GOOUT

Kurz & Knapp

Freizeitentscheidungen sind selten komplex, aber fast immer kontextabhängig. Die Herausforderung liegt nicht im Finden von Optionen, sondern im Bewerten dieser Optionen unter konkreten Rahmenbedingungen (Ort, Zeit, Intention). GOOUT ist keine Suchmaschine, sondern eine Evaluierungs-Engine. Sie transformiert einen kalendarisch definierten Kontext in eine strukturierte, geprüfte und erklärbare Rangliste konkreter Optionen.

Ausgangssituation

Klassische Suchmaschinen liefern Listen, Bewertungsportale liefern Durchschnittswerte. Beides ignoriert oft den situativen Entscheidungsrahmen:

• “Wo befinde ich mich?”
• “Was entspricht meiner aktuellen Intention?”
• “Was ist zu diesem Zeitpunkt tatsächlich geöffnet?”

Ein Ort mit 5 Sternen nützt nichts, wenn er geschlossen ist. GOOUT adressiert genau diese Lücke durch eine explizite Zeitfenster-Validierung.

Das Experiment

Ich habe eine Pipeline gebaut, die den Kalender als alleinigen, strukturierten Intent-Träger nutzt. Ein Eintrag definiert Ort, Datum, Uhrzeit und thematische Intention.

Die Architektur

Das System ist als modulare Evaluierungspipeline aufgebaut:

1. Calendar Trigger: Der Kalendereintrag startet den Prozess.
2. Intent Normalization: Was bedeutet “Mittagessen” oder “Ausflug” konkret?
3. Geo-basierte Kandidatenabfrage: Suche im Radius.
4. Zeitfenster-Validierung: Kandidaten werden konkret gegen das geplante Zeitfenster geprüft. Orte, die nicht offen sind, erhalten einen Hard Block.
5. Heuristische & Inhaltsbasierte Bewertung:
   • Deterministische Subscores (Distanz, Rating, Status).
   • LLM-gestützte Analyse (Semantische Passung, Sentiment der Reviews).
6. Score-Normalisierung: Zusammenführung aller Faktoren in einen Wert [0..1].

Das Ranking-Modell

GOOUT nutzt ein Hybrid-Scoring-Modell. Wichtig dabei: Die LLM-Komponente bewertet isoliert pro Kandidat (versteht den Inhalt), aber die globale Sortierung erfolgt deterministisch. Damit bleibt die Rangfolge reproduzierbar und halluzinationsfrei.

Ergebnis

Das System liefert keine “kreativen Ideen”, sondern belastbare, real nutzbare Optionen.

• Ortsunabhängig: Funktioniert weltweit, wo Daten verfügbar sind.
• Erklärbar: Jeder Vorschlag enthält strukturierte Entscheidungsgründe (z.B. “Hohe Intent-Passung”, “Perfekt im Zeitfenster”).
• Transparenz: Datenlücken (z.B. fehlende Preise) werden ausgewiesen, nicht geraten.

Was ich gelernt habe

• Availability is King: Die beste Bewertung ist wertlos ohne Verfügbarkeit. Die Zeitfenster-Prüfung ist das wichtigste Qualitätsmerkmal.
• Keine Blackbox: Eine Entscheidungslogik muss evaluierbar sein.
• Governance: Strenge Output-Verträge für das LLM verhindern “kreatives Chaos”.

Technik

• Stack: Python Pipeline, LLM-Integration (API), iCal-Trigger.
• Datenmodell: hofgpt.entity.v1 (Versioniertes Schema für Entitäten, Provider-Metadaten und Scoring-Struktur).
• Prinzip: Retrieval -> Scoring -> Presentation.