Discovery und Datenaudit
Zugriff auf Beispielquellen, einen Verantwortlichen pro Quelle, einen Ansprechpartner für Sicherheit
Leistungen
Seit über 10 Jahren entwickeln wir Finanzprojekte auf Blockchain-Basis: zentrale und dezentrale Krypto-Börsen, Krypto-Bots, Payment-Gateways, Immobilien-Tokenisierung sowie DeFi- und NFT-Projekte.
AI & ML
Seit 2023 entwickeln wir KI für Unternehmen: individuelle KI- und LLM-Entwicklung, KI-Agenten, Chatbots und Enterprise-KI, angebunden an Ihre Daten, Produkte und Prozesse.
RAG-Entwicklung Für Ihr Unternehmen
Merehead entwickelt Retrieval-Augmented-Generation-Systeme für Ihre Mitarbeitenden und Kunden: interne Wissenssuche, Assistenten für den Kundensupport und KI-Funktionen in einem bestehenden Produkt.
Die meisten Projekte beginnen mit einem klar abgegrenzten Pilotprojekt oder einem Review eines bestehenden Systems. Die Antwortqualität wird an Ihren echten Fragen getestet, bevor irgendetwas in Produktion geht.
Starten Sie mit einer Phase, etwa einem Data-Readiness-Check, oder übergeben Sie uns die komplette Entwicklung bis zum Launch und Support.
Ihr RAG-Projekt besprechen„Heute beantwortet der RAG-Assistent die meisten dieser Fragen. Nach dem Pilotprojekt bat das Team selbst darum, Material zu unseren anderen Produkten aufzunehmen.“
Liefern unsere Dokumente verlässliche Antworten?
Wir brauchen eine Suche über unsere Quellen, die synchron bleibt.
Antworten müssen in Slack, unserem CRM oder unserem Produkt erscheinen.
Niemand kann sagen, wie oft unser Prototyp richtig liegt.
Es muss in unserer Umgebung laufen, mit Daten, die sich jede Woche ändern.
Versicherungsbedingungen, Anweisungen und Schadenregulierungsverfahren in Abteilungen, die die Dateien der anderen nicht sehen dürfen.
der Antworten als korrekt bestätigtExperten prüften 500 Testfragen

12.000 Dokumente · 4 Personen · 10 Wochen
Ihr RAG-Projekt besprechenJede Phase endet mit etwas, das Sie öffnen, testen und abnehmen können.
Ihre Data Owner bestätigen Quellen, Lücken und Zugriffsregeln
Ihre Nutzer testen es praktisch mit echten Fragen
Ihr Reviewer gibt ihn nach vereinbarten Kriterien frei
Ihre Engineers prüfen ihn; die Eigentumsrechte regelt der Vertrag
Ihr Team prüft sie und übernimmt die vereinbarten Aufgaben


„Die Qualität der Übergabe war herausragend. Wir erhielten die Tests, die Dokumentation und einen klaren Prozess zur Aktualisierung der Wissensbasis. Unsere Engineers haben sich schnell eingearbeitet und den Support übernommen, ohne lange auf den Dienstleister angewiesen zu sein.“
Zwei RAG-Systeme mit derselben Funktionsliste können sehr unterschiedlichen Aufwand erfordern, weil der Großteil der Arbeit in den Daten dahinter steckt. Deshalb schätzen wir jedes Projekt anhand seiner Rahmendaten und nicht nach einer Preisliste.
Welche Quellen, wie viele Nutzer, Zugriffsregeln, wo das System läuft, welche Tools und was Sie eine falsche Antwort kostet.
Sobald Sie diese Anforderungen teilen, sendet Ihnen unser Solutions Architect eine Stundenaufstellung pro Modul.
Nach dem Datenaudit wird die Schätzung um das ergänzt, was das Audit in Ihren Quellen gefunden hat.
Sauberer Text in einem einzigen Wiki lässt sich leicht indexieren. Gescannte PDFs, Tabellenkalkulationen und komplexe Tabellen erfordern zusätzliches Parsing und Prüfen.
Duplikate, veraltete Versionen und widersprüchliche Dokumente müssen bereinigt oder gewichtet werden, sonst antwortet das System aus dem falschen Dokument.
Berechtigungen aus SharePoint oder einem CRM ins Retrieval zu übernehmen ist eigenständige Engineering-Arbeit.
Ein Support-Assistent für öffentliche Dokumentation braucht weniger Expertenprüfung als ein Tool, auf das sich Ihre Rechtsabteilung verlässt.
Jedes Zielsystem bringt Aufwand für Authentifizierung, Schnittstelle und Wartung mit sich.
Ein Managed-Cloud-Setup ist meist schneller aufgesetzt als eine Private Cloud oder ein On-Premises-Deployment mit selbst gehostetem Modell.
Es beeinflusst Infrastrukturgröße und Modellnutzungskosten stärker als den Entwicklungsaufwand.
Der Assistent für den Versicherer deckte 12.000 Dokumente mit Zugriff auf Abteilungsebene ab und wurde von einem vierköpfigen Team in 10 Wochen umgesetzt.
Anfragevolumen und Modellwahl beeinflussen diesen Betrag am stärksten, deshalb modellieren wir ihn auf Basis Ihrer erwarteten Nutzung als Teil der Schätzung.
Sobald das System live ist, zahlen Sie für die LLM-Nutzung (pro Token über eine API oder GPU-Hosting, wenn das Modell in Ihrer Umgebung läuft), das Hosting der Vektordatenbank, Rechenleistung für Ingestion- und Sync-Jobs sowie Monitoring und Logs. Hinzu kommt Supportzeit, um Retrieval-Probleme zu beheben und Tests bei Inhaltsänderungen erneut auszuführen.
Einen breiteren Überblick über KI-Budgets bietet unsere Analyse der Kosten der KI-App-Entwicklung.
Neue Projekte durchlaufen in der Regel vier Phasen. Jede endet mit einer Entscheidung Ihrerseits, bevor die nächste beginnt. Wenn Sie bereits ein RAG-System haben, beginnt die Arbeit mit dessen Review, und die Phasen werden an das angepasst, was korrigiert werden muss.
Zugriff auf Beispielquellen, einen Verantwortlichen pro Quelle, einen Ansprechpartner für Sicherheit
Fachexperten, die Testfragen schreiben und Antworten bewerten
Sicherheits- und Infrastrukturanforderungen, Zugriff auf die Systeme, die wir integrieren
Ein Verantwortlicher pro Quelle und ein Kanal für Nutzerfeedback
Ihre Experten legen fest, was eine richtige Antwort ist. Nichts geht in Produktion, bevor Ihr Vertreter die Ergebnisse freigibt.
Echte Fragen aus Tickets, Chats und Suchlogs, mit erwarteten Antworten, die Ihre Experten freigegeben haben.
Inklusive der Fälle, an denen RAG scheitert: keine Antwort in den Quellen, veraltete Dokumente, gesperrte Dateien.
In Produktion gehen, nachbessern, den Umfang eingrenzen oder stoppen. Nach einem Pilotprojekt deutlich günstiger als nach der kompletten Entwicklung.

„Das Pilotprojekt hat die Lücken offengelegt, also haben wir die Dokumente in Ordnung gebracht und die Suche verfeinert. Jetzt finden neue Mitarbeitende schneller, was sie brauchen, und Führungskräfte verbringen weniger Zeit damit, immer wieder dasselbe zu erklären.“
Individuelle Entwicklung lohnt sich, wenn Ihre Quellen komplex oder sensibel sind, wenn Nutzer unterschiedliche Zugriffsrechte brauchen oder wenn das System in Ihrer Umgebung oder in Ihrem Produkt laufen muss. In einfacheren Fällen führt eine Managed-RAG-Plattform schneller zu einem funktionierenden Ergebnis.
Ein individuelles System nutzt oft Managed-Komponenten, etwa eine gehostete Vektordatenbank oder eine kommerzielle LLM-API; der Versicherungs-Assistent oben läuft auf der OpenAI API und AWS.
Es verändert das Verhalten eines Modells, etwa Tonfall, Ausgabeformat oder den Umgang mit Fachbegriffen, gibt dem Modell aber keinen Zugriff auf Ihre aktuellen Dokumente. Sie können es mit RAG kombinieren, wenn Sie sowohl aktuelles Wissen als auch einen bestimmten Antwortstil brauchen.
Wenn Ihr Projekt über Retrieval hinausgeht, etwa bei Modellauswahl oder Fine-Tuning, sehen Sie sich unsere LLM-Entwicklungsleistungen an.
Eigentum, Datenreife, Integration, Wahl des Stacks und Support nach dem Launch.
Ihre Daten bleiben Ihre Daten, und die Rechte an Code, Konfiguration und Index werden vor Projektbeginn im Vertrag festgelegt.
Nein. Die meisten Teams starten mit unaufgeräumten Quellen. Am Anfang zählt, zu wissen, welche Dokumente maßgeblich sind und wer für sie verantwortlich ist. Das Datenaudit zeigt, was bereinigt werden muss, und die Bereinigung, die die Antwortqualität beeinflusst, wird Teil des Projektumfangs.
Ja. Retrieval und Antwortgenerierung lassen sich als API bereitstellen, die Ihr Produkt aufruft. Die wichtigsten Designfragen sind, wie Ihre App die Identität des Nutzers übergibt, damit Berechtigungen greifen, und wie Antworten ihre Quellen in Ihrem Interface zeigen.
Wir wählen nach dem Datenaudit, abhängig davon, wo Ihre Daten verarbeitet werden dürfen, vom erwarteten Anfragevolumen und von den Ergebnissen auf Ihrem Testset. Der oben beschriebene Versicherungs-Assistent nutzte Python, FastAPI, LangChain, PostgreSQL mit pgvector und die OpenAI API auf AWS. Wenn Daten Ihre Umgebung nicht verlassen dürfen, ersetzt ein auf Ihrer Infrastruktur gehostetes Open-Source-Modell die externe API.
Der Support umfasst Monitoring, die Behebung von Sync- und Retrieval-Problemen und das erneute Ausführen des Testsets nach Quell- oder Modelländerungen. Neue Quellen oder Anwendungsfälle hinzuzufügen ist Entwicklungsarbeit und wird separat geplant. Umfang und Reaktionszeiten des Supports werden in einer separaten Vereinbarung festgelegt.
Für eine Schätzung senden Sie uns die Liste der Quellen, die das System nutzen soll, die erwartete Anzahl an Nutzern und etwaige Anforderungen an Sicherheit oder Deployment.