In unserer Plattform und in all unseren Lösungen stecken mehr Verfahren der künstlichen Intelligenz, als die meisten KI-Experten kennen. Das liegt daran, dass Empolis schon vor dreißig Jahren KI-Verfahren für die industrielle Nutzung entwickelt hat – als die Rechenpower für moderne maschinelle Lernverfahren noch in weiter Ferne lag. Deswegen sind wir so gut darin, mit Informationen auch da intelligent umzugehen, wo Trainingsdaten für neuronale Netze fehlen.

Drei Schlüssel für die meisten unserer Lösungen:

Federated Search

Wir wollen die bestehende IT-Landschaft nicht stören – alle Daten bleiben im Original da, wo sie sind. Aber alle relevanten Informationen aus allen relevanten Datentöpfen werden an einer zentralen Stelle und in einem verknüpften Informationsmodell zusammengeführt, damit unsere Nutzer schnell an dieser einen Stelle Quellen identifizieren können, die sie benötigen. Natürlich unter Berücksichtigung der vergebenen Berechtigungen aus den Ursprungssystemen. Je nach Präferenz, Use Case und Quelle setzen wir dabei scharfe Phrasensuchen, Boole´sche Suche, unscharfe Suchen auf der Textähnlichkeit, aber auch semantische Suchen zur Erkennung von Synonymen oder inhaltlich ähnlicher Konzepte ein. Schnell, mächtig, flexibel.

Für jede Suche das richtige Werkzeug

Entscheidungsbäume bilden Prozesse und Workflows ab, die auf strukturierten und assoziativen Such- und Klassifizierungsverfahren basieren. So kann das bereits vorhandene Rezept für den Obstsalat auch gleich als Schrittfolge erfasst werden. Semantische Suche lässt sich bei uns einfach aktivieren und an Ihren Bedarf anpassen. So können Sie die Begriffswelt Ihrer Nutzer an die vorhandenen Daten anpassen und einfache Zusammenhänge abbilden. Äpfel und Birnen passen zu Obstsalat.

Bei aktivierter Assoziativer Suche werden auch statistische Zusammenhänge und Ähnlichkeiten berücksichtigt: Wer Äpfel sucht, hat häufig auch Birnen gesucht. Volltextsuche benötigt keine Konfiguration und ist auf allen Textsammlungen sofort verfügbar. Und dank moderner Linguistik wird auch Apfelmus gefunden, wenn nach Äpfeln gesucht wird.

Knowledge Graph

Viele Dinge lassen sich statistisch nicht ermitteln, aber schnell und einfach strukturiert erfassen. Beispielsweise, dass man in geschlossenen Ortschaften maximal 50 km/h fahren darf, wie der Prozess für eine Dienstreise aussieht oder wer im Unternehmen welche Skills und Erfahrungen hat. Am besten geht das in einem Enterprise Knowledge Graphen und unsere Knowledge-Graph-Technologie bringt als Besonderheit ein einzigartiges patentiertes Rechtemanagement mit, damit auch in komplexen Netzen jeder nur das sieht, was er sehen darf. Noch etwas Besonderes für Insider: Wir wissen, dass es nicht nur Beziehungen zwischen Knoten gibt, sondern auch zwischen Kanten – unser Knowledge Graph weiß das auch.

Schlüsse aus verknüpften Daten ziehen

Die meisten Informationen, die wir benötigen, sind nicht explizit erfasst. Trotzdem können wir vieles aus vorhandenem Wissen ableiten und, Schlussfolgerungen ziehen: Peter arbeitet in Projekt STORM, Projekt STORM wird im Auftrag von ACME Ltd. durchgeführt, also hat Peter vermutlich Kontakte bei ACME Ltd.

Knowledge Graphen beschränken sich nicht darauf, einfach nur Daten aufzunehmen und wiederzugeben. Sie bilden Zusammenhänge in einem formalen Modell ab, das das gesamte Wissen im Unternehmen zugänglich machen kann.

Zum Whitepaper

Case-based Reasoning

Der Kluge lernt aus seinen Fehlern, der Weise lernt aus den Fehlern der anderen, der Narr weder aus dem einen noch dem anderen. Und damit unsere Kunden auf alle Erfahrungen ihres Unternehmens jederzeit zugreifen können, haben wir das fallbasierte Schließen als Schlüsselverfahren in unsere Produkte eingebaut – von der Gesellschaft für Informatik als eine der zehn bedeutenden Technologien der deutschen KI-Geschichte ausgezeichnet. Case-based Reasoning in a nutshell: Wir erfassen jeden Fall mit all seinen Eigenschaften – ganz gleich, ob es sich um die Beschreibung eines technischen Problems oder eines verwaltungstechnischen Antrags handelt. Zusätzlich dokumentieren wir die zugehörige Lösung oder Entscheidung. So können wir bei jedem neuen Fall schauen, ob wir schon ähnliche Fälle kennen und wie wir damit umgegangen sind. So gehen keine Erfahrungen verloren.

Probleme lösen auf Basis von Erfahrungen

Die #KI50-Jury der Gesellschaft für Informatik sagt dazu: „Im amerikanischen Rechtssystem spielt die Recherche passender Präzedenzfälle eine besondere Rolle. Daher wurde in den USA ein KI-Ansatz für das fallbasierte Schließen entwickelt, mit dem sich die Recherchen maschinell unterstützen lassen. In Deutschland wurde das Potenzial dieses Konzepts für industrielle Anwendungen von Michael M. Richter bereits früh erkannt. Er hat mit seinen Arbeiten und denen seiner Gruppe das Gebiet des fallbasierten Schließens (Case-based Reasoning) bzw. der erfahrungsbasierten Systeme international weiterentwickelt. Beispielhaft sei hier das von ihm vorgeschlagene Modell der „Wissenscontainer“ genannt, das maßgeblich zum Verständnis und zur Gestaltung von Anwendungen beigetragen hat. Als Ergebnis hat sich eine in der Praxis etablierte Technologie ergeben, die sich beispielsweise auch in der Gründung des Unternehmens Empolis (in 1991 zuerst als tec:inno) niedergeschlagen hat, das heute führend in diesem KI-Umfeld ist.“

Wie Sie Ihr Wissen besser nutzen!

Jetzt Starten

Mitgliedschaften & Zertifikate