Zum Hauptinhalt springen
d.APDer Knowledge Layer

KI versteht Daten. Aber nicht Ihr Unternehmen.

d.AP übersetzt das Wissen Ihres Unternehmens - Fakten, Zusammenhänge und Regeln - in eine universelle Struktur, für jede KI sofort ausführbar.

Einmal modelliert, überall nutzbar.
Warum KI im Unternehmen steckenbleibt

Nicht nur Daten sind verteilt.
Sondern auch das Wissen über Zusammenhänge und Regeln im Unternehmen.

Das wertvollste Wissen Ihres Unternehmens liegt nicht in Datenbanken, sondern in den Köpfen Ihrer Mitarbeiter. Es besteht aus jahrelanger Erfahrung, informellen Regeln und komplexen Zusammenhängen. Für eine KI ist dieses implizite Wissen bisher völlig unsichtbar.

Soll KI mehr als nur simple Fragen beantworten und stattdessen autonom für Sie handeln, muss dieses verstreute Wissen digitalisiert und logisch verknüpft werden. Genau diese Brücke schlägt d.AP.

d.AP · Knowledge Layer in Action

Egal welche Frage, die Antwort wird immer korrekt sein.

Aluna ist der KI-Agent von d.AP. Antworten zuverlässig — mit vollständiger Herleitung, Quellen und Erklärung. Kein simpler Chat, keine Halluzinationen.

Aluna beantwortet in d.AP eine Frage nach einem Werksausfall — mit Lieferantentabelle, Auswirkungen und Handlungsempfehlung.

Nächster Schritt

Erleben Sie Aluna — live, auf einer Demo-Umgebung.

Architektur

Ihre Systeme bleiben. Das Wissen wird nutzbar.

d.AP ersetzt kein operatives System oder einen Data Lake. Es legt eine semantische Schicht über das, was Sie schon haben und macht das Unternehmenswissen über einen Endpunkt für jede KI zugänglich.

Was d.AP leistet

  1. Sichere Anbindung an jede interne und externe Datenquelle.
  2. Verlässliche Nutzung Antworten basieren auf Ihrem Wissen, nicht auf statistischen Mustern.
  3. Volle Provenance Jede Antwort ist auf Quelle, Logik und Filter zurückführbar.
  4. Direkt operativ Enterprise-ready, inkl. Rollen & Rechten, SSO, und Skalierbarkeit.

Nächster Schritt

Lassen Sie uns über Ihre Situation sprechen.

Eine Semantische Einordnung

Drei Dinge heißen „semantisch“. Sie meinen nicht dasselbe.

  • BI Semantic Layer

    ToolsdbtCube

    StandardsOSISQL/PGQ

    Abfragen

    Rechnen alle Tools dieselbe Kennzahl identisch?

    Ein Katalog von Abfragen: Jeder Eintrag definiert, welches Ergebnis eine Kennzahl liefert — „diese Abfrage liefert Revenue“. Standardisiert als YAML über bestehenden Tabellen.

    Definiert wird nicht der Begriff, sondern eine Abfrage auf die Rohdaten in ihrer heutigen Form. Was „Revenue“ bedeutet, muss eine KI aus dem SQL zurückrechnen — dieselbe Rückwärtsarbeit wie bei Code, dessen Absicht nie aufgeschrieben wurde. OSI standardisiert, wie diese Definitionen zwischen Tools reisen; zu Bedeutung macht es sie nicht.

  • Labeled Property Graph

    ToolsNeo4j

    StandardsGQLCypherSQL/PGQ

    Verbinden

    Wie hängt alles zusammen, sodass ich Pfaden folgen kann?

    Daten als Knoten und Kanten mit Eigenschaften. Optimiert auf schnelles Durchlaufen von Beziehungen.

    Der Kernpunkt: Es hält fest, wie Ihre Fakten zusammenhängen — nicht, wie Ihre Begriffe zusammenhängen. Fragen bleiben deshalb Muster in einem abgegrenzten Ausschnitt des Graphen, und ein GNN sagt neue Kanten aus bestehenden Kanten vorher, aus den Fakten. Bedeutung muss eine KI erst zurückgewinnen — aus Labels, Kanten und Eigenschaften, dieselbe Rückwärtsarbeit wie im Semantic Layer. Das ist teuer, und was am Ende darüber liegt, ist eine nachgerüstete Ontologie.

  • Knowledge Graph

    StandardsRDFOWL

    Verstehen

    Was bedeuten die Dinge — und welche Regeln gelten, wenn Maschinen damit handeln?

    Ein formales Modell Ihrer Geschäftsbegriffe (die Ontologie), befüllt mit Ihren realen Entitäten (der Graph). Bedeutung, Regeln und Daten an einem Ort.

    Bedeutung ist hier kein Nachbau, sondern Bestandteil des Graphen: Klassen, Eigenschaften und Regeln stehen neben den Instanzen und sind maschinell auswertbar. Eine KI muss nicht erraten, was gemeint war — sie liest es.

BI Semantic Layer

ToolsdbtCube

StandardsOSISQL/PGQ

Abfragen

Rechnen alle Tools dieselbe Kennzahl identisch?

Ein Katalog von Abfragen: Jeder Eintrag definiert, welches Ergebnis eine Kennzahl liefert — „diese Abfrage liefert Revenue“. Standardisiert als YAML über bestehenden Tabellen.

Definiert wird nicht der Begriff, sondern eine Abfrage auf die Rohdaten in ihrer heutigen Form. Was „Revenue“ bedeutet, muss eine KI aus dem SQL zurückrechnen — dieselbe Rückwärtsarbeit wie bei Code, dessen Absicht nie aufgeschrieben wurde. OSI standardisiert, wie diese Definitionen zwischen Tools reisen; zu Bedeutung macht es sie nicht.

Labeled Property Graph

ToolsNeo4j

StandardsGQLCypherSQL/PGQ

Verbinden

Wie hängt alles zusammen, sodass ich Pfaden folgen kann?

Daten als Knoten und Kanten mit Eigenschaften. Optimiert auf schnelles Durchlaufen von Beziehungen.

Der Kernpunkt: Es hält fest, wie Ihre Fakten zusammenhängen — nicht, wie Ihre Begriffe zusammenhängen. Fragen bleiben deshalb Muster in einem abgegrenzten Ausschnitt des Graphen, und ein GNN sagt neue Kanten aus bestehenden Kanten vorher, aus den Fakten. Bedeutung muss eine KI erst zurückgewinnen — aus Labels, Kanten und Eigenschaften, dieselbe Rückwärtsarbeit wie im Semantic Layer. Das ist teuer, und was am Ende darüber liegt, ist eine nachgerüstete Ontologie.

Knowledge Graph

StandardsRDFOWL

Verstehen

Was bedeuten die Dinge — und welche Regeln gelten, wenn Maschinen damit handeln?

Ein formales Modell Ihrer Geschäftsbegriffe (die Ontologie), befüllt mit Ihren realen Entitäten (der Graph). Bedeutung, Regeln und Daten an einem Ort.

Bedeutung ist hier kein Nachbau, sondern Bestandteil des Graphen: Klassen, Eigenschaften und Regeln stehen neben den Instanzen und sind maschinell auswertbar. Eine KI muss nicht erraten, was gemeint war — sie liest es.

Wir sind stolz, diese Firmen begleitet zu haben
Porsche
CARIAD
Verband der Privaten Krankenversicherung
STIHL
PRETTL Group
Regenold
… and many more
Kernelemente von d.AP

Es geht immer um: Wissen nutzbar machen.

d.AP überführt Unternehmenswissen in eine von KI interpretierbare und direkt ausführbare Form.

d.AP Ontologie-Workbench: die Klassen Component, Supplier, Product und Warranty als Knoten mit ihren Beziehungen.
01 — Modellierung

Ontologie Workbench

OWL Modellierung · RML Mapping

Visueller Editor zur Modellierung Ihrer Welt und Verknüpfung mit den realen Daten. Damit dies nicht nur Sache von Data Engineers bleibt.

Mehr erfahren
d.AP Metriken-Bibliothek: Liste mit 103 Metriken, darunter Savings, Cross-Selling Potenziale und Lieferfähigkeit.
02 — Referenzierung

Metriken Bibliothek

KPIs · Metriken · Auswertungen

Beliebige Metriken, KPIs und Auswertungen lassen sich automatisiert erzeugen, in einer Bibliothek speichern sowie aus jedem externen System per API referenzieren.

Mehr erfahren
Aluna-Chat: Antwort auf eine Frage nach einem Werksausfall, mit Tabelle der vier betroffenen Lieferanten und einer Handlungsempfehlung.
03 — Analysieren

Analyse Agent

GenAI · Aluna · Datenanalyse

Als Fachbereich in natürlicher Sprache komplexe Datenanalyse durchführen und sich sicher sein, dass die Antworten korrekt sind.

Mehr erfahren

Eine unternehmensweite Wissensschicht für das Zeitalter der agentischen KI.

d.AP entdecken
Berater von digetiers
Team von digetiers
Souveränität

Aus Europa, für die ganze Welt.

Wir nutzen europäische Technologie und offene Standards wie RDF aus der Überzeugung — ohne offene Technologie gibt es keine Souveränität.

Unsere Architektur ist darüberhinaus auf höchste Informationssicherheit und europäischen Datenschutz ausgelegt.

Stimmen

Die Anwendung überzeugt.

Stimmen
aus dem Einsatz
von d.AP
Eine Auswahl
01 / 02Industrie

Endlich eine KI, die nicht halluziniert und ich sehe die Quelle direkt mit.

Enterprise ArchitectIndustrie

Use Case Knowledge Layer für Service & Support.
Go-Live mit sieben Quellen.

01Industrie

Endlich eine KI, die nicht halluziniert und ich sehe die Quelle direkt mit.

Enterprise ArchitectIndustrie

Use Case Knowledge Layer für Service & Support.
Go-Live mit sieben Quellen.

02Automotive

Die Geschwindigkeit mit der Use Cases umgesetzt wurden ist einmalig und damit der auch ROI.

Head of Data & AIAutomotive

Use Case Verbindung von fünf Fachdomänen zu einer integrierten Wissensschicht.

Weiter
Häufige Fragen

Was Entscheider zuerst fragen.

Sicherheit, Integration, Time-to-Value.
Wählen Sie ein Thema — oder lesen Sie alle.

12 Fragen sichtbar

Ihre Frage ist nicht dabei? Wir antworten persönlich.
Sprechen wir

Fangen Sie nicht bei Null an. Sprechen Sie mit uns.

Jeder neue Agent, jeder Copilot startet bei null — es sei denn, sie teilen eine Wissensschicht. In 30 Minuten sprechen wir über Ihre Herausforderungen und führen d.AP live vor.

So funktioniert's