1. Geschäftsprozess und Prioritäten
Wir untersuchen den konkreten Ablauf, messen den Ausgangszustand und priorisieren einen Anwendungsfall mit klarer Verantwortung und realistischer Nutzenhypothese.
Valanor AI · Data-to-Action Engineering
Ihre Daten sollen nicht nur zeigen, was passiert. Sie sollen die nächsten Schritte ermöglichen.
Valanor AI verbindet Unternehmens-, Maschinen- und Sensordaten mit Analytics, Machine Learning und KI. Wir priorisieren einen konkreten Anwendungsfall, entwickeln den passenden Workflow und integrieren nachvollziehbare Empfehlungen und Aufgaben in Ihre Systeme – von der Datenbasis und Echtzeitverarbeitung bis zum laufenden Betrieb.
Von Daten zu Entscheidungen. Von Entscheidungen zu konkreten Aufgaben.
Berichte, Modelle und KI-Assistenten bleiben wertlos, wenn die Ergebnisse nicht im Arbeitsablauf ankommen. Valanor AI verbindet die Datenbasis mit dem operativen Prozess: Wir entwickeln einen klar abgegrenzten Workflow, der Informationen prüft, Abweichungen erkennt und die nächsten Schritte vorbereitet.
Das Ergebnis ist kein weiterer Strategieordner und kein isolierter Prototyp. Fachbereiche erhalten nachvollziehbare Empfehlungen oder Aufgaben im bestehenden System. Kritische Aktionen bleiben an definierte Freigaben gebunden.
Wir übernehmen die vereinbarte technische Umsetzung von Datenintegration und Anwendungslogik über Analytics oder Machine Learning bis zu Tests, Deployment und Monitoring.
Was Valanor AI abdeckt
2. Data Foundation
Wir verbinden Daten aus Unternehmenssystemen, Maschinen und Sensorik, prüfen Qualität und Aktualität und entwickeln verlässliche Datenflüsse. Je nach Prozess arbeiten wir mit Batches oder kontinuierlichen Ereignisströmen.
3. Analytics, Machine Learning und KI
Wir entwickeln Kennzahlen, Prognosen, Klassifikation oder generative Funktionen, soweit sie für den Anwendungsfall sinnvoll sind. Die Lösung wird gegen bestehende Verfahren geprüft.
4. Konkrete Aufgaben und Systemintegration
Wir übersetzen Ergebnisse in nachvollziehbare Empfehlungen, priorisierte Aufgaben oder freigegebene Aktionen und übergeben sie an bestehende Anwendungen.
5. Betrieb und kontinuierliche Verbesserung
Wir überwachen die vereinbarte Lösung, prüfen Fehlerfälle, Qualität, Nutzung und Kosten und setzen priorisierte Verbesserungen im betreuten Umfang um.
Eine Empfehlung braucht einen nächsten Schritt.
Actionable To-dos statt unverbundener Dashboards.
Beispiel aus der Auftragsabwicklung: Ein System erkennt, dass ein bestätigter Wareneingang nach dem zugesagten Liefertermin liegt. Statt nur einen Risikowert anzuzeigen, bereitet es eine Aufgabe für Einkauf und Disposition vor: verfügbaren Ersatzbestand prüfen, Teillieferung bewerten und die Entscheidung dokumentieren.
Die Aufgabe enthält Datengrundlage, Aktualisierungszeitpunkt, Begründung, zuständige Person und einen klaren Prüfpfad. Ohne Freigabe löst das System weder eine Bestellung aus noch ändert es eine Kundenzusage.
So entsteht ein überprüfbarer Ablauf: Daten erfassen, Sachverhalt bewerten, Aufgabe übergeben, Entscheidung treffen und Ergebnis messen.
Drei Schritte. Ein klarer Verantwortungsbereich.
1. Valanor AI — Start
Wir prüfen einen Geschäftsbereich, relevante Datenquellen und einen konkreten Prozess. Sie erhalten eine priorisierte Umsetzungsentscheidung mit Datenbedarf, Nutzenhypothese, Abhängigkeiten und Abnahmekriterien. Wenn Voraussetzungen fehlen, benennen wir sie vor der Umsetzung.
2. Valanor AI — Build
Wir entwickeln einen abgegrenzten produktiven Data-to-Action-Workflow: Datenanbindung, Logik oder Modell, Benutzerinteraktion, Zielintegration, Tests und kontrollierte Einführung. Umfang und Festpreis definieren wir nach dem Start.
3. Valanor AI — Run & Improve
Wir betreuen den vereinbarten Workflow, überwachen Datenqualität, Systemverhalten und Kosten und verbessern ihn entlang eines priorisierten Backlogs. Servicezeiten, Kapazität und Erweiterungen werden vertraglich klar geregelt.
Typische Einsatzfelder
1. Service Operations
Servicefälle klassifizieren, relevante Informationen zusammenführen, Bearbeitungsvorschläge begründen und Aufgaben an zuständige Teams übergeben.
2. Planung und Disposition
Bedarfe und Abweichungen analysieren, Risiken in Beständen oder Lieferterminen erkennen und konkrete Prüf- oder Dispositionsaufgaben vorbereiten.
3. Dokumentenbasierte Prozesse
Informationen aus Dokumenten extrahieren, gegen Geschäftsregeln validieren und geprüfte Datensätze oder Rückfragen an Fachsysteme übergeben.
4. Operatives Reporting und Analytics
Daten aus unterschiedlichen Systemen konsolidieren, Kennzahlen nachvollziehbar machen und auffällige Entwicklungen in verantwortete Maßnahmen übersetzen.
Maschinen- und Sensordaten nutzen, solange sie relevant sind.
Real-Time Data Processing und Edge AI
Temperatur, Vibration, Energieverbrauch oder Maschinenzustände ändern sich fortlaufend. Wir erfassen relevante Signale, berechnen Kennzahlen und erkennen Abweichungen im laufenden Prozess – ohne auf den nächsten Datenexport zu warten.
Bei auffälligen Schwingungswerten vergleichen wir Messdaten mit dem bisherigen Maschinenverhalten und bereiten eine Prüfaufgabe für die Instandhaltung vor. Der Vorgang enthält Datenquelle, Begründung, Priorität und einen Verantwortlichen. Eingriffe bleiben an definierte Freigaben gebunden.
Je nach Latenz und Netzwerkanbindung läuft die Auswertung auf Edge-Systemen oder in der zentralen Plattform. Mehr zu lokalen Modellen und industriellen Anwendungen unter Edge AI.
Technologie folgt dem Prozess, nicht umgekehrt.
Nicht jeder Workflow braucht ein Sprachmodell oder einen KI-Agenten. Manchmal sind robuste Datenpipelines, Regeln und klassische Prognosemodelle die wirtschaftlichere Lösung. Wir entscheiden nach Datenlage, fachlichem Nutzen, Fehlerkosten, Integrationsaufwand und Betrieb.
Wir entwickeln neue Komponenten und nutzen vorhandene Software dort, wo sie die Anforderungen zuverlässig erfüllt. Rechte, Datenherkunft, Human-in-the-Loop, Testbarkeit und Monitoring berücksichtigen wir ab der Architekturentscheidung.
Mehr über unsere Data-&-AI-Engineering-Leistungen erfahren Sie im zuständigen Service-Bereich. Wenn zunächst die Architektur oder Machbarkeit ungeklärt ist, beginnen wir mit Consulting & Diagnostics.
Eine belastbare Datenbasis für Analytics und KI.
Die Architektur hinter Valanor AI
Für die Datenbasis setzen wir auf dlt, Floe, Apache Iceberg, dbt und Trino. dlt lädt Quelldaten in die Bronze-Schicht. Floe prüft Datenverträge und Datenqualität für Silver. Mit dbt und Trino entwickeln wir darauf fachliche Gold-Datenmodelle, die Analytics, Machine Learning und Anwendungen verwenden.
Dagster orchestriert die Datenprodukte. Apache Iceberg und objektbasierter Storage trennen Datenspeicherung von der Verarbeitung. Ein Iceberg-Katalog – je nach Umgebung Apache Polaris oder AWS Glue – verwaltet die Tabellen. OpenMetadata ergänzt bei Bedarf Governance und Lineage, Superset die Analyseoberfläche.
Darauf erweitern wir die Architektur gezielt um Machine Learning, generative KI und den Übergang zu operativen Aufgaben. Wir halten Datenverarbeitung, Modellbetrieb und Geschäftsaktionen getrennt: Das vereinfacht Tests, Zugriffsrechte, Fehlerbehandlung und Änderungen im laufenden Betrieb.
Die Grundlagen dieser Datenarchitektur – von Ingestion über Storage und Transformation bis zur Bereitstellung – erklären wir im Beitrag zur Modern Data Stack Architektur. Valanor AI erweitert diese Basis um Modellbetrieb, KI-Anwendungen und konkrete Aufgaben im Geschäftsprozess.
Warum eine Dokumentanbindung über SharePoint oder Langdock allein noch keine belastbare Wissensschicht schafft, erläutern wir im Beitrag RAG-Architektur: SharePoint und Langdock richtig einordnen.
Streaming und Lakehouse arbeiten zusammen.
Für kontinuierliche Sensordaten ergänzen wir die Batch-Datenverarbeitung um einen Streaming-Pfad. Die Architektur richtet sich nach Ereignisvolumen, Latenz, Verfügbarkeit und vorhandener OT-/IT-Infrastruktur.
Sensoren und Maschinen anbinden
Über Gateways, OPC UA, MQTT und bei Bedarf Modbus verbinden wir Maschinen, SPS und Sensorik. EMQX oder Mosquitto übernehmen die MQTT-Kommunikation.
Ereignisse verteilen
Apache Kafka oder Redpanda puffern und verteilen Datenströme, wenn mehrere Verbraucher, größere Datenmengen oder Replay erforderlich sind. Für kleinere Anwendungen genügt oft ein MQTT-basierter Ablauf.
Streams kontinuierlich verarbeiten
Apache Flink wertet Zeitfenster aus, korreliert Ereignisse und verarbeitet verspätete Daten. Für einfache Regeln und Aggregationen verzichten wir auf unnötige Streaming-Komplexität.
Live Analytics und Historie
ClickHouse ermöglicht schnelle Analysen über laufende Ereignisse; TimescaleDB ist eine Alternative für PostgreSQL-nahe Zeitreihendaten. Historische Daten übernehmen wir kontrolliert in Apache Iceberg.
Lokale Inference und Aufgaben
Für Edge Inference nutzen wir abhängig von Hardware und Modell ONNX Runtime oder NVIDIA Triton. Erkenntnisse geben wir über definierte APIs an MES, ERP oder Instandhaltungssysteme weiter.
Von validierten Daten zu produktiven Modellen.
MLflow: Experimente und Modellversionen
Für klassische ML-Anwendungsfälle protokollieren wir Trainingsläufe, Parameter, Metriken und Artefakte in MLflow. Eine Model Registry dokumentiert freigegebene Versionen und schafft die Grundlage für reproduzierbare Deployments.
Dagster: Training und wiederkehrende Jobs
Trainings- und Batch-Scoring-Jobs greifen auf validierte Silver- oder Gold-Daten zu. Dagster steuert Abhängigkeiten und Ausführung. Modelle lesen kontrolliert aus dem Lakehouse; sie verändern nicht die verantwortlichen Bronze-, Silver- und Gold-Schreibpfade.
BentoML oder KServe: Inference
Für einen schlanken API-Endpunkt setzen wir je nach Bedarf BentoML ein. KServe ist eine Option, wenn Kubernetes-native Skalierung und komplexere Serving-Anforderungen sie rechtfertigen. Batch-Prognosen können auch ohne dauerhaft laufenden Endpunkt auskommen.
Evidently und Metriken: Modellqualität
Wir prüfen Eingabedaten, Verteilungen und Vorhersagequalität gegen vereinbarte Referenzwerte. Drift-Signale lösen Prüfungen aus; sie bedeuten nicht automatisch, dass ein Modell neu trainiert oder ersetzt werden muss.
Generative KI mit kontrollierten Datenzugriffen.
vLLM: Sprachmodelle lokal bereitstellen
Mit vLLM betreiben wir geeignete Sprachmodelle auf eigener Infrastruktur. Ein kontrolliertes Modell-Gateway steuert Zugriffe, Limits und Nutzung. Externe Modell-APIs sind keine Voraussetzung; bei vollständig abgeschotteten Installationen stellen wir Modelle und Laufzeitabhängigkeiten lokal bereit.
Qdrant oder pgvector: internes Wissen durchsuchen
Für dokumenten- und wissensbasierte Anwendungen nutzen wir je nach Umfang Qdrant oder pgvector. Haystack oder LlamaIndex können die Retrieval-Logik ergänzen. Datenaktualisierung, Zugriffsrechte, Quellenbelege und die lokale Erzeugung von Embeddings berücksichtigen wir in der Architektur.
MLflow: Tracing und Evaluation
Wir testen generative Funktionen anhand repräsentativer Aufgaben und dokumentieren Prompts, Versionen, Traces und Qualitätsbewertungen. MLflow unterstützt auch diese GenAI-Workflows. Bei spezifischen RAG-Anforderungen ergänzen wir bei Bedarf gesonderte Evaluationswerkzeuge.
Aktionen mit Freigaben
Modelle schlagen nur Aktionen vor, die die Anwendung ausdrücklich erlaubt. Eine separate API- und Workflow-Schicht prüft Berechtigungen, Fachregeln und menschliche Freigaben, bevor Daten oder Vorgänge in ERP, CRM oder Ticketsystemen geändert werden.
Ihr Vorhaben mit Valanor AI
Sie möchten Daten, Machine Learning oder KI für einen konkreten Prozess einsetzen? Beschreiben Sie die Ausgangslage und das gewünschte Ergebnis. Wir prüfen den technischen Einstieg mit Ihnen.
Produktiver Betrieb braucht mehr als funktionierende Modelle.
Wir überwachen Pipeline-Läufe, Modellendpunkte, Fehlerraten, Laufzeiten und Infrastruktur mit passenden Metriken und Logs, beispielsweise über Prometheus und Grafana. MLflow dient der Nachvollziehbarkeit von Experimenten und Modellversionen, nicht als Ersatz für Infrastruktur-Monitoring.
Für sensible und geschäftskritische Workflows planen wir Secrets, Berechtigungen, Netzwerkgrenzen, Backup und Restore, getestete Rollbacks, Kostenkontrollen und getrennte Umgebungen ein. Welche Komponenten dauerhaft laufen, bestimmen Lastprofil und Serviceanforderungen.
Die Architektur ist auf nachvollziehbare Datenflüsse und zunächst auf Batch-Verarbeitung ausgelegt. Für Echtzeit- und Streaming-Anforderungen prüfen wir zusätzliche Komponenten. Produktive Installationen sichern wir mit Tests, Offline-Abhängigkeiten bei abgeschottetem Betrieb und einem definierten Betriebskonzept ab.
Offene Komponenten. Eine klar definierte Architektur.
Für Datenaufnahme, Lakehouse und Transformation setzen wir auf dlt, Floe, Apache Iceberg, Trino, dbt und Dagster. MLflow ergänzt Modellversionierung und Evaluation; vLLM, Qdrant oder pgvector und passende Serving-Komponenten decken KI-Anwendungen ab. Welche Bausteine zum Einsatz kommen, bestimmen Datenlage, Sicherheitsanforderungen, Lastprofil und der konkrete Geschäftsprozess.
Häufige Fragen zu Valanor AI
Ist Valanor AI eine Softwareplattform?
Nein. Valanor AI verbindet eine offene Datenarchitektur mit Analytics, Machine Learning und KI-Anwendungen. Wir entwickeln und integrieren den passenden Workflow in Ihre bestehende Systemlandschaft. Eine zusätzliche Standardsoftwareoberfläche müssen Sie dafür nicht einführen.
Welche Daten brauchen wir für den Einstieg?
Wir benötigen einen konkreten Prozess, einen fachlichen Ansprechpartner und Zugang zu repräsentativen Daten oder geeigneten Stichproben. Umfang und Qualität prüfen wir im Start-Paket.
Müssen wir bereits eine Datenplattform oder KI-Modelle besitzen?
Nein. Wir prüfen die vorhandene Architektur und entwickeln die fehlenden Datenflüsse oder Funktionen im vereinbarten Scope. Eine vollständige Erneuerung der IT-Landschaft ist nicht automatisch Teil des Projekts.
Wie verhindern wir falsche Empfehlungen und unkontrollierte Aktionen?
Wir definieren nachvollziehbare Quellen, Evaluationskriterien, Grenzen und menschliche Freigaben. Bei fehlenden Daten oder unzureichender Qualität muss das System kontrolliert reagieren und gegebenenfalls an eine Person übergeben.
Wie wird der Erfolg gemessen?
Wir legen vor der Umsetzung Ausgangswerte und fachliche Kennzahlen fest, etwa Bearbeitungszeit, Fehlerquote, Prognosegüte oder manuellen Prüfaufwand. Im Betrieb prüfen wir zusätzlich Nutzung, Datenqualität und Kosten.
Was kostet Valanor AI?
Der Einstieg wird als fest umrissenes Paket angeboten. Für die produktive Umsetzung und den laufenden Betrieb definieren wir Preis und Leistungsgrenzen anhand des tatsächlichen Workflows, der Integrationen und der Betriebsanforderungen.
Kann Valanor AI Sensordaten in Echtzeit verarbeiten?
Ja. Wir verbinden Maschinen- und Sensordaten etwa über OPC UA oder MQTT, verarbeiten Ereignisse kontinuierlich und stellen die Ergebnisse für Live Analytics, Anomalieerkennung und operative Aufgaben bereit. Latenzziele validieren wir mit dem jeweiligen Prozess. Sicherheitskritische Steuerungen und Abschaltungen verbleiben in dafür ausgelegten deterministischen Systemen wie SPS.
Valanor AI
Welchen Prozess sollten Ihre Daten als Nächstes verbessern?
Beschreiben Sie uns den Ablauf, die beteiligten Systeme und die Entscheidung, die heute zu viel Zeit oder Unsicherheit verursacht. Wir prüfen mit Ihnen, welcher erste Data-to-Action-Workflow sinnvoll ist.
Aleksandar Basara
Managing Director
aleks@valanor.co
+49 (0) 711 16 44 6 83
Lindenspürstrasse 22, 70176 Stuttgart
