KI-Agenten für den Service Desk
Agenten, die Tickets einordnen, zusammenfassen und weiterleiten und Antworten vorbereiten, angebunden an Matrix42, Jira oder ServiceNow über n8n.
KI-Agenten und Sprachmodelle für Ihre Prozesse
Wir bauen KI in Geschäftsprozesse ein: Agenten, die im Service Desk arbeiten, Sprachmodelle auf eigener Hardware, wenn Daten im Haus bleiben müssen, Wissensdatenbanken, die mit Quellen antworten, und Modelle, die auf Ihre eigenen Daten trainiert sind. Alles läuft in kontrollierten n8n-Workflows.
Was wir bauen
Lokales LLM-Hosting
Sprachmodelle auf Ihren eigenen Servern oder in einem EU-Rechenzentrum, betrieben mit vLLM, llama.cpp oder Ollama und über n8n mit Ihren Workflows verbunden.
RAG-Wissensdatenbank
Ein Chat, der Fragen aus Ihren Dokumenten beantwortet und zeigt, woher jede Antwort stammt, gebaut mit n8n und einer Vektordatenbank.
LLM-Finetuning mit LoRA
Sprachmodelle, angepasst an Ihre Begriffe, Formate und Aufgaben, mit LoRA und QLoRA zu einem Bruchteil der Kosten eines vollen Trainings.
Häufig gestellte Fragen
Ja. Die Agenten laufen als n8n-Workflows. Für Matrix42 verwenden sie unseren Open-Source-Matrix42-Node, der mit Tickets, Journaleinträgen und Datenobjekten arbeitet. Jira, ServiceNow und andere Systeme binden wir über ihre APIs an.
Nur wenn Sie das wollen. Viele Aufgaben laufen gut auf kleinen offenen Modellen mit vLLM, llama.cpp oder Ollama auf Ihrem eigenen Server oder in einem EU-Rechenzentrum. Braucht eine Aufgabe ein größeres Cloud-Modell, legen wir vorher fest, welche Daten es sehen darf.
Nur so weit, wie Sie es erlauben. Die Agenten schlagen vor, Menschen entscheiden. Jede Änderung eines Agenten wird protokolliert. Aktionen, die sich nicht rückgängig machen lassen, brauchen eine Bestätigung.
RAG sucht die Antwort jedes Mal in Ihren Dokumenten und zeigt die Quelle. Das passt zu Wissen, das sich ändert. Fine-Tuning verändert, wie ein Modell schreibt und entscheidet. Es passt zu festen Formaten, Ihren Fachbegriffen und eng umrissenen Aufgaben wie dem Klassifizieren von Tickets. Die meisten Projekte beginnen mit RAG.
Das hängt vom Modell ab. Modelle mit 7 bis 8 Milliarden Parametern laufen auf einer einzelnen Workstation-Grafikkarte. Größere brauchen mehr Grafikspeicher oder mehrere Karten. Wir legen die Hardware für Ihre Aufgaben aus, bevor Sie etwas kaufen.
Mit Ihren Daten. Wir sehen uns gemeinsam Ihre Tickets oder Dokumente an, wählen die Aufgabe, die am meisten Zeit kostet, und bauen dafür einen Agenten oder eine Wissensdatenbank. Die Lösung läuft neben Ihrem Team, bis sie funktioniert. Dann folgt die nächste Aufgabe.