1. Executive Summary
Dieses Whitepaper stellt ein vollautomatisches System zur Erkennung von Bieterkollusion in Online-Auktionen vor – basierend auf Pinecone Vektor-Similarity-Search und LLaMA 3.3 über Groq.
Erreichte Leistung (statische Testdaten):
- → Recall: 60,0 % (9 von 15 kollusiven Paaren erkannt)
- → Optimale Hyperparameter automatisch via Grid Search
- → False Positives durch KI-Validierung massiv reduziert
graph TD
A[Auktionsdaten] --> B[Vektorisierung]
B --> C[Pinecone Index]
D[Query LowBet<br/>Query HighBet] --> E[Vektorisierung]
E --> C
C --> F[Similarity Search]
F --> G[Paaranalyse + Grid Search]
G --> H[Verdächtige Paare]
H --> I[LLaMA 3.3 Validierung]
I --> J[Finale Report-Liste]
style J fill:#0050b3,stroke:#fff,color:#fff
2. Architektonisches Framework
Das System basiert auf einer dreistufigen Pipeline:
3. Grid Search Optimierung
graph TD
A[Parameter-Raster] --> B[S_Threshold: 0.35, 0.33, 0.30, 0.28, 0.25]
A --> C[A_Threshold: 2, 3]
B --> D[Test auf Ground Truth]
C --> D
D --> E[Recall berechnen]
E --> F[Beste Kombination<br/>S=0.35 / A=2]
style F fill:#27ae60,color:white
3.4 Ergebnisse
| Parameter | Recall | True Positives | False Positives |
|---|---|---|---|
| S=0.35 / A=2 (optimal) | 60,0 % | 9 / 15 | 12 |
| S=0.30 / A=2 | 53,3 % | 8 / 15 | 18 |
| S=0.35 / A=3 | 46,7 % | 7 / 15 | 6 |
4. KI-Validierung mit LLaMA 3.3
„Bewerte das folgende Bieterpaar auf Kollusionswahrscheinlichkeit. Begründe in einem Satz.“
Ergebnis: 9 Paare hochverdächtig · 12 Paare unverdächtig → starke Reduktion der False Positives
