||
**Was entsteht:** Eine produktionsreife semantische Suche über den gesamten Materialbestand eines Endkunden. Die Suche kombiniert bewährte Volltexttechnologie mit semantischer Ähnlichkeitssuche – sie findet also auch dann die richtige Stelle, wenn der Nutzer andere Worte verwendet als das Dokument. Jedes Ergebnis wird vor der Anzeige gegen die Rolle und die Berechtigungen des Nutzers geprüft; jedes Ergebnis verlinkt direkt auf die Fundstelle. Videos werden über eine Transkriptions-Pipeline erschlossen (lokal betriebene Spracherkennung, keine Cloud-Dienste); Treffer verlinken auf den jeweils relevanten Abschnitt des Videos, sodass Nutzer nicht das gesamte Video durchsehen müssen. Ein Mess- und Qualitätsframework gehört zum Lieferumfang: Die Suchqualität wird kontinuierlich gegen ein kundenspezifisches Testset gemessen.
|
||||
|
||||
@@ -103,7 +112,7 @@ Das System entsteht in vier Stufen. Diese Staffelung ist eine bewusste Konstrukt
|
||||
|
||||
**Bewusst noch nicht enthalten:** kein Sprachmodell, keine generierten Antworten. Die Suche liefert belegte Fundstellen, keine Synthese. Diese Beschränkung hält die Stufe frei von den Risiken generativer KI und von besonderen Hardware-Anforderungen; sie ist eine bewusste Entwurfsentscheidung.
|
||||
|
||||
### Stufe 2: Nachschlage-Assistent
|
||||
## Stufe 2: Nachschlage-Assistent
|
||||
|
||||
**Was entsteht:** Ein Frage-Antwort-Assistent auf Basis eines souverän betriebenen Sprachmodells, gehostet im deutschen Rechenzentrum oder On-Premise beim Endkunden. Der Nutzer stellt eine Frage in natürlicher Sprache; das System sucht die relevanten Stellen im freigegebenen Material und formuliert daraus eine Antwort mit Quellenangaben und Video-Timestamps. Die Antwort ist strikt auf die gefundenen Inhalte begrenzt (Grounded Generation); deckt das Material eine Frage nicht, sagt das System das ausdrücklich. In dieser Stufe werden zudem die Betriebsprofile erarbeitet: definierte Hardware-Konfigurationen mit zugesicherten Antwortzeiten, damit Endkunden vor der Einführung wissen, welche Infrastruktur sie benötigen.
|
||||
|
||||
@@ -111,7 +120,7 @@ Das System entsteht in vier Stufen. Diese Staffelung ist eine bewusste Konstrukt
|
||||
|
||||
**Bewusst noch nicht enthalten:** keine Didaktik, kein Lernstands-Tracking. Der Assistent beantwortet Fragen; er bewertet niemanden.
|
||||
|
||||
### Stufe 3: Kompetenzmodell und Tracking
|
||||
## Stufe 3: Kompetenzmodell und Tracking
|
||||
|
||||
**Was entsteht:** Ein Wissensgraph, der die Kompetenzen eines Fachgebiets, ihre Voraussetzungsbeziehungen und ihre Verknüpfung zu Lernmaterialien und Prüfungsfragen strukturiert abbildet. Der Graph wird nicht manuell erstellt: Das Sprachmodell extrahiert Vorschläge aus dem vorhandenen Material, Fachexperten des Endkunden prüfen und geben frei (Kapitel 5.2). Auf dem Graphen setzt das Lernstands-Tracking auf – regelbasiert und vollständig nachvollziehbar: Erkennt das System wiederholte Fehler zu einer Kompetenz, deren Grundlage länger zurückliegt, empfiehlt es die gezielte Wiederholung und nennt die Begründung. Zum Lieferumfang der Stufe gehört die vollständige Compliance-Ausstattung (Kapitel 5.3).
|
||||
|
||||
@@ -119,7 +128,7 @@ Das System entsteht in vier Stufen. Diese Staffelung ist eine bewusste Konstrukt
|
||||
|
||||
**Bewusst noch nicht enthalten:** keine generierten Inhalte, keine automatischen Lernpfade. Das Tracking empfiehlt; es entscheidet nicht.
|
||||
|
||||
### Stufe 4: Adaptive Didaktik
|
||||
## Stufe 4: Adaptive Didaktik
|
||||
|
||||
**Was entsteht:** Die generativen und adaptiven Fähigkeiten, in drei getrennt einführbaren Paketen:
|
||||
|
||||
@@ -129,7 +138,7 @@ Das System entsteht in vier Stufen. Diese Staffelung ist eine bewusste Konstrukt
|
||||
|
||||
**Der unmittelbare Nutzen:** Hier werden die Kennzahlen realisiert und gemessen, um die es im Kern geht: kürzere Onboarding-Zeiten, schnellere Qualifizierung und höhere Bestehensquoten, jeweils nachgewiesen gegen die zu Projektbeginn erhobene Vergleichsbasis.
|
||||
|
||||
### Architektur im Überblick
|
||||
## Architektur im Überblick
|
||||
|
||||
Hinter den vier Stufen steht eine Komponentenarchitektur, die konsequent auf das Berechtigungswesen ausgerichtet ist: Eine zentrale Komponente prüft Identität, Rolle und Berechtigungen gegen das LMS und ist der einzige Berührungspunkt zum bestehenden System – alle übrigen Komponenten arbeiten ausschließlich auf bereits gefilterten Daten. Suche und Assistent (Stufen 1–2) funktionieren dabei unabhängig von den Lern-Komponenten (Stufen 3–4); der schnelle Nachschlage-Pfad bleibt auch im Endausbau schlank. Die Architektur ist von Beginn an mandantenfähig als Produkt ausgelegt: Sie wird aus einer gemeinsamen Codebasis vielfach ausgerollt (als gehostete Instanz im deutschen Rechenzentrum ebenso wie als On-Premise-Installation) und hält sämtliche kundenspezifischen Daten je Endkunde strikt getrennt: Materialbestand, Index, Wissensgraph und Rollen.
|
||||
|
||||
@@ -150,21 +159,21 @@ flowchart LR
|
||||
|
||||
---
|
||||
|
||||
## 5. Zentrale Konzeptentscheidungen
|
||||
# 5. Zentrale Konzeptentscheidungen
|
||||
|
||||
### 5.1 Zwei Interaktionsmodi: Nachschlagen und Coaching
|
||||
## 5.1 Zwei Interaktionsmodi: Nachschlagen und Coaching
|
||||
|
||||
KI-Tutoren am Markt folgen häufig einem einzigen didaktischen Paradigma: Sie verweigern direkte Antworten und führen den Nutzer sokratisch zur Lösung. Das ist im Lernkontext wertvoll, im Arbeitskontext jedoch hinderlich: Ein Techniker mit einer konkreten Prozessfrage braucht die belegte Antwort, keine Gegenfrage. Das Konzept unterscheidet deshalb zwei Modi. Im **Nachschlage-Modus** liefert das System schnelle, belegte Antworten; im **Coaching-Modus** begleitet es didaktisch zur eigenständigen Lösung. Kurs-Autoren legen je Kurs fest, welche Modi verfügbar sind; innerhalb dieses Rahmens wählt der Nutzer über einen sichtbaren Schalter.
|
||||
|
||||
Als Standard wird eine statusabhängige Regelung vorgeschlagen: Bei erstmaliger Kursbelegung gilt der Coaching-Modus; nach bestandenem Kurs steht der Nachschlage-Modus offen. Die Regel ist unmittelbar einleuchtend, nutzt ein Datum, das das LMS ohnehin führt, und macht bestandene Schulungen zum dauerhaft nachschlagbaren Referenzmaterial – eine Doppelnutzung, die den Wert jedes Kurses erhöht. Der aktive Modus ist jederzeit sichtbar; wo Coaching verbindlich ist, sagt das System das offen, sodass für den Nutzer nachvollziehbar bleibt, warum eine direkte Antwort ausbleibt. Damit der Coaching-Modus nicht über die freie Suche umgangen werden kann, können Kurs-Autoren einzelne Materialien (etwa Musterlösungen oder Prüfungsfragen samt Antworten) als ausschließlich im Kurskontext verfügbar kennzeichnen; solche Inhalte erscheinen außerhalb des Kurses weder in der Suche noch in Antworten des Assistenten.
|
||||
|
||||
### 5.2 Der Wissensgraph entsteht beim Endkunden – teilautomatisiert
|
||||
## 5.2 Der Wissensgraph entsteht beim Endkunden – teilautomatisiert
|
||||
|
||||
Das Kompetenzmodell ist das Fundament der Stufen 3 und 4, und seine Erstellung wäre manuell unwirtschaftlich. Das Konzept setzt deshalb auf einen teilautomatisierten Redaktionsprozess: Das Sprachmodell analysiert das vorhandene Lernmaterial und schlägt Kompetenzen samt Beziehungen vor, wobei jeder Vorschlag mit der konkreten Fundstelle im Material belegt sein muss – Vorschläge ohne Beleg werden verworfen, bevor ein Mensch sie sieht. Fachexperten des Endkunden prüfen die Vorschläge in einer dafür gestalteten Oberfläche, nehmen an, ändern oder verwerfen. Ändert sich später Material, erzeugt das System gezielte Änderungsvorschläge statt einer erneuten Gesamtprüfung.
|
||||
|
||||
Die Arbeitsteilung ist bewusst gewählt: Die Fachhoheit über das Kompetenzmodell liegt beim Endkunden, denn dort sitzt die Expertise über Prozesse und Maschinen. Die Werkzeuge, die Automatisierung und die methodische Begleitung liefern mastersolution und d-opt. Zur realistischen Erwartung gehört: Teilautomatisiert bedeutet nicht aufwandsfrei. Die Automatisierung reduziert den Erstellungsaufwand um eine Größenordnung, pro Kurs verbleibt jedoch eine fachliche Prüfsitzung im Stundenbereich. Diese menschliche Prüfung ist zugleich ein regulatorischer Baustein: Sie ist ein wesentlicher Teil der menschlichen Aufsicht, die der EU AI Act für Systeme dieser Art vorsieht.
|
||||
|
||||
### 5.3 Rechtssicherheit als Produktbestandteil
|
||||
## 5.3 Rechtssicherheit als Produktbestandteil
|
||||
|
||||
Ein System, das Lernstände von Beschäftigten bewertet, berührt drei Regelungsebenen:
|
||||
|
||||
@@ -188,7 +197,7 @@ Daraus entsteht ein Verkaufsargument: Die Endkunden von mastersolution sind Betr
|
||||
|
||||
Die Botschaft an die Endkunden lautet damit nicht nur, dass ihre Daten bei ihnen bleiben, sondern dass sie das System rechtssicher einführen können – ein Angebot, das cloudbasierte Wettbewerber strukturell nicht machen können. Eine juristische Begleitung des Vorhabens ist als fester Projektschritt vorgesehen.
|
||||
|
||||
### 5.4 Souveränität bis ins Update
|
||||
## 5.4 Souveränität bis ins Update
|
||||
|
||||
Datensouveränität endet nicht bei der Frage, wo Daten liegen; sie umfasst den gesamten Lebenszyklus des Systems. Drei Festlegungen sichern das ab:
|
||||
|
||||
@@ -196,15 +205,15 @@ Datensouveränität endet nicht bei der Frage, wo Daten liegen; sie umfasst den
|
||||
2. Modell-Updates ändern bei KI-Systemen das Verhalten, nicht nur Funktionen – ein neues Modell kann im Durchschnitt besser sein und trotzdem für die Fachbegriffe eines bestimmten Kunden schlechter. Jedes Update durchläuft deshalb ein Qualitäts-Gate: Es wird erst aktiviert, nachdem es auf der Instanz des Kunden gegen dessen eigenes Testset geprüft wurde und keine Verschlechterung zeigt; das vorherige Modell bleibt als Rückfalloption erhalten.
|
||||
3. Für vollständig abgeschottete Installationen existiert ein Offline-Update-Weg mit signierten Paketen, die ohne Netzverbindung eingespielt und vor Ort geprüft werden – die Konsequenz der Betriebsdisziplin, die die Marktposition von mastersolution begründet.
|
||||
|
||||
### 5.5 Nutzen wird gemessen, nicht behauptet
|
||||
## 5.5 Nutzen wird gemessen, nicht behauptet
|
||||
|
||||
Die Verkürzung von Lernprozessen ist eine Vergleichsaussage und braucht einen Vergleichsmaßstab. Deshalb gehört zur Mandanten-Einführung bei jedem Endkunden die Erhebung einer Vergleichsbasis: heutige Onboarding-Dauern, Schulungsdurchlaufzeiten, Bestehensquoten. Gegen diese Basis werden die Wirkungen des Systems gemessen. Ergänzend misst das Qualitätsframework kontinuierlich die Systemqualität selbst: die Treffergüte der Suche gegen ein kundenspezifisches Testset, die Belegtreue der generierten Antworten – einschließlich der Frage, ob das System zuverlässig auf fehlende Materialdeckung hinweist, statt zu spekulieren – und ab Stufe 3 die Treffsicherheit der Kompetenzeinschätzungen. Sämtliche Wirkungskennzahlen werden aggregiert erhoben; sie dienen dem Nachweis des Produktnutzens, nicht der Bewertung einzelner Beschäftigter.
|
||||
|
||||
---
|
||||
|
||||
## 6. Roadmap und Zusammenarbeit
|
||||
# 6. Roadmap und Zusammenarbeit
|
||||
|
||||
### 6.1 Ablauf
|
||||
## 6.1 Ablauf
|
||||
|
||||
Die vier Stufen werden sequenziell umgesetzt und einzeln abgenommen. Zwei Arbeitspakete sind bewusst vorgezogen: Gegen Ende von Stufe 2 startet ein Pilot des Wissensgraphen mit einem Referenzkurs; seine Erkenntnisse zu Detailtiefe und Prüfaufwand fließen in die Planung von Stufe 3 ein, bevor diese festgelegt wird. Parallel beginnt die juristische Begleitung, sodass die regulatorische Ausstattung vorliegt, bevor Stufe 3 produktiv geht. Die Video-Erschließung läuft bereits in Stufe 1 als paralleler Strang: Die Suche geht mit Textmaterial produktiv, Videos folgen fortlaufend.
|
||||
|
||||
@@ -215,11 +224,11 @@ Zur Mandanten-Einführung bei jedem Endkunden gehört ein standardisierter Ablau
|
||||
3. Hinterlegung des Fachvokabulars für die Videotranskription,
|
||||
4. Abbildung des Rollenmodells.
|
||||
|
||||
### 6.2 Qualitative Aufwandseinordnung
|
||||
## 6.2 Qualitative Aufwandseinordnung
|
||||
|
||||
Die Quantifizierung der Aufwände erfolgt mit dem Projektplan als nächster Etappe; das Konzept liefert die qualitative Einordnung vorab. **Stufe 1** ist der kompakteste Block: Sie setzt auf einem vorhandenen, erprobten Suchverfahren von d-opt auf; die wesentlichen Aufwände liegen in der Produktionsreife und der Video-Pipeline. **Stufe 2** liegt darüber; prägend ist weniger die Funktionalität als die sorgfältige Erprobung des Sprachmodells und die Ableitung der Betriebsprofile. **Stufe 3** ist der gewichtigste Block: Hier entstehen Wissensgraph, Redaktionswerkzeug, Tracking und Compliance-Ausstattung gemeinsam; der vorgezogene Pilot reduziert die Planungsunsicherheit dieser Stufe erheblich. **Stufe 4** ist in Summe mit Stufe 3 vergleichbar, verteilt sich jedoch auf drei getrennt einführbare Pakete, die einzeln beauftragt werden können.
|
||||
|
||||
### 6.3 Was mastersolution einbringt
|
||||
## 6.3 Was mastersolution einbringt
|
||||
|
||||
Das Konzept ist auf Partnerschaft angelegt; drei Beiträge von mastersolution sind für den Erfolg wesentlich:
|
||||
|
||||
@@ -229,7 +238,7 @@ Das Konzept ist auf Partnerschaft angelegt; drei Beiträge von mastersolution si
|
||||
|
||||
Für den Produktbetrieb gilt die bewährte Arbeitsteilung: Die fachliche Hoheit über Inhalte und Kompetenzmodelle liegt beim jeweiligen Endkunden, die Werkzeug- und Plattformhoheit bei mastersolution.
|
||||
|
||||
### 6.4 Zu klärende Punkte
|
||||
## 6.4 Zu klärende Punkte
|
||||
|
||||
Drei Punkte sind bewusst offen und werden zu definierten Zeitpunkten entschieden:
|
||||
|
||||
@@ -237,13 +246,13 @@ Drei Punkte sind bewusst offen und werden zu definierten Zeitpunkten entschieden
|
||||
2. Die konkreten Betriebsprofile (Hardware, Antwortzeiten, Nutzerzahlen) sind Ergebnis der Erprobung in Stufe 2.
|
||||
3. Die juristische Detailprüfung der regulatorischen Einstufung erfolgt im Rahmen der vorgesehenen Begleitung ab Ende Stufe 2.
|
||||
|
||||
### 6.5 Nächster Schritt
|
||||
## 6.5 Nächster Schritt
|
||||
|
||||
d-opt schlägt als nächsten Schritt die gemeinsame Abstimmung dieses Konzepts und darauf aufbauend die Erstellung des Projektplans für Stufe 1 vor – mit Aufwandsschätzung, Meilensteinen und der Entscheidungsvorlage zur Moodle-Integration.
|
||||
|
||||
---
|
||||
|
||||
## 7. Anhang: Glossar
|
||||
# 7. Anhang: Glossar
|
||||
|
||||
**Grounded Generation:** Antworterzeugung strikt auf Basis zuvor gefundener, freigegebener Quellen – das Sprachmodell darf nur formulieren, was das Material hergibt, und weist andernfalls auf die fehlende Deckung hin.
|
||||
|
||||
|
||||
Reference in New Issue
Block a user