Referenzen

Systeme in Produktion und die Forschung dahinter.

Jedes Projekt ordnet sich einem unserer Bausteine zu. Wir zeigen konkret, welches System entstanden ist und welche Technologie darin arbeitet.

Anwendungsfall besprechen

Gradial Knowledge RSK logo

RSK

Strategie- und Kommunikationsberatung

Allgemeines Unternehmenswissen und kundenspezifischer Kontext in einem KI-gestützten Workspace kombiniert.

Problem: Der Wert einer Beratung liegt in ihrer Methodik und der Erfahrung ihrer Expert:innen – aber dieses Wissen existiert in Präsentationen, vergangenen Projekten und in den Köpfen der Menschen. Gleichzeitig bringt jeder Kundenauftrag eigene Dokumente, Markenprofile und Kontexte mit, die strikt von der Arbeit anderer Kunden getrennt bleiben müssen.
Lösung: Gradial Data hat eine KI-Plattform entwickelt, die RSKs Methodik und Expertenwissen mit kundenspezifischen Workspaces verbindet. Jeder Workspace enthält die Dokumente und Markenprofile des Kunden und bietet KI-Chat, die Strategieanalyse, Content-Generierung und strukturierte Word- und PDF-Ausgaben auf Basis dieses kombinierten Kontexts.

Enterprise RAG
Workspace-scoped context
Document ingestion
Brand profiles

Fall lesen

Gradial Workflows Cusp Capital logo

Cusp Capital

Early-Stage Venture-Capital-Investor

Heterogene Eingaben und Recherche zu einem standardisierten, vergleichbaren Investment-Briefing.

Problem: Die Bewertung eines Early-Stage-Unternehmens bedeutet, Pitch-Decks, Websites, Notizen, Tabellen und Links durchzuarbeiten – unterschiedliche Formate, unterschiedliche Tiefe, jedes Mal. Die Analyse selbst ist wiederholbar, aber die Vorbereitung verbraucht die Zeit, die in Urteilsbildung und Gespräche mit Gründer:innen fließen sollte.
Lösung: Gradial Data hat eine Intelligenz-Plattform für Cusp Capital entwickelt. Nutzer:innen liefern das vorhandene Material – Unternehmensname, Website, Pitch-Decks, PDFs, Notizen, Tabellen, externe Links. Das System analysiert das Material, recherchiert zusätzlichen Kontext und erstellt ein standardisiertes Briefing nach den Investitionskriterien des Fonds.

Multi-source ingestion
Web research
Document analysis
LLM orchestration

Fall lesen

Gradial Advisor OBTEGO AI logo

OBTEGO AI

Anbieter technischer Oberflächenschutzprodukte

Technisches Produktwissen direkt am Einsatzort des Kunden.

Problem: Technische Oberflächenschutzprodukte erfordern die richtige Auswahl, Mengenberechnung und Anwendung. Dieses Fachwissen existiert in Datenblättern und in den Köpfen weniger Spezialist:innen – während die Fragen vor Ort, bei der Arbeit und oft in einer anderen Sprache auftreten.
Lösung: Gradial Data hat einen mobilen KI-Produktberater entwickelt. Kund:innen fragen per Text oder Sprache, fotografieren eine Oberfläche oder scannen einen QR-Code auf dem Produkt. Der Assistent nutzt Produktinformationen, technische Datenblätter und Verarbeitungshinweise für eine kontextbezogene Antwort – und übergibt an eine Fachperson, wenn nötig.

Mobile application
RAG over technical documentation
Voice input
Image input

Fall lesen

Gradial Documents

Automotive Data Extraction

Dokumentverarbeitung in Automobil-Größenordnung

Große Mengen technischer Dokumentation und Scans werden in strukturierte, maschinenlesbare Informationen verwandelt.

Problem: Automotive-Dokumentation kommt als technische PDFs, Scans und gemischte Office-Formate in großen Mengen. Die Informationen darin – Teile, Werte, Tabellen, Spezifikationen – werden als Daten benötigt, aber die manuelle Übertragung ist nicht skalierbar und einfache OCR liefert Text ohne Bedeutung.
Lösung: Gradial Data hat Dokumentverarbeitungs- und OCR-/Datenextraktionslösungen für große Mengen automotiver Dokumentation implementiert: Parsing und Layoutanalyse, Tabellenextraktion, Dokumentklassifikation und strukturierte Extraktion relevanter Entitäten, gefolgt von semantischer Indexierung der Ergebnisse.

OCR
Document parsing
Layout analysis
Table extraction

Fall lesen

Gradial Evaluate

Gefördert durch

APaKoBo

R&D-Projekt zur Evaluierung kontextualisierter KI-Systeme

RAG-Qualität soll messbar, vergleichbar und systematisch optimierbar sein.

Problem: Kontextualisierte KI-Systeme werden meist anhand subjektiver Eindrücke bewertet. Ob eine Änderung am Chunking, Retrieval, Reranking oder Prompting die Antwortqualität tatsächlich verbessert hat – oder nur verändert – wird selten gemessen.
Lösung: APaKoBo ist ein R&D-Projekt zur metrikgestützten Evaluierung und Optimierung kontextualisierter KI-/RAG-Systeme. Es untersucht und optimiert die einzelnen Komponenten der Pipeline, von Domänenklassifikation und Retrieval über Reranking bis zur Antwortqualität, und speist Nutzer-Feedback in die Parameteroptimierung zurück.

RAG evaluation methodology
Retrieval metrics
Reranking
Parameter optimisation

Fall lesen

Andere Branche, dasselbe Muster.

Fragmentierte Quellen, begrenzt verfügbares Expertenwissen und wiederkehrende Prozesse: Wenn Ihnen dieses Muster bekannt vorkommt, sollten wir sprechen.

Anwendungsfall besprechen kontakt@gradial.de