KI und Daten

Ein Chatbot beantwortet Fragen. Ein Agent handelt: Er liest Datensätze, ruft Ihre Systeme auf und erledigt Schritte eines Prozesses. Ein Multi-Agenten-System teilt eine größere Aufgabe zwischen Agenten mit engen Rollen auf, die leichter zu testen und zu steuern sind.

Weiterlesen: Multi-Agenten-Systeme und ProtokolleAuf diese Frage verlinken

Es sind offene Protokolle für KI-Agenten. Das Model Context Protocol (MCP) verbindet einen Agenten mit Werkzeugen und Daten. Agent2Agent (A2A) lässt Agenten in verschiedenen Systemen Arbeit delegieren. Das Agent Payments Protocol (AP2) lässt einen Agenten unter einem von Ihnen unterzeichneten Mandat bezahlen.

Weiterlesen: Multi-Agenten-Systeme und ProtokolleAuf diese Frage verlinken

Ein Agent kann nur über die Werkzeuge handeln, die wir für ihn definieren, jedes mit eigenen Berechtigungen und Limits. Jeder Aufruf wird protokolliert. Guardrails prüfen Ein- und Ausgaben, und Schritte mit Risiko warten auf die Freigabe durch einen Menschen.

Weiterlesen: Multi-Agenten-Systeme und ProtokolleAuf diese Frage verlinken

Bei Human-in-the-Loop-Arbeit (HITL) gibt eine Person jeden Schritt frei. Bei Human-on-the-Loop-Arbeit (HOTL) erledigen Agenten die Routineschritte, während Menschen beaufsichtigen, Warnungen erhalten und bei Ausnahmen eingreifen. Wir vereinbaren mit Ihnen, welche Schritte welches Vorgehen brauchen.

Weiterlesen: Multi-Agenten-Systeme und ProtokolleAuf diese Frage verlinken

Wir bauen aus echten Fällen mit erwarteten Ergebnissen ein Evaluierungsset. Jeder Agent wird darauf bewertet, vor dem Release und nach jeder Änderung an Prompts, Modellen oder Werkzeugen. Sie vereinbaren die Schwelle, und wir gehen nicht darunter live.

Weiterlesen: Multi-Agenten-Systeme und ProtokolleAuf diese Frage verlinken

Wir wählen je Aufgabe. Zu den Optionen gehören Frontier-Modelle von OpenAI, Claude und Gemini, Open-Weight-Modelle wie Llama, Qwen, DeepSeek und Mistral sowie regionale Modelle wie Jais, Falcon und ALLaM. Müssen Daten im Land bleiben, nutzen wir Modelle, die in Ihrer Umgebung laufen können.

Weiterlesen: Souveräne LLMs, SLMs und KontextplattformenAuf diese Frage verlinken

Ja. Wir stimmen Arabic-first kleine Sprachmodelle wie Jais, Falcon und ALLaM auf Ihr Vokabular und Ihre Dokumente ab. Dann testen wir sie mit den Fragen, die Ihre Nutzer stellen, in den Dialekten, die sie verwenden.

Weiterlesen: Souveräne LLMs, SLMs und KontextplattformenAuf diese Frage verlinken

Retrieval-Augmented Generation findet die Passagen, die eine Frage beantworten, und gibt sie dem Modell. GraphRAG ergänzt einen Wissensgraphen darüber, wie Ihre Entitäten zusammenhängen, sodass Antworten diesen Verknüpfungen folgen können. Berechtigungsbewusst bedeutet, dass jede Passage zuerst nach den Rechten des Fragenden gefiltert wird.

Weiterlesen: Souveräne LLMs, SLMs und KontextplattformenAuf diese Frage verlinken

Oft genügt ein kleines. Klassifizierung, Extraktion und Antworten aus Ihren eigenen Dokumenten funktionieren meist gut mit einem abgestimmten kleinen Sprachmodell, das auf weniger GPUs läuft und weniger kostet. Große Modelle behalten wir für Aufgaben, die tieferes Schlussfolgern brauchen.

Weiterlesen: Souveräne LLMs, SLMs und KontextplattformenAuf diese Frage verlinken

Ein großes Sprachmodell wird auf Text trainiert. Ein großes quantitatives Modell (LQM) wird auf numerischen Daten trainiert, etwa Preisen, Transaktionen oder Lieferkettenflüssen. Es dient dazu, Szenarien zu simulieren und Ergebnisse zu prognostizieren, deren Antwort eine Zahl ist.

Weiterlesen: Große quantitative Modelle und angewandtes MLAuf diese Frage verlinken

Ja. Wir nutzen Methoden der erklärbaren KI (XAI), die zeigen, welche Faktoren jede Entscheidung bestimmt haben, und dokumentieren, wie das Modell gebaut und getestet wurde. Ihre Kredit-, Risiko- und Audit-Teams können jedes Modell prüfen, bevor es live geht.

Weiterlesen: Große quantitative Modelle und angewandtes MLAuf diese Frage verlinken

Wir testen, wie das Modell über die Kundengruppen abschneidet, die für Sie und Ihre Aufsicht zählen. Unterscheiden sich die Ergebnisse ohne triftigen Grund, ändern wir vor dem Release Daten, Features oder Modell.

Weiterlesen: Große quantitative Modelle und angewandtes MLAuf diese Frage verlinken

Ja. Betrugs- und AML-Modelle bewerten Transaktionen in Echtzeit, während sie passieren. Verdächtige Fälle werden angehalten oder mit den Gründen, aus denen das Modell sie markiert hat, an Ihre Ermittler geleitet.

Weiterlesen: Große quantitative Modelle und angewandtes MLAuf diese Frage verlinken

Ja. Transaktionale Agenten rufen Ihre Systeme über eng begrenzte, protokollierte Werkzeuge auf, um die Arbeit zu erledigen, etwa eine Bestellung prüfen oder eine Buchung ändern. Risikobehaftete Schritte wie Zahlungen können die Bestätigung des Kunden oder eines Mitarbeitenden erfordern.

Weiterlesen: Multimodale, Sprach- und Vision-KIAuf diese Frage verlinken

Wir bauen und testen Agenten in den Sprachen und Dialekten Ihrer Kunden, einschließlich Arabisch, mit dafür optimierten Modellen. Wir testen mit echten Aufzeichnungen und Nachrichten, bevor ein Kunde den Agenten hört oder liest.

Weiterlesen: Multimodale, Sprach- und Vision-KIAuf diese Frage verlinken

Video ist datenintensiv, und manche Entscheidungen dulden keinen Aufschub. Die Verarbeitung auf oder nahe der Kamera liefert schnellere Ergebnisse, überträgt weniger Daten über das Netz und hält Aufnahmen vor Ort, wenn sie dort bleiben müssen.

Weiterlesen: Multimodale, Sprach- und Vision-KIAuf diese Frage verlinken

Telefonanrufe, Webchat und Messaging, angebunden an dieselben Backend-Systeme, sodass ein Kunde zwischen den Kanälen wechseln kann. Wir beginnen mit dem Kanal mit den meisten Anfragen.

Weiterlesen: Multimodale, Sprach- und Vision-KIAuf diese Frage verlinken

Sie liest Dokumente so, wie ein Mensch es täte: den Text, das Layout und die Bedeutung. IDP 2.0 ergänzt KI, die Daten gegen Ihre Regeln prüft, Routineausnahmen löst und das Ergebnis in Ihre Systeme bucht.

Weiterlesen: Intelligente Dokumentenverarbeitung (IDP 2.0)Auf diese Frage verlinken

Rechnungen, Kontoauszüge, Trade-Finance-Dokumente, KYC-Unterlagen und komplexe Formulare, ob getippt, gescannt oder fotografiert. Wir testen mit Ihren eigenen Belegen, in allen Layouts und Sprachen, die Sie erhalten.

Weiterlesen: Intelligente Dokumentenverarbeitung (IDP 2.0)Auf diese Frage verlinken

Validierungsregeln fangen die meisten Fehler vor der Buchung ab, indem sie Summen, Lieferanten, Bestellungen und Datensätze prüfen. Alles Unsichere wird mit angezeigtem Grund für eine Person angehalten. Korrekturen fließen zurück ins System, sodass es besser wird.

Weiterlesen: Intelligente Dokumentenverarbeitung (IDP 2.0)Auf diese Frage verlinken

Nein. Robotergestützte Prozessautomatisierung wiederholt Klicks auf Oberflächen und bricht, wenn sich ein Layout ändert. IDP versteht das Dokument selbst und bucht über die Schnittstellen Ihres ERPs statt über seine Oberflächen.

Weiterlesen: Intelligente Dokumentenverarbeitung (IDP 2.0)Auf diese Frage verlinken

Wir buchen über die unterstützten Schnittstellen der ERPs, mit denen unsere Integrationsdivision arbeitet, darunter SAP, Oracle, Microsoft Dynamics 365 und Odoo. Buchungen werden in einer Sandbox getestet, bevor sie Ihr laufendes Hauptbuch erreichen.

Weiterlesen: Intelligente Dokumentenverarbeitung (IDP 2.0)Auf diese Frage verlinken

Das hängt von Ihren Daten, Ihren Kenntnissen, dem vorgeschriebenen Datenstandort und der Art Ihrer Abfragen ab. Wir vergleichen Snowflake, Databricks und ein offenes Lakehouse auf Apache Iceberg anhand Ihrer Workloads und Regeln zum Datenstandort und empfehlen die einfachste passende Option.

Weiterlesen: Datenarchitektur, Lakehouses und Echtzeit-PipelinesAuf diese Frage verlinken

Nur wo eine Entscheidung davon abhängt, etwa bei Betrugsprüfungen, Beständen oder Aktionen von Agenten. Diese Ereignisse streamen wir mit Kafka und Flink, und behalten Batch-Lasten, wo Tageswerte reichen, denn Batch ist günstiger im Betrieb.

Weiterlesen: Datenarchitektur, Lakehouses und Echtzeit-PipelinesAuf diese Frage verlinken

Ja. Wir lesen Änderungen über die unterstützten Schnittstellen oder Datenbankprotokolle des ERPs statt über schwere Abfragen und legen Massenladungen außerhalb der Stoßzeiten. Wir messen die Last auf dem ERP vorher und nachher.

Weiterlesen: Datenarchitektur, Lakehouses und Echtzeit-PipelinesAuf diese Frage verlinken

Jede Pipeline hat Qualitätsprüfungen für Mengen, Schlüssel, Summen und Aktualität, und Fehler halten schlechte Daten von Berichten fern. Wir stimmen Schlüsselzahlen mit Ihren Verantwortlichen in Finanzen und Betrieb gegen die Quellsysteme ab.

Weiterlesen: Datenarchitektur, Lakehouses und Echtzeit-PipelinesAuf diese Frage verlinken

Das ist eine Geschäftsentscheidung, ausgedrückt in zwei Zielen. Das Recovery Point Objective gibt an, wie viele aktuelle Daten Sie verlieren dürften. Das Recovery Time Objective gibt an, wie lange ein System ausfallen darf. Wir gestalten Replikation, Failover und Backups danach und testen sie.

Weiterlesen: Datenarchitektur, Lakehouses und Echtzeit-PipelinesAuf diese Frage verlinken

Mit relationalen Datenbanken sowie Dokument-, Key-Value- und Suchdatenbanken, auf Ihren eigenen Servern oder als Managed-Cloud-Dienste. Zu Beginn bestätigen wir Engines und Versionen, die Sie betreiben, und setzen Ingenieure ein, die sie kennen. Wählen Sie eine neue Datenbank oder einen Managed Service, vergleichen wir zuerst die Optionen anhand Ihrer Workloads, Kenntnisse, Lizenzen und Betriebskosten.

Weiterlesen: Datenarchitektur, Lakehouses und Echtzeit-PipelinesAuf diese Frage verlinken

Mit Messung, nicht mit Vermutungen. Wir erfassen die langsamsten und häufigsten Abfragen, lesen ihre Ausführungspläne und prüfen Wartezeiten, Sperren, Speicher und Storage. Indizes, Abfrageänderungen und Konfiguration helfen oft mehr als neue Hardware und kosten viel weniger. Wir beheben die größten Ursachen zuerst und messen jede Änderung gegen eine Baseline.

Weiterlesen: Datenarchitektur, Lakehouses und Echtzeit-PipelinesAuf diese Frage verlinken

Weil jedes System seine eigene Kopie von Kunden, Produkten und Lieferanten hält und die Kopien auseinanderlaufen. Stammdatenmanagement vereinbart eine Version, hält sie aktuell und speist sie zurück, damit Berichte und Modelle aufhören, sich zu widersprechen.

Weiterlesen: Data Governance, Souveränität, Datenschutz und SicherheitAuf diese Frage verlinken

Retrieval wendet Ihre Zugriffsregeln auf Zeilen- und Rollenebene an, bevor Text das Modell erreicht. Das Modell sieht nur, was die fragende Person lesen darf, und sensible Felder können vorher maskiert werden.

Weiterlesen: Data Governance, Souveränität, Datenschutz und SicherheitAuf diese Frage verlinken

Meist nicht spürbar. Moderne Prozessoren verschlüsseln schnell, und die meisten Datenbanken und Speichersysteme verschlüsseln im Ruhezustand mit geringem Overhead. Einzelne Felder in einer Anwendung zu verschlüsseln kostet mehr. Wir testen die Performance mit Ihren Workloads vor der Einführung und wählen den Ansatz, der das Risiko abdeckt, ohne das Geschäft auszubremsen.

Weiterlesen: Data Governance, Souveränität, Datenschutz und SicherheitAuf diese Frage verlinken

Nur wenn sie nachvollziehbar sind: Jede Antwort zeigt die ausgeführte Abfrage und die verwendeten Daten. Es liest vereinbarte Definitionen aus einer semantischen Schicht, und wir testen es gegen Zahlen, denen Ihre Teams bereits vertrauen.

Weiterlesen: Agentische BI und Decision IntelligenceAuf diese Frage verlinken

Ein Anwender tippt eine Frage in klarer Sprache, der KI-Analyst übersetzt sie in eine Datenbankabfrage, führt sie auf gouvernierten Daten aus und erklärt das Ergebnis. Anwender brauchen kein SQL, und Analysten verbringen weniger Zeit mit Routineanfragen.

Weiterlesen: Agentische BI und Decision IntelligenceAuf diese Frage verlinken

Ja. Wir bauen Analytik in Ihre Portale und Apps ein, wobei jeder Kunde auf seine eigenen Daten beschränkt ist. Wenn Ihre Daten für andere wertvoll sind, können wir sie als Self-Service-Produkt bündeln.

Weiterlesen: Agentische BI und Decision IntelligenceAuf diese Frage verlinken

Ein Chatbot beantwortet Fragen. Wir bauen Systeme, die Arbeit erledigen. Agenten rufen Ihre Werkzeuge unter Aufsicht auf, Modelle antworten nur aus dem, was der Nutzer sehen darf, und Datenplattformen versorgen sie. Jedes System wird getestet, protokolliert und gemessen.

Weiterlesen: AI & DataAuf diese Frage verlinken

Agenten handeln über schmale, protokollierte Werkzeuge mit den Rechten, die Sie vergeben. Menschen beaufsichtigen sie im Regelkreis und genehmigen die entscheidenden Schritte. AgentOps ergänzt Telemetrie, Evaluierung, Guardrails gegen erfundene Antworten und Limits für Token-Ausgaben.

Weiterlesen: AI & DataAuf diese Frage verlinken