🎯 MOSAIC — v1.0.0-alpha

Verhaltensintelligenz plattformübergreifend

Ein datenschutzorientiertes, plattformübergreifendes Framework für Verhaltens- und soziodynamische Analysen

📺 Demo

🧭 Was ist MOSAIC?

MOSAIC ist kein einfacher OSINT-Aggregator. Es ist ein Verhaltensanalyse-Framework, das Forscher, Analysten und Sicherheitsexperten dabei unterstützt, Verhaltenssignale über mehrere Online-Plattformen hinweg zu beobachten, zu strukturieren und zu interpretieren.

MOSAIC sammelt heterogene öffentliche Daten und organisiert sie in Verhaltensdimensionen, was vergleichende und Längsschnittanalysen ermöglicht, die mit Einzelquellenansätzen nicht möglich sind.

⚠️ MOSAIC erstellt keine psychologischen Diagnosen oder absolute Wahrheiten. Es liefert strukturierte Signale und analytische Hypothesen, die von einem menschlichen Analysten interpretiert werden müssen.

🎯 Vision

Die meisten Tools konzentrieren sich auf was eine Person veröffentlicht. MOSAIC konzentriert sich darauf, wie Verhalten in verschiedenen Umgebungen entsteht.

Anstatt Profile zu aggregieren, erstellt MOSAIC Verhaltens-Fingerabdrücke über drei komplementäre Dimensionen:

• Technisch Fähigkeiten, Fachwissen, Problemlösungsstrategien (GitHub, StackOverflow)

• Sozial Interaktionen, Zugehörigkeiten, Diskursmuster, Gemeinschaftsdynamiken (Telegram, Reddit, Mastodon, Bluesky)

• Einfluss Inhaltsproduktion, Themen, Sichtbarkeit, narrative Konsistenz (YouTube, Medium)

Dieser Multi-Angle-Ansatz ermöglicht soziodynamische, sicherheitsbezogene und Glaubwürdigkeitsanalysen, die kontextbezogen, erklärbar und datenschutzbewusst bleiben.

🚀 Schnellstart

Installation

git clone https://github.com/Or1un/MOSAIC.git
cd MOSAIC
pip install -r requirements.txt

Konfiguration (Optional)

# Most platforms work without credentials
# Some sources (YouTube, Telegram) require API keys
cp modules/config.yaml.example modules/config.yaml
nano modules/config.yaml

Ausführen

python3 mosaic.py

🤖 LLM-Einrichtung

1. Python-Abhängigkeiten installieren

pip install -r requirements_llm.txt

2. Ollama-Server installieren (einmalig)

# Linux/macOS
curl -fsSL https://ollama.com/install.sh | sh

# Windows
# Download from https://ollama.com/download

3. Ollama starten und Modelle herunterladen - Qwen:0.5b (PoC)

ollama serve &
ollama pull qwen:0.5b

🌍 Anwendungsfälle

🎯 Talent- und Fachkenntnisbewertung

Gehen Sie über Lebensläufe hinaus, indem Sie Folgendes analysieren:

• technische Tiefe
• Kommunikationsstil
• Anerkennung durch Kollegen
• Engagement in der Gemeinschaft

Beispiel: Bewerten Sie ein Senior-DevSecOps-Profil anhand von GitHub-Aktivitäten (technische Strenge), StackOverflow-Antworten (Problemlösungsstil) und Medium-Veröffentlichungen (Wissensvermittlung).

🔒 Digitaler Fußabdruck und OPSEC-Analyse

Identifizieren Sie Expositionsrisiken, Muster des Over-Sharings und Inkonsistenzen in der öffentlichen Präsenz.

Beispiel: Prüfen Sie den Online-Fußabdruck einer Führungskraft oder einer sicherheitssensiblen Rolle, um potenzielle Angriffsflächen oder Reputationsrisiken zu erkennen.

🕵️ Due-Diligence- und Glaubwürdigkeitsanalyse

Überprüfen Sie Behauptungen und Verhaltenskonsistenz plattformübergreifend.

Beispiel: Bewerten Sie vor einer Partnerschaft oder Investition, ob das öffentliche Verhalten mit der angegebenen Expertise und den Verantwortlichkeiten übereinstimmt.

🔬 Verhaltens- und soziodynamische Forschung

Studieren Sie:

• Diskursentwicklung
• Verbreitung von Fachwissen
• Einflussmuster in Gemeinschaften
• plattformübergreifende Verhaltensänderungen

Beispiel: Analysieren Sie, wie technische Autorität in verschiedenen Ökosystemen in sozialen Einfluss umgesetzt wird (oder nicht).

🧩 Kern-Workflow

1️⃣ Sammeln — Multi-Source-Signale

MOSAIC sammelt heterogene öffentliche Daten, um eine Plattformverzerrung zu vermeiden.

Derzeit unterstützte Quellen:

• Technisch: GitHub, StackOverflow
• Sozial: Telegram, Reddit, Mastodon, Bluesky
• Einfluss: YouTube, Medium

💡 MOSAIC funktioniert am besten, wenn Sie bereits wissen, wo Ihr Ziel aktiv ist. Fokussierte Sammlung verbessert die Signalqualität und reduziert Rauschen.

Zukünftige Quellen (Forschungsideen): professionelle Plattformen, Foren, Nischengemeinschaften. Beiträge und Diskussionen sind willkommen.

2️⃣ Kontext — Analytischer Rahmen

Die Analyse wird durch kontextbezogene Prompts geleitet, nicht durch generische Anweisungen.

Verfügbare Kontexte (Alpha):

• Recruitment.md — Bewertung technischer und sozialer Kompetenzen
• OPSEC_audit.md — Analyse des digitalen Fußabdrucks und der Exposition
• Threat_Intelligence.md — Attributions- und Konsistenzforschung
• PoC.md — schnelle explorative Analyse

Prompts sind Markdown-Vorlagen, die in modules/prompts/ gespeichert sind.

⚠️ Alpha-Hinweis Aktuelle Prompts priorisieren Architektur und Erweiterbarkeit vor Verfeinerung. MOSAIC geht davon aus, dass Analysten die Prompts an ihre Methodik und Domäne anpassen.

3️⃣ Analyse — KI als Assistent

MOSAIC unterstützt zwei Analysemodi:

✅ Lokal (Datenschutz zuerst — empfohlen)

• Verwendet lokale LLMs über Ollama
• Daten verlassen niemals Ihren Rechner
• Am besten für sicherheitssensible Kontexte

ollama pull mistral:7b-instruct

Unterstützte Modelle: mistral, llama, qwen, etc.

⚠️ Cloud (Optional)

• Höhere Leistung
• Vom Benutzer zu verwaltende Datenschutzabwägungen
• Laden Sie nur exportierte JSON-Dateien aus results/ hoch

💡 Die besten Ergebnisse erzielen Sie, wenn Sie MOSAIC-Ausgaben mit externem Kontext kombinieren (Lebensläufe, Vorstellungsgespräche, Referenzen, Zeitpläne).

4️⃣ Erkenntnisse — Menschenzentrierte Interpretation

Die Qualität der Erkenntnisse hängt ab von:

• Datenvielfalt
• Prompt-Präzision
• Analystenexpertise
• Modellfähigkeiten

MOSAIC liefert Struktur und Signale. Sie liefern Urteilsvermögen.

⚠️ Ethischer und rechtlicher Rahmen

MOSAIC ist für legitime, einvernehmliche und rechtmäßige Nutzung konzipiert.

❌ Nicht vorgesehen für

• Überwachung oder Stalking
• Belästigung oder Einschüchterung
• Unbefugte Hintergrundüberprüfungen
• Massenhaftes automatisiertes Profiling
• Verstöße gegen die Nutzungsbedingungen der Plattform

🔐 Datenschutz und Verantwortung

• Keine zwingende Cloud-Nutzung
• Standardmäßig lokale Analyse
• Ergebnisse werden lokal gespeichert (results/, .git-ignored)
• Benutzer sind für die Einhaltung der DSGVO und lokaler Vorschriften verantwortlich
• Anmeldeinformationen werden sicher in config.yaml gespeichert

Durch die Nutzung von MOSAIC erklären Sie sich damit einverstanden, es ethisch, verantwortungsvoll und legal zu nutzen.

🤝 Community und Beiträge

Fragen, Ideen oder Forschungsrichtungen?

• 📧 E-Mail: [email protected]
• 🐛 Probleme: GitHub Issues
• 💡 Diskussionen: GitHub Discussions
• 📖 Wiki: demnächst

MOSAIC ist ein methodologisches Framework — Beiträge, die Prompts, Analyselogik oder ethische Schutzmaßnahmen verbessern, sind besonders willkommen.

Hergestellt mit 🔍 von Or1un