Ihre KI hat Ihre Daten. Geben Sie ihr jetzt Ihr Verständnis.
Folaint baut den Ihres Unternehmens, der in der Ontologie aus Strukturen und Standards Ihrer Branche verankert ist. Ihre Fachleute geben die Regeln frei. KI schlägt dort nach, bevor sie Ihre Fragen beantwortet und Ihre Aufträge ausführt. Sie rät nicht. Das Ergebnis gehört Ihnen.
In Ihrer Branche erleben
Wählen Sie eine Branche. Das Prinzip ist immer gleich: Eine Frage, die heute Tage kostet, wird in Sekunden beantwortet, und jeder Teil der Antwort verweist auf das Dokument, aus dem er stammt.
Illustrative Beispiele. Namen, Zahlen und Dokumente sind fiktiv.
Jedes gängige Format, verbunden mit Ihrem Wissensgraphen.
PowerPoint, Excel, PDFs, SAP und die Werkzeuge, mit denen Sie ohnehin arbeiten: Folaint liest die Formate und Systeme ein, in denen Ihre Teams leben, und macht daraus einen einzigen, kontrollierten Wissensgraphen. Neue Konnektoren kommen mit jedem Release dazu.
Alle Produktnamen und Marken sind Eigentum ihrer jeweiligen Inhaber. Die Namen dienen ausschließlich der Beschreibung der Kompatibilität als Datenquelle und implizieren keine Verbindung oder Empfehlung.
Drei der Fragen von oben, geprüft an den üblichen Mitteln.
Die zwei üblichen Mittel sind eine Kontextdatei (Anweisungen im Prompt) und RAG, eine Top-k-Nächste-Nachbarn-Suche über Vektor-Embeddings. Beides hilft. Keines übersteht die drei Fragen, die Sie gerade gesehen haben.
„In welchen ausgelieferten Maschinen steckt Ventil V-220?“
Vektorsuche sortiert nach Ähnlichkeit. Sie zählt nicht auf.
Das übliche MittelDie Suche liefert die 10 bis 20 ähnlichsten Textstellen: Sie findet das Passendste, nicht alles.
Was es brauchtEine vollständige Abfrage: dem Stücklisten-Graphen folgen und alle 47 Maschinen liefern, mit dem Nachweis, dass es keine 48. gibt.
Fast alle ist nicht alle. Bei einem Produktrückruf ist „wahrscheinlich die meisten“ eine falsche Antwort.
„Wie viel Engagement haben wir wirklich bei Herrn K.?“
Die Suche holt nur, was schon dasteht. Das hier muss berechnet werden.
Das übliche MittelDie 3,1 Mio. € stehen in keinem Dokument. Die Suche liefert nur Text, der schon existiert.
Was es braucht„Herrn K.“ über drei Systeme hinweg als dieselbe Person erkennen und dann sein Engagement zusammenrechnen: erst zuordnen, dann über den Graphen verbinden.
Eine Suche kann nur zurückgeben, was irgendwo steht, und diese Zahl stand nirgends.
„Das Controlling sagt 14 %, der Vertrieb 19 %. Welche Marge stimmt?“
Ein Prompt ist ein Hinweis, keine Regel.
Das übliche Mittel„Netto nach Erstattungen“ ist nur ein Hinweis im Prompt; das Modell kann trotzdem die Vertriebstabelle stärker gewichten und 19 % antworten.
Was es braucht„Marge“ wird zu einer festen Kennzahl: eine verbindliche Formel mit Verantwortlichem, Version und Regeln, an denen jede Antwort geprüft wird.
Anweisungen, die das Modell ignorieren darf, sind keine Kontrolle, und niemand hält tausend davon in einer Datei aktuell.
Kontextdatei und RAG geben Ihrem Modell mehr Text. Folaint gibt ihm geprüfte Fakten, vollständige Beziehungen und durchgesetzte Definitionen, die es abfragen kann.
Ihre KI kann nicht über Zeilen schlussfolgern. Über eine Landkarte der Bedeutung schon.
Ein gibt Ihrer KI Entitäten, Beziehungen und Regeln, denen sie folgen kann: verankert in den veröffentlichten Standards Ihrer Branche, nicht nur in Mustern aus vergangenen Daten.
Lebendiger Graph: Ziehen Sie einen Knoten, gestrichelte zeigen beim Hover, was dahintersteckt.
Fünf Schritte, Ihre Leute bei jedem dabei.
Das Video zeigt die Geschichte von Anfang bis Ende. Darunter die Mechanik hinter jedem Schritt. Eines gilt durchgehend: Eine automatisierte Pipeline baut, und Ihre Fachleute treten genau dreimal auf, an den Freigabetoren: Dort prüfen sie, was die Pipeline vorschlägt, statt selbst zu modellieren.
- 01
Start
Das Ontologie-Design beginnt mit dem offenen Standard Ihrer Branche: im Finanzwesen, im Bauwesen, in der Fertigung. Die Pipeline lädt ihn automatisch und bildet ihn ab: Entitätstypen, Eigenschaften und erlaubte Beziehungen, Tausende Begriffe, auf die sich Ihre Branche längst geeinigt hat. Dieser Entwurf wird Ihre Ontologie, das formale Vokabular, auf dem der ganze Graph aufbaut. Niemand bei Ihnen modelliert etwas; Ihre Fachleute korrigieren später nur.
Unter der Haube- Der Standard wird als Ontologie-Skelett (TBox) geladen: Klassen, Eigenschaften und die zwischen ihnen erlaubten Beziehungen.
- Der Standard ist der Ausgangspunkt, nicht Ihre Dokumente: Er trägt Unterscheidungen, die Regulierung verlangt und Ihre Daten nie festhielten.
- Er wird aus einem lokalen bSDD/OWL-Export oder der bSDD-API geladen und direkt ins Graph-Schema abgebildet. Kein Modellieren von Hand.
ErgebnisEin Ontologie-Entwurf für Ihren Sektor, verankert in einem veröffentlichten Standard, noch vor dem ersten internen Meeting. - 02
Sichtbar machen
Niemand füllt Vorlagen aus, niemand sitzt in Workshop-Marathons. Die Pipeline durchsucht Ihre Dokumente und Systeme und schlägt zwei Dinge vor. Erstens die Kompetenzfragen: die konkreten Fragen, die der Graph beantworten können muss, etwa „welche Verträge verlängern sich nächstes Quartal, und zu welchen Bedingungen?“, jede mit erwarteter Antwort als dauerhafter Testfall gespeichert. Zweitens die Definitionen, Ausnahmen und Regeln, die sie dahinter findet, jede mit ihrer Quelle. Ihre Fachleute prüfen eine fertige Liste in einer Sitzung. An dieser Stelle stecken Wissensgraph-Projekte sonst monatelang fest; hier ist es der schnelle Teil, weil das Entwerfen Maschinenarbeit ist.
Unter der Haube- Jede Kompetenzfrage wird mit ihrer erwarteten Antwort und einer Testabfrage gespeichert, die der fertige Graph erfüllen muss.
- Zwei Wege der Erhebung, ein Ergebnis: ein geführtes Experteninterview und das Auswerten Ihrer Dokumente liefern denselben Fragensatz.
- Definitionen und Ausnahmen werden aus Ihren Daten herausgeholt, jede mit Quelldokument und Seite ihrer Herkunft.
ErgebnisEin Satz Kompetenzfragen mit erwarteten Antworten, dazu jede Definition und Ausnahme: von der Pipeline vorgeschlagen, von Ihren Fachleuten geprüft. - 03
Bestätigen
Bevor Daten fließen, wird der Ontologie-Entwurf gegen jede Kompetenzfrage getestet: Kann er jede beantworten, in der richtigen Form? Dann kommt das Freigabetor, und das ist alles, was wir von Ihren Fachleuten verlangen: prüfen, was die Pipeline vorgeschlagen hat, korrigieren, wo das Geschäft widerspricht, freigeben. Nichts kommt in den , bevor eine namentlich benannte Fachperson es freigegeben hat. Dieses Freigabetor ist Absicht: Eine falsche Definition, die offiziell aussieht, richtet mehr Schaden an als eine fehlende. Jedes Element der Ontologie existiert, um eine echte Frage zu beantworten, und jede Tatsache führt zur Person zurück, die sie freigab.
Unter der Haube- Ontologie-Evaluierung: Jede Kompetenzfrage läuft gegen das Schema. Kann es jede beantworten, in der richtigen Form?
- SHACL-Regeln bilden ein deterministisches Tor: Alles Fehlerhafte fängt die Maschine ab, ein Mensch sieht also nur gültige Kandidaten.
- Das Freigabetor ist eines von genau dreien: Eine benannte Fachperson prüft, korrigiert und gibt frei, bevor etwas als wahr gilt.
- Jede Entscheidung wird mit Verantwortlichem und Zeitstempel gespeichert, die verbindliche Definition lässt sich also stets auf eine Person zurückführen.
ErgebnisEine geprüfte, von Fachleuten freigegebene Ontologie. Jedes Element dient einer Frage, jede Tatsache hat einen Verantwortlichen. - 04
Verbinden
Jetzt füllt die Pipeline den Graphen, ohne Zutun. Konnektoren lesen Ihre Dokumente und Systeme (PDF, Word, Excel, SAP-Exporte, IFC-Modelle), und die Extraktion läuft in zwei Durchgängen: zuerst die , dann die Beziehungen dazwischen, gespeichert als Triples. Jedes Triple trägt Quelldokument, Seite und Zeitstempel. Duplikate werden aufgelöst: Derselbe Kunde unter drei Namen in drei Systemen wird ein Datensatz mit einer stabilen Kennung. Niemand bei Ihnen tippt etwas ein; am zweiten Tor prüfen Ihre Fachleute eine Stichprobe der extrahierten Fakten, einzeln, bevor der volle Lauf startet.
Unter der Haube- Ein Konnektor je Format: PDF, Word, PowerPoint, Excel, E-Mail, IFC/BIM-Modelle, SAP-Exporte. Gescannte Seiten laufen durch OCR.
- Extraktion in zwei Durchgängen: zuerst die Entitäten, dann die Beziehungen dazwischen, als Triples geschrieben (Subjekt, Beziehung, Objekt).
- Entitätsauflösung: drei Namen in drei Systemen fallen auf eine stabile Kennung zusammen, Ihre KI zählt sie also nicht mehr als drei.
- Herkunft an jedem Triple: Quelldokument, Seite, Zeitstempel und ein Konfidenzwert. Das macht jede Antwort nachvollziehbar.
- Ein Stichproben-Tor vor dem vollen Lauf: Ihre Fachleute prüfen einen Satz extrahierter Fakten, einzeln.
ErgebnisEin befüllter Wissensgraph: jede Tatsache bis auf Dokument und Seite belegbar, jedes reale Ding genau einmal vorhanden. - 05
Aktuell halten
Ein Graph, den niemand pflegt, entfernt sich Stück für Stück von dem Unternehmen, das er beschreibt. Deshalb ist die Pflege eine Pipeline, kein Versprechen. Ändert sich ein Quelldokument, löscht sie genau die Fakten, die daraus stammen, und liest nur dieses eine Dokument neu ein; die Herkunftsangabe an jedem Triple macht diesen gezielten Eingriff möglich. Nach jeder Änderung an der Ontologie laufen alle Kompetenzfragen automatisch erneut als Regressionstests. Und jede Version bleibt erhalten, damit Sie sehen, was sich wann geändert hat.
Unter der Haube- Delta-Neuaufnahme: Ändert sich ein Dokument, werden nur die daraus abgeleiteten Fakten gelöscht und neu extrahiert. Die Herkunft macht das chirurgisch.
- CQ-Regression: Nach jeder Änderung an der Ontologie läuft jede gespeicherte Kompetenzfrage automatisch erneut, als Test.
- Versionierung: Die Ontologie trägt eine Versionskennung, und jede Version bleibt erhalten, Sie sehen also, was sich wann geändert hat.
- Zeitliche Konfidenz: Fakten tragen ein Gültig-von und Gültig-bis, und das Vertrauen sinkt über die Zeit, veraltete Bedeutung wird markiert, nicht geglaubt.
ErgebnisEine Schicht, die korrekt bleibt, während sich Ihr Geschäft verändert: gezielte Updates, automatische Nachtests, vollständige Versionsgeschichte.
Was die Begriffe wirklich bedeuten.
In Standards verankert, nicht auf Präzedenzfälle gestützt.
Er erfasst Unterscheidungen, die in Ihren Daten nie vorkamen, die Regulierung aber verlangt. Eine und -Regeln machen die Bedeutung explizit und überprüfbar.
Offen, kein privater Dialekt.
Aufgebaut auf Standards, die Sie lesen, exportieren und behalten können, nie eine Blackbox, die nur wir deuten können.
- Wissensgraph
- Ein Netzwerk von Entitäten (Kunden, Verträge, Bestellungen), verbunden durch typisierte Beziehungen. Im Gegensatz zu Datenbankzeilen trägt jede Verbindung eine definierte Bedeutung, der eine KI folgen und schlussfolgern kann.
- Ontologie
- Ein formales Vokabular für eine Domäne: Entitätstypen, Eigenschaften und erlaubte Beziehungen. Ein Schema für Bedeutung, nicht nur für Daten: „Ein Vertrag muss eine Gegenpartei vom Typ Kunde haben.“
- Triple
- Die kleinste Tatsache im Wissensgraphen: Subjekt, Beziehung, Objekt. „Vertrag 2024-117, hat Gegenpartei, Acme GmbH.“ Die Extraktion aus Ihren Dokumenten läuft in zwei Durchgängen, zuerst die Entitäten, dann die Beziehungen dazwischen, und jedes Triple speichert Quelldokument, Seite und Zeitstempel seiner Herkunft.
- Kompetenzfrage
- Eine konkrete Frage, die der Graph beantworten können muss, gesammelt mit Ihren Fachleuten, bevor irgendetwas gebaut wird: „Welche Lieferanten sind Einzelquelle für ein kritisches Teil?“. Jede wird mit einer Testabfrage hinterlegt. Nach jeder Änderung an der Ontologie laufen alle erneut, ein Regressionstest für Bedeutung.
- SHACL
- Shapes Constraint Language: ein W3C-Standard für maschinenlesbare Regeln. Wenn eine Compliance-Regel besagt, dass jeder Lieferant eine Risikobewertung haben muss, markiert SHACL automatisch jeden, der keine hat.
- Offene Standards
- Das W3C veröffentlicht die vollständigen Spezifikationen für RDF, OWL und SHACL. Jeder Entwickler kann sie lesen und implementieren. Ihr Datenmodell ist nie proprietär. Sie können es exportieren, prüfen und ohne uns weiterverwenden.
Zwei Assets, die Ihnen gehören. Jede Tür, die sie öffnen.
Am Ende des Prozesses halten Sie einen , der Ihre Domäne abbildet, und eine , die ihn regelt. Beides in offenen Formaten auf Ihrer Infrastruktur. Unten sehen Sie die Möglichkeiten, die sich Ihnen eröffnen, unabhängig von der KI-Schicht, die Sie als Nächstes wählen.
Entitäten, Beziehungen und Verbindungen, die Ihre KI traversieren und nachvollziehen kann.
Die Definitionen, Regeln und Governanceschicht, die jede Tatsache im Graphen verlässlich macht.
Jede KI-Schicht speisen
Ihr LLM, Ihre -Pipeline und Ihre Agenten schöpfen alle aus demselben gepflegten Graphen. Neue Werkzeuge lassen sich jederzeit anbinden. Die aufgebaute Bedeutung ist in jeder Schicht wiederverwendbar.
Jede Ausgabe auditieren und zertifizieren
Jede graphbasierte Antwort trägt einen Begründungspfad zurück zum Quelldokument und zur bestätigenden Fachperson. Compliance-Prüfungen und regulatorische Audits werden zum Nachschlagen, nicht zur Ermittlung.
Ein Datensatz in jedem System
Entitätsauflösung gibt jedem Kunden, jedem Produkt und jedem Asset eine einzige kanonische ID. CRM, ERP und Helpdesk hören auf zu widersprechen. Master-Data-Governance entsteht als Nebeneffekt des Graphen.
Modelle tauschen, Arbeit behalten
Die erfasst, was Ihre Domäne bedeutet. Wechseln Sie LLM-Anbieter, aktualisieren Sie Versionen oder fügen Sie neue Reasoning-Engines hinzu. Ihre Investition in den Graphen überdauert jede Modellgeneration.
Offene Formate, volle Portabilität
Graph und werden als Standard-RDF/OWL gespeichert. Exportieren, hosten, übergeben oder migrieren Sie sie jederzeit. Kein proprietäres Format hält Sie zurück.
Ein wachsendes Wissens-Asset
Jede Expertenüberprüfung schärft die . Jede aufgelöste Entität verdichtet den Graphen. Anders als statistische Modellgewichte kodiert dieses Asset bewusste Entscheidungen und akkumuliert Wert, während sich Ihre Domäne weiterentwickelt.
Wenn das Modell wechselt, verschwindet die Bedeutung. Ihr Wissensgraph und Ihre Ontologie bleiben. Beides gehört Ihnen, in offenen Formaten. Mieten Sie Intelligenz, wo Sie wollen. Die Bedeutung besitzen Sie mit uns.