Forschung
Bei Traize forschen wir zu Modell-Post-Training, Information Retrieval und LLM-Reasoning. Unser Ziel ist es, KI für Unternehmen leistungsfähiger, effizienter und bezahlbarer zu machen.
Wir untersuchen, wie Modelle Informationen finden, Werkzeuge nutzen und Aufgaben mit Unternehmenswissen lösen. Dazu bewerten wir Modelle für ihren konkreten Einsatz, verbessern die Systeme um sie herum und arbeiten auf Modelle hin, die gezielt für diese Aufgaben trainiert sind. Jede Verbesserung soll Ihrem Team bessere Antworten, schnellere Abläufe und niedrigere Kosten bringen.
Hier ordnen unsere Forscher aktuelle Publikationen zu generativer KI ein: Was bedeuten die Ergebnisse, wo könnten sie im Unternehmen helfen und was nehmen wir daraus für Traize mit? Außerdem finden Sie ausgewählte Publikationen unseres Teams.
Forschungsperspektiven
Unsere Forscher analysieren neue Publikationen zu generativer KI, erklären die Ideen dahinter und bewerten ihren praktischen Nutzen. Wir zeigen, welche Ansätze wir vielversprechend finden und was sie für unsere Arbeit an Traize bedeuten.
Artikel · 2 Min. Lesezeit
Eine Textstelle lässt sich leichter finden, wenn die Suche ihren Zusammenhang kennt. Forschung zu kontextuellen Embeddings untersucht, wie sich diese Information effizient erhalten lässt.
Artikel · 3 Min. Lesezeit
Ein neuer Benchmark vergleicht zehn LLMs mit 26 Embedding-Modellen auf 37 Aufgaben. Die Ergebnisse zeigen, warum Unternehmen genau abwägen sollten, welche Arbeit ein Sprachmodell übernimmt.
Artikel · 2 Min. Lesezeit
Geschäftsprozesse enthalten viele wiederkehrende, klar umrissene Aufgaben. Spezialisierte Modelle könnten diese Schritte günstiger und besser kontrollierbar machen.
Artikel · 2 Min. Lesezeit
Ein thematisch passendes Dokument ist ein Anfang. Forschung zu spezialisierten Rerankern zeigt, wie kompakte Modelle beurteilen lernen, ob eine Textstelle wirklich bei der Beantwortung einer Frage hilft.
Unsere Forschung
Unsere Forschung untersucht, wie Modelle lernen, wie Agenten Entscheidungen treffen und wie zuverlässige Systeme skalieren. Diese Publikationen geben Einblick in die Expertise, die wir in Traize einbringen.
Unsere Forscher
Unser Team vereint Forschungserfahrung in maschinellem Lernen, Sprachmodellen und verteilten Systemen. Diese Menschen entwickeln die Ideen hinter Traize.
Information Retrieval, Wissensgraphen
Verantwortet die technische Architektur. Als M.Sc.-Student für Künstliche Intelligenz in Amsterdam und mit mehrjähriger Erfahrung im Machine Learning Research entwickelt er die Retrieval-Algorithmen, die den Traize-Wissensgraphen antreiben.
Generative KI, Integration von Sprachmodellen
Verantwortet die Produktseite und Integration der Sprachmodelle. Mit einem M.Sc. in Bioinformatik der TUM sorgt er dafür, dass generative KI im Unternehmenskontext zuverlässig, nachvollziehbar und intuitiv funktioniert.
Sicherheit und Datensouveränität
Treibt Sicherheit und Datensouveränität voran. Entwickelt die Architektur, die sensibles Unternehmenswissen schützt und dessen Verfügbarkeit sicherstellt, vom Verschlüsselungskonzept bis zur Zugriffskontrolle.
Forschungsschwerpunkte
Wir konzentrieren uns auf drei Bereiche, die Qualität und Kosten von KI im Arbeitsalltag bestimmen.
Unternehmensaufgaben verlangen, dass Modelle relevante Informationen erkennen, Werkzeuge richtig einsetzen und Anweisungen zuverlässig ausführen. Wir untersuchen, wie sich vortrainierte Modelle durch gezieltes Training auf diese Anforderungen ausrichten lassen. Langfristig wollen wir Modelle anbieten, die speziell für Aufgaben in Traize trainiert sind.
Die Antwort auf eine Frage liegt häufig verteilt in Dokumenten, Aufgaben und Gesprächen. Wir untersuchen, welche Strukturen und Beziehungen sich bereits beim Eingang von Informationen aufbereiten lassen, damit Agenten später schnell den passenden Kontext finden. Unser Ziel sind präzisere Suchergebnisse und weniger wiederholter Verarbeitungsaufwand pro Anfrage.
Ein Agent muss entscheiden, welche Quelle er prüft, welches Werkzeug er aufruft und wann genügend Belege für eine Antwort vorliegen. Wir untersuchen, wie sich diese Entscheidungen gezielt steuern und bewerten lassen. So wollen wir komplexe Aufgaben mit möglichst wenigen unnötigen Schritten lösen und dabei Antwortqualität, Rechenkosten und Geschwindigkeit gemeinsam verbessern.
Unternehmen, die auf proprietäre Modell-APIs setzen, sind von Änderungen bei Preisen, Verfügbarkeit und Modellverhalten abhängig. Zugleich müssen allgemein trainierte Modelle Unternehmenswissen erschließen, Zugriffsregeln beachten und bei komplexen Aufgaben die passenden Werkzeuge auswählen. Wir untersuchen, wie gezieltes Nachtraining europäischer Modelle, die Unternehmen unter eigener Kontrolle betreiben können, diese Fähigkeiten verbessert, Anbieterabhängigkeiten reduziert und Trainings- sowie Betriebskosten überschaubar hält.
Entdecken Sie, was Traize mit Ihrem Unternehmenswissen möglich macht. Für Forschungsfragen oder eine Zusammenarbeit sprechen Sie unser Team direkt an.