AI och data

En chattbot svarar på frågor. En agent vidtar åtgärder: den läser uppgifter, anropar dina system och slutför steg i en process. Ett multiagentsystem delar en större uppgift mellan agenter med snäva roller, vilket gör dem lättare att testa och kontrollera.

Läs mer: Multiagentsystem och protokollLänk till den här frågan

Det är öppna protokoll för AI-agenter. Model Context Protocol (MCP) kopplar en agent till verktyg och data. Agent2Agent (A2A) låter agenter i olika system delegera arbete. Agent Payments Protocol (AP2) låter en agent betala enligt ett mandat som du signerar.

Läs mer: Multiagentsystem och protokollLänk till den här frågan

En agent kan bara agera genom de verktyg vi definierar för den, var och en med egna behörigheter och gränser. Varje anrop loggas. Skyddsräcken kontrollerar indata och utdata, och steg som innebär risk väntar på att en människa godkänner dem.

Läs mer: Multiagentsystem och protokollLänk till den här frågan

Vid arbete enligt human-in-the-loop (HITL) godkänner en människa varje steg. Vid arbete enligt human-on-the-loop (HOTL) kör agenterna rutinstegen medan människor övervakar, tar emot larm och griper in vid undantag. Vi kommer överens med dig om vilka steg som behöver vilket.

Läs mer: Multiagentsystem och protokollLänk till den här frågan

Vi bygger en utvärderingsuppsättning av verkliga fall med förväntade resultat. Varje agent poängsätts mot den före release och efter varje ändring av promptar, modeller eller verktyg. Du fastställer tröskeln, och vi släpper inte under den.

Läs mer: Multiagentsystem och protokollLänk till den här frågan

Vi väljer per uppgift. Alternativen omfattar frontiermodeller från OpenAI, Claude och Gemini, öppna vikter som Llama, Qwen, DeepSeek och Mistral samt regionala modeller som Jais, Falcon och ALLaM. När data måste stanna i landet använder vi modeller som kan köras i din miljö.

Läs mer: Suveräna LLM:er, SLM:er och kontextplattformarLänk till den här frågan

Ja. Vi finjusterar arabisk-först små språkmodeller som Jais, Falcon och ALLaM på din vokabulär och dina dokument. Sedan testar vi dem på de frågor dina användare ställer, på de dialekter de använder.

Läs mer: Suveräna LLM:er, SLM:er och kontextplattformarLänk till den här frågan

Generering med hämtning hittar de avsnitt som besvarar en fråga och ger dem till modellen. GraphRAG lägger till en kunskapsgraf över hur dina entiteter hänger samman, så att svaren kan följa dessa kopplingar. Behörighetsmedveten betyder att varje avsnitt först filtreras utifrån den frågandes rättigheter.

Läs mer: Suveräna LLM:er, SLM:er och kontextplattformarLänk till den här frågan

Ofta räcker en liten. Klassificering, utdrag och svar utifrån dina egna dokument fungerar vanligen bra på en finjusterad liten språkmodell, som körs på färre GPU:er och kostar mindre. Stora modeller behåller vi för uppgifter som kräver djupare resonemang.

Läs mer: Suveräna LLM:er, SLM:er och kontextplattformarLänk till den här frågan

En stor språkmodell tränas på text. En stor kvantitativ modell (LQM) tränas på numeriska data, som priser, transaktioner eller flöden i leveranskedjan. Den används för att simulera scenarier och prognostisera utfall där svaret är en siffra.

Läs mer: Stora kvantitativa modeller och tillämpad MLLänk till den här frågan

Ja. Vi använder metoder för förklarbar AI (XAI) som visar vilka faktorer som drev varje beslut och dokumenterar hur modellen byggdes och testades. Dina kredit-, risk- och revisionsteam kan granska varje modell innan den driftsätts.

Läs mer: Stora kvantitativa modeller och tillämpad MLLänk till den här frågan

Vi testar hur modellen presterar över de kundgrupper som betyder något för dig och din tillsynsmyndighet. Där resultaten skiljer sig utan goda skäl ändrar vi datan, egenskaperna eller modellen före release.

Läs mer: Stora kvantitativa modeller och tillämpad MLLänk till den här frågan

Ja. Bedrägeri- och penningtvättsmodeller poängsätter transaktioner i realtid, när de sker. Misstänkta ärenden hålls kvar eller dirigeras till dina utredare, med skälen till att modellen flaggade dem.

Läs mer: Stora kvantitativa modeller och tillämpad MLLänk till den här frågan

Ja. Transaktionella agenter anropar dina system via snäva, loggade verktyg för att utföra arbetet, som att kontrollera en order eller ändra en bokning. Steg som innebär risk, som betalningar, kan kräva kundens eller en medarbetares bekräftelse.

Läs mer: Multimodal AI, tal och datorseendeLänk till den här frågan

Vi bygger och testar agenterna på de språk och dialekter dina kunder använder, inklusive arabiska, med modeller anpassade för dem. Vi testar på verkliga inspelningar och meddelanden innan någon kund hör eller läser agenten.

Läs mer: Multimodal AI, tal och datorseendeLänk till den här frågan

Video är tungt och vissa beslut kan inte vänta. Bearbetning i eller nära kameran ger snabbare resultat, skickar mindre data över nätet och håller materialet på plats när det måste stanna där.

Läs mer: Multimodal AI, tal och datorseendeLänk till den här frågan

Röstsamtal, webbchatt och meddelanden, kopplade till samma backendsystem så att kunden kan röra sig mellan kanalerna. Vi börjar med den kanal som bär flest ärenden.

Läs mer: Multimodal AI, tal och datorseendeLänk till den här frågan

Den läser dokument som en människa skulle göra: texten, layouten och innebörden. IDP 2.0 tillför AI som kontrollerar uppgifterna mot dina regler, löser rutinmässiga undantag och bokför resultatet i dina system.

Läs mer: Intelligent dokumenthantering (IDP 2.0)Länk till den här frågan

Fakturor, kontoutdrag, handlingar inom handelsfinansiering, KYC-filer och komplexa formulär, oavsett om de är inskrivna, skannade eller fotograferade. Vi testar på dina egna exempel, i alla layouter och språk som du tar emot.

Läs mer: Intelligent dokumenthantering (IDP 2.0)Länk till den här frågan

Valideringsreglerna fångar de flesta fel före bokföring genom att kontrollera summor, leverantörer, ordrar och register. Allt som är osäkert hålls kvar för en människa, med orsaken synlig. Rättelserna förs tillbaka till systemet så att det blir bättre.

Läs mer: Intelligent dokumenthantering (IDP 2.0)Länk till den här frågan

Nej. Robotiserad processautomatisering upprepar klick på skärmar och går sönder när en layout ändras. IDP förstår själva dokumentet och bokför via ERP-systemets gränssnitt i stället för dess skärmar.

Läs mer: Intelligent dokumenthantering (IDP 2.0)Länk till den här frågan

Vi bokför via de stödda gränssnitten i de ERP-system som vår integrationsdivision arbetar med, bland annat SAP, Oracle, Microsoft Dynamics 365 och Odoo. Bokföringen testas i en sandlåda innan den når din skarpa huvudbok.

Läs mer: Intelligent dokumenthantering (IDP 2.0)Länk till den här frågan

Det beror på dina data, din kompetens, var datan måste ligga och hur du ska fråga den. Vi jämför Snowflake, Databricks och ett öppet lakehouse på Apache Iceberg mot dina arbetsbelastningar och regler för datalokalisering och rekommenderar den enklaste som passar.

Läs mer: Dataarkitektur, lakehouse och realtidspipelinesLänk till den här frågan

Bara där ett beslut beror på den, som bedrägerikontroller, lagernivåer eller agenters åtgärder. Vi strömmar dessa händelser med Kafka och Flink och behåller batchladdningar där dygnssiffror räcker, eftersom batch är billigare att driva.

Läs mer: Dataarkitektur, lakehouse och realtidspipelinesLänk till den här frågan

Ja. Vi läser ändringar genom ERP:ts stödda gränssnitt eller dess databasloggar i stället för tunga frågor och schemalägger bulkladdningar utanför belastade timmar. Vi mäter belastningen på ERP:t före och efter.

Läs mer: Dataarkitektur, lakehouse och realtidspipelinesLänk till den här frågan

Varje pipeline har kvalitetskontroller av volymer, nycklar, summor och aktualitet, och fel stoppar dålig data från att nå rapporterna. Vi stämmer av nyckeltal mot dina källsystem tillsammans med dina ägare för ekonomi och drift.

Läs mer: Dataarkitektur, lakehouse och realtidspipelinesLänk till den här frågan

Det är ett affärsbeslut, fattat som två mål. Målet för återställningspunkt är hur mycket av den senaste datan du kan förlora. Målet för återställningstid är hur länge ett system får ligga nere. Vi utformar replikering, failover och säkerhetskopior för att uppfylla dem och testar dem sedan.

Läs mer: Dataarkitektur, lakehouse och realtidspipelinesLänk till den här frågan

Relationsdatabaser samt dokument-, nyckelvärdes- och sökdatabaser, på dina egna servrar eller som förvaltade molntjänster. I början bekräftar vi vilka motorer och versioner du kör och tilldelar ingenjörer som kan dem. Om du väljer en ny databas eller förvaltad tjänst jämför vi först alternativen mot din arbetsbelastning, kompetens, licenser och driftkostnad.

Läs mer: Dataarkitektur, lakehouse och realtidspipelinesLänk till den här frågan

Med mätning, inte gissningar. Vi fångar de långsammaste och vanligaste frågorna, läser deras exekveringsplaner och kontrollerar väntetider, lås, minne och lagring. Index, frågeändringar och konfiguration hjälper ofta mer än ny hårdvara och kostar mycket mindre. Vi åtgärdar de största orsakerna först och mäter varje ändring mot en baslinje.

Läs mer: Dataarkitektur, lakehouse och realtidspipelinesLänk till den här frågan

Eftersom varje system har sin egen kopia av kunder, produkter och leverantörer, och kopiorna glider isär. Masterdatahantering enas om en version, håller den aktuell och sprider den tillbaka, så att rapporter och modeller slutar gå isär.

Läs mer: Datastyrning, suveränitet, integritet och säkerhetLänk till den här frågan

Hämtningen tillämpar dina åtkomstregler på rad- och rollnivå innan någon text når modellen. Modellen ser bara det den som frågar får läsa, och känsliga fält kan maskeras först.

Läs mer: Datastyrning, suveränitet, integritet och säkerhetLänk till den här frågan

Oftast inte märkbart. Moderna processorer krypterar snabbt, och de flesta databaser och lagringssystem krypterar i vila med liten extra kostnad. Att kryptera enskilda fält i en applikation kostar mer. Vi testar prestanda på dina arbetsbelastningar före utrullning och väljer det angreppssätt som motsvarar risken utan att sakta ner verksamheten.

Läs mer: Datastyrning, suveränitet, integritet och säkerhetLänk till den här frågan

Bara om de är spårbara, så att varje svar visar frågan det körde och datan det använde. Det läser från överenskomna definitioner i ett semantiskt lager, och vi testar det mot siffror som dina team redan litar på.

Läs mer: Agentisk BI och beslutsintelligensLänk till den här frågan

Användaren skriver en fråga på klarspråk, och AI-analytikern gör om den till en databasfråga, kör den på styrd data och förklarar resultatet. Användarna behöver ingen SQL, och analytikerna lägger mindre tid på rutinförfrågningar.

Läs mer: Agentisk BI och beslutsintelligensLänk till den här frågan

Ja. Vi bygger in analys i dina portaler och appar, där varje kund begränsas till sina egna data. Där dina data har värde för andra kan vi paketera dem som en självbetjäningsprodukt.

Läs mer: Agentisk BI och beslutsintelligensLänk till den här frågan

En chattbot svarar på frågor. Vi bygger system som utför arbete. Agenterna anropar dina verktyg under övervakning, modellerna svarar bara utifrån det användaren får se och dataplattformarna håller dem försedda. Varje del testas, loggas och mäts.

Läs mer: AI & DataLänk till den här frågan

Agenterna agerar genom smala, loggade verktyg med de behörigheter du beviljar. Människor har tillsyn över dem (human-on-the-loop) och godkänner de steg som betyder något. AgentOps tillför telemetri, utvärdering, skyddsräcken mot påhittade svar och gränser för tokenskostnad.

Läs mer: AI & DataLänk till den här frågan