KI Berichtsautomatisierung — Control Center
KI
KI Berichtsautomatisierung
Control Center v1.0 — 220 Gesellschaften
📊 Dashboard
🎯 Analyse-Status
220
📄 Berichte
🧠 Fine-Tuning
🔌 Interfaces
🛡 AI Security
!
📋 Audit Log
Gesellschaften gesamt
220
12 Länder | 3 Risikogruppen
Letzter Lauf
01.03
Dauer: 2h 34min
↑ 12min schneller als Feb
Kritische Fälle
22
ROT — Sofortmaßnahmen nötig
↑ +3 vs Vormonat
Modell-Qualität
91%
Nach Fine-Tuning v2
↑ +6% vs v1
Modell-Status
🦙
llama3.1:70b
Q4_K_M · 40GB RAM · Instance 1 :11434
🦙
llama3.1:70b
Q4_K_M · 40GB RAM · Instance 2 :11435
Schnellstart — Berichte generieren
Monatlicher Berichtslauf
Nächster geplanter Lauf: 01.04.2026 22:00
System-Ressourcen
CPU Total
69%
Ryzen 7800X3D · 8 Cores
GPU (3060 Ti)
12%
Standby · 12GB VRAM
Disk I/O
320
MB/s · NVMe PCIe 5.0
Portfolio-Risikoverteilung — 220 Gesellschaften
22
10% des Portfolios
▸ Detailanalyse: 800 Wörter
▸ Sofortmaßnahmen mit Zeitrahmen
▸ Priorität: erste Verarbeitung
▸ CEO-Eskalation erforderlich
66
30% des Portfolios
▸ Standardanalyse: 500 Wörter
▸ Abweichungen & Empfehlungen
▸ Monatliches Monitoring
▸ CFO-Review empfohlen
132
60% des Portfolios
▸ Kurzanalyse: 200 Wörter
▸ Stabilitätsbestätigung
▸ Standard-Berichterstattung
▸ Keine Eskalation nötig
Kritische Gesellschaften — ROT Detail
| Gesellschaft |
Land |
Branche |
Umsatz |
EBITDA |
Liquidität |
Risk |
Status |
| Gesellschaft 003 |
🇩🇪 DE |
Automotive |
€ 2.1M |
-€ 180k |
0.82 |
ROT |
Generiert |
| Gesellschaft 017 |
🇵🇱 PL |
Logistik |
€ 890k |
-€ 45k |
1.05 |
ROT |
Generiert |
| Gesellschaft 042 |
🇨🇿 CZ |
Handel |
€ 3.4M |
€ 12k |
0.71 |
ROT |
Generiert |
| Gesellschaft 088 |
🇷🇴 RO |
Produktion |
€ 1.2M |
-€ 220k |
0.68 |
ROT |
Review |
|
... noch 18 kritische Gesellschaften ...
|
Berichtstypen und Konfiguration
▸ HGB-Standard §§ 238–289
▸ GuV + Bilanz + KPI
▸ Plan/Ist-Vergleich
▸ Risikobewertung RAG
▸ Lagebericht §289 HGB
▸ Chancen & Risiken
▸ Handlungsempfehlungen
▸ Executive Summary
▸ KPI Dashboard
▸ Trendanalyse 3 Monate
▸ Branchenvergleich
▸ Konsolidierter Report
Letzte generierte Berichte
| Datum |
Typ |
Gesellschaften |
Dauer |
Worker |
Status |
Aktion |
| 01.03.2026 |
Finanzbericht |
220 / 220 |
2h 34min |
W1 + W2 |
✓ Fertig |
|
| 01.03.2026 |
Mgmt Report |
220 / 220 |
1h 58min |
W1 + W2 |
✓ Fertig |
|
| 01.02.2026 |
Finanzbericht |
220 / 220 |
2h 46min |
W1 + W2 |
✓ Fertig |
|
Training-Datensatz
847
Trainingsbeispiele gesamt
234
Korrekturen von Experten
Fortschritt zu Fine-Tuning847 / 1000
153 Beispiele bis zum nächsten Fine-Tuning-Lauf
LoRA Modell-Versionen
| Version | Datum | Qualität | Status |
|---|
| llama-hgb-v2 |
15.02.2026 |
91% |
Aktiv |
| llama-hgb-v1 |
01.12.2025 |
85% |
Archiv |
| llama3.1:70b |
Base Model |
75% |
Base |
Fine-Tuning Prozess
1
Datensatz vorbereiten
847 Paare aus feedback-Tabelle exportieren. SHA-256 Hashing aller Beispiele. Verifikation der Reviewer-Authentifizierung.
2
LoRA Training (isoliert)
Kein Internetzugang. Kein externes API. Nur lokale Ressourcen. Dauer: ~4-6 Stunden auf CPU.
3
Qualitäts-Test
Automatischer Test auf 50 Kontrollbeispielen. Schwellenwert: >5% Qualitätsverlust → Modell abgelehnt.
4
A/B Deploy
Neue Version auf Worker 2. Parallel-Test mit realen Daten. Expert-Freigabe → vollständiger Rollout.
5
Datensatz-Archiv
Alle Trainingsbeispiele in PostgreSQL archiviert. Hash-Verifikation dauerhaft gespeichert. Vollständiger Audit Trail.
Datenquellen-Verbindungen
📊
Infor EPM
REST API · v11.3 · EU-Server Frankfurt · OAuth 2.0
🔷
SAP ERP / S4HANA
RFC / BAPI · Nicht konfiguriert
🔶
Oracle Hyperion
SmartView API · Nicht konfiguriert
📁
Excel / CSV Import
Manueller Upload · Immer verfügbar · Fallback
🗄
PostgreSQL
localhost:5432 · reports_db · Interne Datenbank
Blockiert heute
3
von 1,240 Anfragen
L1 Regex Hits
2
Prompt Injection
L2 Rate Limit
1
Extraction Versuch
Gateway Latenz
38ms
Ø L1+L2+L3
Schutz-Ebenen — AI Security Gateway
L1
Regex Injection Filter
15 Muster · Prompt Injection · Jailbreak · Strukturinjektion · Finanz-spezifische Muster
< 1ms
L2
Rate Limiter & Behavioral Analysis
30 req/min · Model Extraction Detection · Inference Attack Tracking · Redis-backed
< 2ms
L3
ML Semantic Classifier
DeBERTa-v3-small · 280MB · Zero-shot · Semantische Angriffserkennung · CPU
30-40ms
RS
Response Scanner
System Prompt Leak · Cross-tenant Data · Halluzinationserkennung kritischer Zahlen
5-10ms
Data Poisoning Schutz — Fine-Tuning Sicherheit
Urheber-Verifikation
🔐
Jedes Trainingsbeispiel ist an authentifizierten Reviewer gebunden. Anonym = abgelehnt.
✓ Aktiv
SHA-256 Dataset Hashing
🔑
Vor jedem Fine-Tuning wird Integrität aller Dateien geprüft. Manipulation → Stopp.
✓ Aktiv
Post-Training Test
🧪
50 Kontrollbeispiele nach Training. >5% Qualitätsverlust → Modell automatisch abgelehnt.
✓ Aktiv
Statistik — Letzten 24h
BLOCKED
Prompt Injection — EPM Feld "Bemerkungen" · hash:a3f9...
BLOCKED
Rate Limit — Model Extraction Versuch · 18 Anfragen/min
BLOCKED
L3 ML — Policy Bypass Versuch · confidence: 0.91
Export
Aufbewahrung: 90 Tage · DSGVO-konform · §239 HGB