Enterprise-Software,
die trägt.

AI Engineering

KI gehört in die Architektur –
nicht in den Prototypen-Ordner

Ein Sprachmodell anzubinden ist einfach. Es so einzubinden, dass es zuverlässig, nachvollziehbar und revisionssicher in einem geschäftskritischen System läuft, ist Engineering-Arbeit. Genau dort setze ich an: KI als Komponente einer Architektur, mit denselben Ansprüchen an Tests, Betrieb und Datenschutz wie jeder andere Dienst.

• Ihre Daten bleiben Ihre Daten. On-Premise-Modelle und private Endpunkte statt unkontrollierter Cloud-Abflüsse.
• Belegbare Antworten. Retrieval-Augmented Generation mit Quellenangabe statt frei erfundener Auskünfte.
• Messbare Qualität. Evaluations-Sets, Guardrails und Monitoring, bevor etwas produktiv geht.
• Anschluss an Ihre Landschaft. Integration in Java-, Kafka- und REST-Umgebungen, die bereits laufen.

// RAG-Endpunkt in einer bestehenden Quarkus-Landschaft:
// Suche, Kontext und Antwort bleiben nachvollziehbar.

@Path("/wissen")
public class KnowledgeResource {

  @Inject VectorStore  store;
  @Inject ChatModel    model;
  @Inject AuditLog     audit;

  @POST
  public Answer ask(Question q) {
    var chunks = store.similar(q.text(), 8)
                       .filteredBy(q.tenant());

    var answer = model.generate(
        Prompt.grounded(q, chunks));

    audit.record(q, chunks.sources(), answer);
    return answer.withCitations(chunks.sources());
  }
}

• RAG
• Vektordatenbanken
• On-Premise LLM
• Prompt-Engineering
• Evaluation
• DSGVO & EU AI Act