ClaimLens · KI-Behauptungssubstantiierung

Folgen Sie der KI-Behauptung zu ihren Belegen.

Synthetic Nimbus Capital AI wirbt mit einer Genauigkeit von 98 % bei der Inhaltserkennung. Der bereitgestellte Test verzeichnet 53 %. ClaimLens hält Satz, Belege und Entscheidungsregel zusammen, damit Prüfer die Diskrepanz untersuchen können.

6 min 56 sec · Synthetische Datensätze · Zwischengespeicherte beratende Antworten

98 % behauptet

Genauigkeit der Inhaltserkennung

Aussage auf der Website von Synthetic Nimbus

53 % verzeichnet

Bereitgestelltes Testergebnis für gemischten Text

Synthetic Nimbus Test-Fixture

45-Punkte-Lücke

Überschreitet die konfigurierte Toleranz

Demo-Regel: mehr als 5 Prozentpunkte

Eine Überprüfung bereitgestellter Datensätze für Rechts-, Compliance-, Marketing- und Entwicklerteams. Demo-Urteile begründen keine Rechtskonformität und validieren die Belege nicht unabhängig.

Auch ein selbstbewusst formulierter Satz benötigt einen passenden Beleg

Eine Genauigkeitsbehauptung verpflichtet ein Team auf eine Aufgabe und ein gemessenes Ergebnis. Eine Aussage über vollständige Autonomie trifft zugleich eine Behauptung über menschliche Beteiligung. Die Überprüfung muss diese Zusagen lange genug festhalten, um sie mit den Datensätzen hinter dem Wortlaut abzugleichen.

Im Nimbus-Beispiel ist der entscheidende Befund das Verhältnis zwischen der beworbenen Genauigkeit und dem bereitgestellten Test. Ein Prüfer kann erkennen, welcher Satz Aufmerksamkeit erfordert und warum. Derselbe Datensatz macht auch die nächste Frage konkret: Ist die Formulierung falsch, sind die Belege unvollständig oder muss der zugrunde liegende Test untersucht werden?

Wie die Überprüfung zu einer Entscheidung gelangt

Wir demonstrieren einen abgegrenzten Workflow über drei synthetische Offenlegungen und 14 bereitgestellte Belegdatensätze. Er extrahiert zehn Behauptungen, verknüpft deren Gegenstände mit Datensätzen und behält die Begründung für jedes konfigurierte Urteil bei.

01 / EXTRACT

Den Satz bewahren

Deterministische Satztrennung sowie KI-Schlüsselwort- oder Subjektabgleich wählen Behauptungen aus den gebündelten Offenlegungen aus. Der ursprüngliche Wortlaut bleibt sichtbar.

02 / LINK

Bereitgestellte Belege finden

Das Retrieval gleicht ein strukturiertes Gegenstandsfeld mit Test- und Betriebsdatensätzen ab. Es führt keine semantische Suche durch und authentifiziert diese Datensätze nicht.

03 / DECIDE

Die Regel benennen

Reines Python wendet konfigurierte Prüfungen an. Eine numerische Diskrepanz von über fünf Prozentpunkten führt im gezeigten Metrik-Beispiel zu CONTRADICTED.

Der Substantiation Judge berät, ohne die Gate-Entscheidung zu ändern. Der Adversarial Examiner wird bei Gate-substantiierten Behauptungen ausgeführt und kann diese auf PARTIALLY_SUBSTANTIATED herabstufen, wenn er REFUTED zurückgibt; er kann sie nicht heraufstufen. Die Aufzeichnung gibt zwischengespeicherte beratende Antworten wieder, während die deterministischen Prüfungen ablaufen. Alle vier zwischengespeicherten Prüferantworten bestätigen ihre gestützten Ergebnisse.

Der abgeschlossene Durchlauf kann ein JSON-Substantiierungspaket exportieren. Es enthält die Behauptung, Quelle, das Urteil, die Regel, Begründung und Belegkennungen für die Nachverfolgung sowie Zusammenfassungs- und Versionsinformationen. Es verweist auf die zugrunde liegenden Datensätze; es bettet kein vollständiges Belegarchiv ein.

Den Grund hinter dem Label untersuchen

Diese Ansichten stammen aus der lokalen ClaimLens-Demonstration. Jedes hier gezeigte Nimbus-Unternehmen, jede Offenlegung, jeder Test- und Betriebsdatensatz ist synthetisch.

ClaimLens-Inhaltserkennungsdetail: 98 % behauptete Genauigkeit, 53 % bereitgestelltes Testergebnis und CONTRADICTED-Policy-Entscheidung. — Das Inhaltserkennungsdetail behält den Quellsatz, den Testdatensatz und die Entscheidungsregel bei. Seine Lücke von 45 Prozentpunkten überschreitet die konfigurierte Fünf-Punkte-Toleranz. Präzedenzfall- und Regulierungslabels in der Benutzeroberfläche sind illustrativ und stellen keine Feststellungen zur rechtlichen Anwendbarkeit dar. In voller Größe anzeigen

Ein Widerspruch benennt einen Konflikt

Die separate Onboarding-Aussage verspricht keinen Menschen im Ablauf (No Human in the Loop). Das synthetische Betriebsprotokoll verzeichnet 68 % menschliche Eingriffe. Die konfigurierte No-Human-Regel gibt oberhalb von 10 % Eingriff CONTRADICTED zurück; dieser Schwellenwert ist eine Demo-Festlegung, keine rechtlich ausreichende Grenze.

Eine Lücke bleibt für Untersuchungen offen

Das Portfolio-Modell existiert, aber das bereitgestellte Protokoll verzeichnet Einfluss auf lediglich 1.5 % der Allokationsentscheidungen. Das Gate gibt NEEDS_PROOF zurück. Der zwischengespeicherte Judge bezeichnet es als widersprüchlich und zeigt damit, warum eine beratende Stellungnahme und ein Endergebnis getrennte Labels benötigen.

Synthetische ClaimLens-Portfolio-Behauptung mit 1.5 % operativem Einfluss, NEEDS_PROOF-Gate und zwischengespeicherter CONTRADICTED-Beratung. — Die Portfolio-Ansicht bewahrt den exakten operativen Wert von 1.5 % im Belegdatensatz. Der Policy-Begleittext rundet diesen auf 2 %; das Urteil bleibt NEEDS_PROOF, während der zwischengespeicherte beratende Text CONTRADICTED lautet. Präzedenzfall-Labels sind illustrative Test-Fixture-Annotationen, keine juristischen Feststellungen. In voller Größe anzeigen

ClaimLens-Register mit zehn synthetischen Behauptungen, von denen sechs eine Nachverfolgung erfordern, zwei widersprochen und vier substantiiert sind. — Das Register führt gestützte Behauptungen neben ungelösten auf. Vier Behauptungen sind substantiiert, zwei widersprochen und vier benötigen Nachweise gemäß den konfigurierten Regeln. Sechs erfordern eine Nachverfolgung; dies ist keine Zählung festgestellter Verstöße. In voller Größe anzeigen

Die synthetische Betrugserkennungs-Behauptung bleibt mit ihrer offengelegten Präzision von 94 % sowie stützenden Test- und Betriebsdatensätzen substantiiert. Ein gestütztes Test-Fixture-Ergebnis ist dennoch nur eine Behauptung über bereitgestellte Datensätze. Der Prüfer muss die realen Messungen und deren Relevanz validieren, bevor er sich auf den tatsächlichen Wortlaut verlässt.

Synthetische ClaimLens-Betrugserkennungs-Behauptung mit offengelegter Präzision von 94 %, Test- und Betriebsdatensätzen und einem SUBSTANTIATED-Urteil. — Das gestützte Betrugserkennungs-Beispiel behält sowohl Test- als auch Betriebsreferenzen bei. Der Begleittext der Test-Fixture nennt 94.1 %, während das gespeicherte numerische Feld 94.0 lautet; die offengelegte Behauptung liegt bei 94 %. Dies ist eine Stützung nach konfigurierten Regeln, keine unabhängig verifizierte Leistung. In voller Größe anzeigen

Wo sich dieser Workflow einordnet

ClaimLens demonstriert einen Abgleich von Behauptungen mit Datensätzen. Die Tabelle unterscheidet das, was der aufgezeichnete Workflow überprüfbar macht, von der Arbeit, die eine reale Prüfung weiterhin erfordert.

Prüfaufgabe	Was diese Demonstration bietet	Was außerhalb ihres Rahmens bleibt
Die Verpflichtung ermitteln	Ein Satz, verknüpft mit seiner bereitgestellten Quelle	Allgemeine Dokumentenerfassung und vollständige Erkennung von Behauptungen
Die Belege abgleichen	Gegenstandsbasierte Datensatzverknüpfung und konfigurierte Prüfungen	Belegauthentifizierung und unabhängige Testbewertung
Das Ergebnis verstehen	Ein Urteil, eine Entscheidungsregel und eine Begründung	Rechtsberatung oder behördliche Genehmigung
Die Überprüfung übergeben	Ein JSON-Paket mit Belegkennungen	Ein vollständiges Belegarchiv oder manipulationssichere Verwahrung

Was diese Demo nicht leistet

Dies ist eine lokale Demonstration unter Verwendung gebündelter synthetischer Daten. Sie umfasst keinen Live-Website- oder Meldedatei-Crawler, keinen beliebigen Dokumenten-Upload, keine produktive AIBOM- oder CI/CD-Integration, kein semantisches Retrieval, keine autonome rechtliche Bewertung und keinen HTML-Binder-Export. Ihre Schwellenwerte begründen weder statistische Konfidenz noch rechtliche Hinlänglichkeit. Diese Seite erläutert den aufgezeichneten Workflow; sie bietet keinen Zugriff auf die lokale Anwendung.

Fragen, die sich ein Prüfungsteam stellen sollte

Kann dies uns sagen, ob unsere KI-Behauptungen rechtskonform sind?

ClaimLens gleicht bereitgestellten Wortlaut und technische Datensätze anhand konfigurierter Demo-Regeln ab. Ein substantiiertes Ergebnis ist keine rechtliche Freigabe, und die in der Benutzeroberfläche angezeigten Regulierungslabels sind illustrative Routing-Labels. Eine menschliche Überprüfung und Validierung der zugrunde liegenden Datensätze bleibt weiterhin erforderlich.

Können wir unsere eigenen Dokumente hochladen oder unsere Website anbinden?

Diese Demonstration verwendet den gebündelten synthetischen Nimbus-Datensatz. Sie akzeptiert keine beliebigen Dokumenten-Uploads und crawlt weder Websites noch behördliche Meldungen oder interne Systeme. Die Seite zeigt den aufgezeichneten Workflow und dessen Belegansichten.

Welche Belege prüft die Überprüfung tatsächlich?

Die Demo verknüpft extrahierte Sätze über ein strukturiertes Gegenstandsfeld mit bereitgestellten technischen Datensätzen. Diese Datensätze umfassen Tests und Betriebsprotokolle. Die Prüfungen vergleichen konfigurierte Werte und Bedingungen; sie authentifizieren die Datensätze nicht und bewerten die Testmethodik nicht unabhängig.

Trifft die KI die finale Entscheidung?

Der Substantiation Judge liefert Empfehlungen, ohne die Policy-Gate-Entscheidung zu ändern. Der Adversarial Examiner kann eine Gate-substantiierte Behauptung herabstufen, wenn er eine Widerlegung zurückgibt, aber er kann eine Behauptung nicht heraufstufen. In dieser Aufzeichnung sind die beratenden Antworten zwischengespeichert und alle vier Prüferantworten bestätigen die gestützten Ergebnisse.

Warum kann eine Behauptung Nachweise benötigen, selbst wenn das Modell existiert?

Ein Modelldatensatz belegt, dass eine Komponente dokumentiert ist, während eine betriebliche Behauptung auch Belege darüber benötigt, was sie tut. Im synthetischen Portfolio-Beispiel verzeichnet das bereitgestellte Protokoll Einfluss auf lediglich 1.5 % der Allokationsentscheidungen. Das konfigurierte Gate gibt NEEDS_PROOF zurück und hält diese Lücke zur Überprüfung fest.

Was erhalten Prüfer im exportierten Paket?

Die Browser-Schaltfläche „Exportieren“ speichert ein JSON-Paket des abgeschlossenen Durchlaufs mit jeder Behauptung, Quelle, dem Urteil, der Entscheidungsregel, Begründung und Belegkennungen. Es enthält außerdem eine Zusammenfassung, die Engine-Version und einen Erstellungszeitstempel. Es bettet keine vollständigen Belegdatensätze, Beratungstranskripte oder eine manipulationssichere lückenlose Verwahrungskette ein.

Technische Forschung

Entdecken Sie verwandte Forschung für einen breiteren Kontext zu dieser Demonstration.

Vollständige Lösung

Erkunden Sie die Lösung für KI-Verifizierung & Anti-KI-Washing-Compliance →

Führen Sie die Behauptung und ihre Belege in derselben Prüfung zusammen

Besprechen Sie einen Workflow zur Behauptungssubstantiierung mit Veriprajna.

Wir können die Datensätze, Prüfungsgrenzen und menschlichen Entscheidungen besprechen, die Ihr Team benötigt, bevor eine Implementierung definiert wird.

Den Umfang der Überprüfung abstecken

✓ Zu prüfenden Wortlaut identifizieren
✓ Bereitgestellte Belege zuordnen
✓ Ungelöste Fragen benennen
✓ Zuständigkeiten für menschliche Prüfungen vereinbaren

Die Implementierung definieren

✓ Quellen- und Datensatzerfassung besprechen
✓ Angemessene Regelgrenzen definieren
✓ Prüfergerichtete Erklärungen planen
✓ Anforderungen an die Belegübergabe festlegen

Über WhatsApp verbinden Unserem Team eine E-Mail schreiben