Modelle, die Ihnen gehören, im Einklang mit Ihren Werten.
Die meisten Organisationen mieten generische KI, die nichts darüber weiß, wie sie arbeiten, und dort läuft, wo jemand anderes es entscheidet. Altilia gibt Ihnen stattdessen den gesamten Stack, um Personal AI zu bauen: Ontologien zur Kuratierung Ihrer Daten, Datensätze aus synthetischer Datengenerierung und expertengeführten Kuratierungsmethoden, darauf trainierte kleine und große Sprachmodelle, wiederverwendbare Agenten, die diese Ontologien selbst aus den komplexesten Dokumenten befüllen, und ein Betriebssystem, um sie für Ihre spezifischsten Anforderungen bereitzustellen, zu steuern und zu betreiben.
Im Einklang mit Ihren Werten
Die Ontologie legt fest, was ein Modell behaupten darf, Ihre Regeln und Richtlinien begrenzen, was ein Agent tun darf, und die menschliche Prüfung sitzt genau dort, wo Ihr Risiko liegt. Ausrichtung ist Teil der Architektur, versioniert und prüfbar.
Genau auf Ihren Dokumenten
Ein auf Ihrer Ontologie trainiertes Modell mit wenigen Milliarden Parametern erreicht auf Ihrer Aufgabe ein Frontier-Modell, schneller und günstiger bei jedem Aufruf. Die Genauigkeit wird auf Ihren Dateien geprüft, nicht auf einem öffentlichen Benchmark.
Im Eigentum, souverän, portabel
Ontologien, Datensätze, Gewichte und Agenten gehören Ihnen: zum Behalten, Versionieren und Bereitstellen, On-Premises oder in Ihrer Cloud, hinter einem OpenAI-kompatiblen Endpunkt. Kein Vendor Lock-in, konstruktionsbedingt.
Von Ihrem Wissen zu Ihrem Modell, in vier Schritten.
Jeder Schritt ist ein Produkt, das Sie für sich nutzen können; zusammen bilden sie den Personal-AI-Stack.
Kuratieren
Beschreiben Sie, was zählt, als Ontologie: Entitäten mit einer semantischen Beschreibung, extrahiert aus Text, Bildern oder beidem, verschachtelt in Kind-Ontologien für komplexe Hierarchien. Ontologien sind deklarativ, sodass Fachexperten sie ohne Code bauen oder einen Agenten aus einer Dokumentenstichprobe einen Entwurf erstellen lassen. Sie werden serialisiert und versioniert, sodass jeder Datensatz zu der Definition rückverfolgbar bleibt, die ihn erzeugt hat.
Trainieren
Bauen Sie den Datensatz mit synthetischer Datengenerierung unter Constrained Decoding auf, sodass jedes Beispiel der Grammatik der Ontologie entspricht, und kuratieren Sie ihn mit Ihren Experten. Trainieren Sie darauf ein Modell mit wenigen Milliarden Parametern oder stimmen Sie ein größeres fein ab. Das trainierte Modell bleibt mit der Ontologie kompatibel: Der Austausch ist ein Wechsel der Modell-ID.
Bauen
Komponieren Sie in Python oder YAML Agenten, die schließen, handeln und an spezialisierte Sub-Agenten delegieren, mit integrierten Werkzeugen für Dateien, Befehle und Websuche. Agenten befüllen die Ontologien aus Ihren komplexesten Daten, hierarchischen Objekten, Tabellen, Handschrift, Mehrdokument-Akten, und streamen ihre Arbeit Token für Token an Ihre Oberflächen.
Bereitstellen
Modelle und Agenten laufen im Altilia OS auf Ihrer Infrastruktur, unter Zero-Trust-Governance mit Berechtigungen und Entscheidungsprotokollen, bereitgestellt über OpenAI-kompatible Endpunkte, APIs und MCP-Server. Sie interoperieren und föderieren mit den KI-Plattformen, die Sie bereits betreiben, und bedienen die ganz spezifischen Anforderungen Ihrer Organisation.
Zwei SDKs. Eine Arbeitsweise.
Altilia Model Trainer verwandelt Dokumente in ontologieförmige Datensätze und trainierte Modelle. Das Altilia Agents SDK verwandelt Modelle in Agenten, die die Arbeit erledigen.
SDK für strukturierte Extraktion und Modelltraining
- Nativ auf Text, Bildern oder beidem: eine Textspanne oder eine Bounding Box als Ausgabe, passend zur Eingabe.
- Rekursive, komponierbare Ontologien: Entitäten mit semantischen Beschreibungen und Kind-Ontologien für komplexe Hierarchien.
- Constrained Decoding mit XGrammar: Ausgaben, die die Syntax der Ontologie nicht verletzen können.
- Typisierte Few-Shot-Beispiele, zur Laufzeit gezogen, sodass In-Context-Learning stets informative, wohlgeformte Fälle sieht.
- Automatische Datensatzerzeugung aus einem Frontier-Modell, bereit für das Training von Modellen mit wenigen Milliarden Parametern.
- Multi-Task in einem Schritt: Entitäten, Klassifizierung und Generierung aus einer einzigen Ontologie.
- Dieselbe Logik für interaktive und Batch-Extraktion.
- Ontologien, die serialisierbar, versioniert und von Nicht-Technikern erstellbar sind.
- OpenAI-kompatibel: funktioniert mit jedem Modell hinter einem OpenAI-kompatiblen Endpunkt, von jedem Anbieter.
# Altilia Model Trainer: a recursive ontology, declarative, versioned description: Court-appointed technical appraisal (CTU) entities: - name: property_address description: Full address of the appraised property modality: text - name: cadastral_id description: Sheet, parcel and sub-unit as printed modality: text+image output: bbox - name: market_value description: Value estimated by the expert, in EUR modality: text children: - encumbrances: entities: [creditor, rank, amount, registration_date] decoding: constrained # XGrammar, output cannot break the schema
Agenten und Multi-Agenten-Systeme
- Python-Framework auf Basis von LangGraph: ein einzelner Agent oder ein System kooperierender Agenten, definiert in Code oder in YAML.
- Eine Schleife aus Schließen und Handeln: Das Modell denkt, wählt ein Werkzeug, führt es aus und wiederholt dies, bis es eine Antwort hat.
- Schließen als dediziertes Werkzeug, nativ, wenn das Modell es unterstützt (Gemini, GPT-5), oder beides zusammen.
- Sub-Agenten, die autonom arbeiten und ihr Ergebnis an den Hauptagenten zurückgeben.
- Ganze Multi-Agenten-Systeme, aus YAML orchestriert, mit automatisch verwalteten Arbeitsbereichen und Sitzungen.
- Ein Ereignisstrom für Chatbots und Oberflächen: erzeugte Token und Werkzeugaktionen in Echtzeit, Sub-Agenten inklusive.
- Automatische Kontextkompression schwerer Werkzeugausgaben (Dateien, JSON, Logs) plus Gesprächszusammenfassung, ohne zusätzliches Modell.
- Hooks, die Logik an Lebenszyklusmomente anhängen, ohne den Code des Agenten anzufassen.
- Sofort einsatzbereite Werkzeuge: Dateiverwaltung, Befehlsausführung, Websuche.
- Funktioniert mit jedem LangChain-kompatiblen Modell, einschließlich Google Gemini und OpenAI.
# Altilia Agents SDK, LangGraph under the hood agent: npl_case_reviewer model: altilia/ctu-slm-3b # trained on court_appraisal v3 tools: [read_file, search_graph, run_command, web_search] sub_agents: - cadastral_reconciler - valuation_summariser context: compress_tool_outputs: true summarize_after_turns: 12 hooks: on_start: load_case_context after_run: write_decision_log events: stream # tokens + tool actions to the UI
Trainiert nach einer ethischen Methodik, auf einer Pipeline, die Sie kontrollieren.
Datensätze werden automatisch erzeugt und von menschlichen Experten zertifiziert, bevor sich ein einziges Gewicht ändert. Das Training ist eine anpassbare Pipeline aus überwachtem Fine-Tuning, LoRA-Adaption, Präferenzoptimierung und Reinforcement Learning aus menschlichem Feedback, ausgeführt auf Ihrer Infrastruktur und in einer Model Card dokumentiert.
Synthetische Daten
Ein Frontier-Modell erzeugt unter Constrained Decoding perfekt strukturierte Beispiele aus Ihren Dokumenten und Ihrer Ontologie, im Umfang, den Ihre Aufgabe braucht.
Kuratierung und Zertifizierung durch Experten
Ihre Fachexperten prüfen die Stichproben im Prüfarbeitsbereich und zertifizieren zweierlei: dass das Verhalten korrekt ist und dass es den ethischen Regeln Ihrer Domäne und Ihrer Organisation entspricht.
SFT
Überwachtes Fine-Tuning bringt dem Modell aus dem zertifizierten Datensatz das Format, das Vokabular und die Entscheidungen Ihres Prozesses bei.
LoRA
Low-Rank-Adapter spezialisieren kleine und große Modelle kostengünstig, ein Adapter pro Ontologie oder Prozess, austauschbar ohne Neutraining des Basismodells.
DPO
Direct Preference Optimization richtet das Modell an den von Ihren Experten bevorzugten Entscheidungen aus, einschließlich Ablehnungen und Eskalationen, auf Basis ihrer zertifizierten Urteile.
RLHF und Evaluierung
Reinforcement Learning aus menschlichem Feedback schließt den Kreis mit Korrekturen aus der Produktion; jede Version wird auf Ihrem Goldstandard-Set evaluiert und mit einer Model Card freigegeben.
Verhaltenskorrektheit
Experten zertifizieren, dass das Modell auf Goldstandard-Stichproben die richtige Ausgabe liefert: die richtigen Entitäten, die richtige Klassifizierung, die richtige Enthaltung, wenn die Evidenz fehlt.
Ethische Konformität
Experten zertifizieren, dass die Stichproben die Regeln der Domäne und der Organisation einhalten: Nichtdiskriminierung, Vertraulichkeit, regulatorische Vorgaben, die in den Ausrichtungs-Workshops vereinbarten Werte.
Herkunft und Transparenz
Jedes Trainingspaar ist zu einer Ontologieversion und einem Quelldokument rückverfolgbar; jede Modellversion wird mit einer Model Card ausgeliefert, die Daten, Methode, Evaluierung und bekannte Grenzen beschreibt.
So sieht ein persönliches Modell aus: Gerichtsgutachten für besicherte NPL.
Ein Beispiel aus dem Katalog, Schritt für Schritt.
- KuratierenAnalysten beschreiben das Gutachten als Ontologie: Immobilie, Katasterkennungen, Bewertung, Belastungen, jeweils mit semantischer Beschreibung und Modalität (Text oder Bounding Box).
- TrainierenEin Frontier-Modell liest eine Stichprobe unter Constrained Decoding; die strukturierten Ein-/Ausgabepaare, kuratiert von den Analysten des Servicers, werden zum Trainingsset für ein Modell mit wenigen Milliarden Parametern, das dieser Ontologie gewidmet ist und auf der eigenen Infrastruktur des Servicers bereitgestellt wird.
- BauenEin Fallprüfungsagent delegiert an einen Katasterabgleicher und einen Bewertungszusammenfasser, befüllt den Knowledge Graph und streamt sein Schließen in die Warteschlange des Prüfers.
- BereitstellenDas OS setzt durch, wer den Agenten auf welchen Dateien ausführen darf, protokolliert jede Entscheidung mit ihrer Quellseite und stellt das Modell den anderen Systemen des Servicers zur Verfügung.
Steuerbar nach dem Zero-Trust-Ansatz. Offen by Design.
Jeder Agent läuft mit Berechtigungen nach dem Prinzip der geringsten Rechte und hinterlässt ein Entscheidungsprotokoll. Jedes Modell, jede Ontologie und jeder Agent bleibt Ihr Eigentum, und das OS föderiert mit den KI-Plattformen, die Sie bereits betreiben.
Kein Agent genießt standardmäßig Vertrauen
Jeder Agent wird identifiziert, auf die Daten, Werkzeuge und Systeme beschränkt, die sein Prozess benötigt, und bei jedem Aufruf autorisiert. Berechtigungen, Modellversionen und menschliche Prüfpunkte werden vom OS durchgesetzt, und jede Entscheidung wird mit ihren Quellen für das Audit protokolliert.
Standardschnittstellen in beide Richtungen
Modelle werden hinter OpenAI-kompatiblen Endpunkten bereitgestellt, Agenten arbeiten mit jedem LangChain-kompatiblen Modell, und Konnektoren, REST-APIs und MCP-Server verbinden das OS in beide Richtungen mit CRM, ERP, ECM und Kernsystemen.
Läuft neben den Plattformen, die Sie haben
Das OS föderiert mit KI-Plattformen von Hyperscalern, Open Source und Eigenentwicklungen: Aufgaben an deren Modelle routen, Altilia-Agenten für deren Orchestratoren freigeben, den Knowledge Graph unter Ihren Berechtigungen teilen. Ontologien, Datensätze, Gewichte und Agenten bleiben Ihr geistiges Eigentum und gehen mit Ihnen.