Pi Observer · AI Observability

Was im Inneren
von KI passiert,
muss messbar sein.

Der Pi Observer misst den inneren Zustand neuronaler Netze. Streng beobachtend, niemals eingreifend. Funktioniert, wenn Loss versagt. Validiert auf 10+ Architekturen.

Amplitude. Dispersion. Kohärenz. · Made in Germany.

PI OBSERVER / ARCHITEKTURREAD ONLY
Neuronales NetzTraining & Inferenz
Schichtzustände lesen

Pi Observer

AmplitudeDispersionKohärenz

Keine Rückführung in das Modell.

3,5%
False-Positive-Rate
GPT-OSS-20B · Normal-Runs
100%
Detektion bei Stress
in den Validierungs-Runs
10+
Architekturen
validiert
0
Rückführung in das Modell
bei Training & Inferenz

Validierungsergebnisse für die beschriebenen Testszenarien. Details und Modellumfang unten.

PI OBSERVER

Beobachten, nicht eingreifen

Herkömmliches Monitoring misst Loss, Accuracy oder Perplexität — alles Oberflächensignale. Der Pi Observer misst den inneren Zustand.

3 Signale, volle Sichtbarkeit

Amplitude, Dispersion, Kohärenz — drei Signale die den Zustand jeder Schicht erfassen. Nicht nur Loss, sondern das was wirklich unter der Haube passiert.

Architektur-adaptive Kalibrierung

Ein Kalibrierungs-Run pro Architekturfamilie. Danach funktioniert der Observer ohne weitere Anpassung — von GPT-2 bis Qwen, beweisbar portabel.

Funktioniert wenn Loss versagt

Wenn Loss zu NaN kollabiert, sind alle Standard-Metriken blind. Der Pi Observer bleibt operational — mit 100% Detektionsrate vor dem Crash in den beschriebenen Tests.

Streng getrennt vom Modell

Sidecar-Architektur: Der Observer gibt niemals etwas zurück ins Modell. Keine Gradienten-Verschmutzung. Nachweisbar ohne Einfluss bei Training und Inferenz.

Confidence-Kalibrierung

Schwellwerte werden pro Architekturfamilie kalibriert — kein Raten, kein manuelles Tuning. Erkennen, wann die KI sicher ist und wann nicht.

NaN-Loss-Detection

Wenn der Loss-Wert zu NaN wird, ist das kein Problem — es ist das Signal. Der Pi Observer erkennt Training-Collapse deterministisch, mit 0 False Positives in den NaN-Loss-Tests.

ERGEBNISSE

Messbar. Bis ins Detail.

Ergebnisse aus den dokumentierten Validierungs-Runs. Die Werte beziehen sich auf die genannten Modelle und Testszenarien.

170+

Runs validiert

Validiert auf GPT-2 Small, GPT-2 Medium, GPT-Neo-125M, Pythia-160M, Pythia-410M, Qwen-0.5B, Phi-2 (4-bit), Qwen2.5-7B, Mistral-7B, Mixtral-8x7B und GPT-OSS-20B — 170+ Runs, 9 GB Forschungsdaten.

3,5%

False-Positive-Rate · GPT-OSS-20B

100+ Runs, 8 Seeds, 4 Szenarien auf dem 20B-Modell. Ergebnis: 3,5% False-Positive-Rate in Normal-Runs, 100% Detektion bei Stress.

1.000 Steps

Frühwarnung vor dem Crash

GPT-OSS-20B: Der Pi Observer warnt durchschnittlich 1.000 Steps vor dem Loss-Crash. Bei kleineren Architekturen sogar bis zu 3.500 Steps vorher.

0,1–4%

Observer-Overhead · Zero Influence

Kein Einfluss auf das Training. Kein Einfluss auf die Inferenz — in den Validierungs-Runs bestätigt. Observer-Overhead: 0,1-4%.

Worauf Insonance baut

Beobachten, nicht eingreifen

Der Pi Observer liest den Zustand — wie ein Messgerät im Motor. Er gibt niemals etwas zurück in das Modell. Streng beobachtend, architektur-adaptiv.

Made in Germany

Ein Produkt der Swarmworx GmbH aus Essen in Oldenburg.

Beweisbar, nicht behauptet

Die Validierung steht im Mittelpunkt: Architekturen, Runs und Ergebnisse statt vager Leistungsversprechen.