KI in der Exportkontrolle: Wo stehen wir aktuell?

Large Language Models (LLMs) sind computergestützte Sprachmodelle, die durch Analyse großer Textmengen lernen, wie Wörter und Sätze zusammenhängen. Der Vorteil von Sprachmodellen gegenüber Chatbots oder Stichwortsuchen ist, dass sie kontextbezogene Antworten auf Basis eingegebener Texte liefern, während Chatbots lediglich vorgegebene Antworten und einfache Algorithmen nutzen.

LLMs sind KI-basiert und nutzen riesige Datenmengen und komplexe Algorithmen, um sprachliche Muster zu erkennen und zu verstehen. Das wohl bekannteste Sprachmodell ist derzeit ChatGPT vom kalifornischen Tech-Konzern OpenAI. Dieses Unternehmen bietet auch die Möglichkeit, eigene Sprachmodelle mit verschiedenen Datenquellen wie Gesetzen, Urteilen oder juristischen Aufsätzen zu trainieren.

Diese individuell trainierten LLMs für spezifische Einsatzbereiche werden als „CustomGPTs“ bezeichnet und haben großes Potential auch in der juristischen Praxis – wie zum Beispiel im Exportkontrollrecht – nützlich zu sein.

Und genau damit beschäftigen wir uns konkret seit etwas über einem Jahr: Wir trainieren einen eigenen Exportkontroll-CustomGPT – “Felix, den Galaktischen Trade Compliance Guide“.

Aber warum diese Mühe machen, Sprachmodelle eigens zu trainieren? Es wäre doch sehr praktisch, wenn man in der Exportkontrolle einfach ChatGPT nutzen könnte. Leider geht das nicht. Denn allgemein zugängliche KI-Tools wie ChatGPT sind zwar in der Lage, schnell und gut formulierte Antworten zu liefern, aber die KI kann die Korrektheit der verwendeten Quellen nicht eigenständig überprüfen. Dadurch basieren Antworten gegebenenfalls auf ungenauen, veralteten oder sogar falschen Informationen.

In der Exportkontrolle, wo die Einhaltung aktueller Vorschriften und die Korrektheit der zugrundeliegenden Quellen entscheidend ist, kann dies zu gravierenden Fehlern führen. Wir haben dies ausgiebig mit exportkontrollrechtlichen Fragestellungen getestet. Leider macht ChatGPT in vielen Fällen genau die Fehler, die sich in der Praxis festgesetzt haben und auch im World Wide Web, der Quelle des ChatGPT, zu finden sind.

Die Qualität der Antworten eines Sprachmodells hängt von den hinterlegten Daten und dem sogenannten Prompt Engineering ab. Prompt Engineering beschreibt die Methode, dem Modell genaue Anweisungen zu geben, um spezifische Ergebnisse zu erzielen.

Durch korrektes Prompting wird das Sprachmodell dazu gebracht, die gewünschten Antworten zu liefern. Im juristischen Bereich der Exportkontrolle ist es somit besonders wichtig dem Sprachmodell mitzuteilen, dass es sich um eine rechtliche Prüfung handelt, die

• sich strikt am Gesetzestext orientieren muss,
• nicht vom vorgegebenen Schema abweichen darf,
• kurzgefasst werden sollte und
• Haftungsrisiken mit sich bringen kann.

Eine der Schwierigkeiten beim Prompt Engineering besteht darin herauszufinden, wie genau Prompts formuliert werden müssen, um die gewünschten Ergebnisse zu erhalten.

Hier haben wir beim Training unseres eigenen CustomGPT für die Beantwortung exportkontrollrechtlicher Fragestellungen mit KI sehr viel gelernt: Das Prompt Engineering, eigens hinterlegte Datenquellen und die bewusste Einschränkung des Zugriffs auf externe Internetquellen legen die Grundlage für nutzbare Antworten. Durch die Einschränkungen werden nur geprüfte, aktuelle und vertrauenswürdige Quellen genutzt.

Neben diesen Grundlagen haben wir zusätzlich Instruktions-Prüfbäume und vorformulierte Textbausteine hinterlegt, auf die unser CustomGPT zugreifen muss, um eine spezifische Aufgabenstellung gut zu beantworten.

Felix, der Galaktische Trade Compliance Guide, ist derzeit in drei Versionen verfügbar – alle unterstützen bei der Güterklassifizierung.

In den nachfolgenden sechs Screenshots finden Sie ein echtes Fallbeispiel zur Güterklassifizierung mit unserem Galaktischen Trade Compliance Guide Felix. Klicken Sie einfach den rechten Pfeil, um den Austausch von Anfang bis Ende einzusehen.