Modellverhalten
Prompt- und Kontextdesign, Retrieval, Dataset-Arbeit, Fine-Tuning und aufgabenspezifische Evaluation.
KI-ENGINEERING
KI-Produkte und Workflows für den Produktionsbetrieb
Modellanpassung, KI-Integration, agentische Workflows und Echtzeit-Game-AI mit Evaluation und Betriebsüberwachung.
Modellanpassung, KI-Integration, agentische Workflows und Echtzeit-Game-AI mit Evaluation und Betriebsüberwachung.
UMFANG DER DISZIPLIN
Wir entwickeln KI als messbares Produktsystem – nicht als Modelldemo.
Unsere KI-Disziplin umfasst Produktintegration, Retrieval, Modelltraining und Fine-Tuning, Agenten-Orchestrierung und Realtime Game AI. Je nach Aufgabe wählen wir zwischen deterministischer Software, Retrieval, Modellanpassung und generativem Verhalten.
Backend & Cloud gehört zum Angebot: Authentifizierung, Daten, Queues, Worker, APIs, Persistenz, Observability und Kostenkontrollen machen aus nützlichem Modellverhalten einen verlässlichen Workflow.
Agenten- und Anwendungslogik
Tools, expliziter Zustand, Verzweigungen, Validierung, menschliche Freigabe und nutzerseitiger Workflow.
Produktionsplattform
APIs, Daten, Queues, Worker, Berechtigungen, Deployment, Tracing und Nutzungskontrollen.
Realtime Game AI
Entscheidungssysteme, Navigation, Taktik und Simulation unter Frame-Time- und Multiplayer-Randbedingungen.
Modell, Anwendung und Betriebssystem als ein Produkt konzipiert.
Modell, Anwendung und Betriebssystem als ein Produkt konzipiert.
Wir entwickeln KI-Produktfunktionen und interne Workflows, die Wissen abrufen, strukturierte Ergebnisse erzeugen, Tools aufrufen und bestehende Geschäftssysteme anbinden. Berechtigungen, Validierung, Latenz, Kosten und menschliche Prüfung werden gemeinsam mit dem Modellverhalten entwickelt.
KI-Produktfunktionen
Assistenten, Copilots, Klassifizierung, Extraktion, Zusammenfassung und Generierung, eingebettet in einen zielgerichteten Nutzer-Workflow.
Retrieval- und Wissenssysteme
Ingestion, Chunking, Metadaten, Suche, Berechtigungen und quellengebundenes Antwortverhalten über Produkt- oder Organisationsdaten.
Systemintegration
Modelle werden über authentifizierte, validierte und auditierbare Aktionen mit APIs, Datenbanken, Dateien und Business-Tools verbunden.
Evaluation und Betrieb
Testdatensätze, strukturierte Prüfungen, Tracing, Latenz- und Kostenmessung, Fallback-Verhalten und Produktionsmonitoring.
So gehen wir über einen beeindruckenden Prompt hinaus
So gehen wir über einen beeindruckenden Prompt hinaus
Wir definieren zuerst Aufgabe und akzeptables Fehlverhalten, legen eine Baseline fest und wählen dann die kleinste Kombination aus Kontext, Retrieval, Modellanpassung und deterministischem Code, die die Anforderung erfüllt.
- 01
Entscheidung oder Workflow definieren
Nutzer, Eingaben, gewünschtes Ergebnis, Berechtigungen, Risiken, Review-Bedarf und die messbare Baseline abbilden.
- 02
Einen evaluierten Prototyp bauen
Repräsentative Testfälle erstellen und Ansätze anhand von Qualität, Latenz und Kosten vergleichen.
- 03
Produktionssystem integrieren
Datenpipelines, Tools, Zustand, Validierung, Sicherheit, Retries und nutzerseitiges Verhalten ergänzen.
- 04
Beobachten und verbessern
Prompts und Konfiguration versionieren, Ergebnisse tracen, Fehler analysieren und eine Regression-Evaluation-Suite pflegen.
Ergebnisse der KI-Produktentwicklung
Ergebnisse der KI-Produktentwicklung
Das Ergebnis ist ein wartbares Produktsystem mit messbarem Verhalten – kein Notebook und keine isolierte API-Demo.
- Definition von Use Case, Risiko und Evaluation
- Funktionsfähige KI-Funktion oder Workflow
- Retrieval-, Tool- und Backend-Integrationen
- Evaluation-Suite und Qualitätsbaseline
- Deployment, Monitoring und Kostenkontrollen
Ergebnisse der KI-Produktentwicklung
Modell, Anwendung und Betriebssystem als ein Produkt konzipiert.
Eine Daten- und Evaluationspipeline, um Modellverhalten gezielt zu verändern.
Eine Daten- und Evaluationspipeline, um Modellverhalten gezielt zu verändern.
Wenn Prompting und Retrieval die Anforderung nicht erfüllen, bereiten wir Domänendaten auf, führen kontrollierte Trainings- oder Fine-Tuning-Experimente durch und integrieren das resultierende Modell in einen messbaren Inference-Pfad.
Dataset Engineering
Quellenprüfung, Bereinigung, Normalisierung, Labeling-Richtlinien, Splits, Lineage und Qualitätsprüfungen, abgestimmt auf die Zielaufgabe.
Trainingsexperimente
Supervised Fine-Tuning, fortgesetzte Anpassung oder aufgabenspezifische Modelle, wenn die Evidenz die zusätzliche Komplexität rechtfertigt.
Evaluation und Regression
Held-out-Datensätze, Aufgabenmetriken, qualitative Rubrics, Safety Cases und Vergleiche mit einfacheren Baselines.
Inference-Integration
Serving, Batching, Latenz, Hardware, Datenschutz, Monitoring und Trigger für erneutes Training innerhalb des umgebenden Produkts.
So wählen wir zwischen Retrieval, Fine-Tuning und Training
So wählen wir zwischen Retrieval, Fine-Tuning und Training
Training ist nicht die Standardantwort. Wir beginnen mit der günstigsten validen Baseline, messen die Lücke und ergänzen Modellanpassung nur dann, wenn sie das Verhalten verbessert, das für das Produkt tatsächlich zählt.
- 01
Aufgabe und Metrik definieren
Erwartete Eingaben, Ausgaben, Edge Cases, Qualitätsschwelle, Datenschutzanforderungen und den Inference-Rahmen festlegen.
- 02
Daten auditieren und vorbereiten
Umfang, Repräsentativität, Rechte, Leakage, Konsistenz der Labels und die Kosten der Datensatzpflege bewerten.
- 03
Kontrollierte Experimente durchführen
Baselines und Anpassungen mit nachvollziehbaren Konfigurationen und Held-out-Evaluation vergleichen.
- 04
Integrieren und pflegen
Inference paketieren, Drift und Fehler überwachen und die Bedingungen für künftige Daten- oder Modellupdates definieren.
Ergebnisse der Modellanpassung
Ergebnisse der Modellanpassung
Die Arbeit wird so dokumentiert, dass ein Ergebnis reproduziert, verglichen und gepflegt werden kann, statt von einem einzigen undurchsichtigen Experiment abzuhängen.
- Datensatzspezifikation und Vorbereitungspipeline
- Baseline- und Experimentprotokoll
- Fine-Tuned- oder aufgabenspezifische Modellartefakte, sofern sinnvoll
- Evaluations- und Regression-Suite
- Integrationsplan für Inference und erneutes Training
Ergebnisse der Modellanpassung
Eine Daten- und Evaluationspipeline, um Modellverhalten gezielt zu verändern.
Eine Daten- und Evaluationspipeline, um Modellverhalten gezielt zu verändern.Wenn Prompting und Retrieval die Anforderung nicht erfüllen, bereiten wir Domänendaten auf, führen kontrollierte Trainings- oder Fine-Tuning-Experimente durch und integrieren das resultierende Modell in einen messbaren Inference-Pfad.
Länger laufende KI-Workflows mit explizitem Zustand und klarer Kontrolle.
Länger laufende KI-Workflows mit explizitem Zustand und klarer Kontrolle.
Wir entwickeln Systeme, in denen Modelle über mehrere Schritte hinweg Tools auswählen oder verwenden, während deterministische Anwendungslogik Berechtigungen, Verzweigungen, Persistenz, Retries und menschliche Entscheidungen steuert. LangChain oder LangGraph können diese Architektur unterstützen, wenn ihre Abstraktionen zum Workflow passen.
Tool-nutzende Agenten
Begrenzter Zugriff auf Suche, Datenbanken, interne APIs und externe Services mit typisierten Eingaben, validierten Ausgaben und auditierbaren Aktionen.
Zustandsbehaftete Orchestrierung
Expliziter Workflow-Zustand, Verzweigungen, Checkpoints, persistente Ausführung und Recovery für Arbeit, die nicht in einen einzelnen Request passt.
Menschliche Freigabe
Review-Queues, Schwellenwerte, Eskalation und editierbare Zwischenergebnisse für Aktionen, die Verantwortlichkeit erfordern.
Multi-Agent-Systeme
Spezialisierte Agenten nur dort, wo die Aufteilung Qualität oder Verantwortlichkeit ausreichend verbessert, um Koordinationskosten und Komplexität zu rechtfertigen.
So machen wir einen agentischen Workflow produktionssicher
So machen wir einen agentischen Workflow produktionssicher
Wir trennen Entscheidungen, die von einem Modell profitieren, von Regeln, die deterministisch bleiben sollten. Jede externe Aktion hat eine verantwortliche Stelle, eine Berechtigungsgrenze, einen Validierungspfad und definiertes Recovery-Verhalten.
- 01
Workflow-Graph abbilden
Zustände, Tools, Entscheidungen, Fehlerpunkte, Freigabeschritte, Abschlusskriterien und bestehende Systemverantwortliche identifizieren.
- 02
Unsichere Schritte evaluieren
Datensätze für Routing, Extraktion oder Generierung aufbauen und Modellverhalten vergleichen, bevor Aktionen automatisiert werden.
- 03
Persistente Ausführung ergänzen
Persistenz, Queues, Idempotenz, Retries, Timeouts, Abbruch und menschliche Prüfung implementieren.
- 04
Tracen und steuern
Modell-, Prompt-, Tool- und Zustandsübergänge protokollieren, Kosten und Fehler überwachen und kontrollierte Konfigurations-Rollouts unterstützen.
Ergebnisse für Agenten und Orchestrierung
Ergebnisse für Agenten und Orchestrierung
Das System umfasst die Backend-Mechanik, die für zuverlässige Abläufe nötig ist – nicht nur den Agent-Prompt und Tool-Deklarationen.
- Workflow- und Verantwortungsgraph
- Implementierung von Agenten, Tools und deterministischer Steuerung
- Persistenter Zustand, Queues und Recovery
- Menschliche Prüfung und administrative Kontrollen
- Tracing, Evaluation und Betriebsdokumentation
Ergebnisse für Agenten und Orchestrierung
Länger laufende KI-Workflows mit explizitem Zustand und klarer Kontrolle.
Länger laufende KI-Workflows mit explizitem Zustand und klarer Kontrolle.Wir entwickeln Systeme, in denen Modelle über mehrere Schritte hinweg Tools auswählen oder verwenden, während deterministische Anwendungslogik Berechtigungen, Verzweigungen, Persistenz, Retries und menschliche Entscheidungen steuert. LangChain oder LangGraph können diese Architektur unterstützen, wenn ihre Abstraktionen zum Workflow passen.
Verhaltenssysteme passend zu Spielerlebnis, Welt und Frame-Budget.
Verhaltenssysteme passend zu Spielerlebnis, Welt und Frame-Budget.
Wir entwickeln NPC-Entscheidungslogik, Navigation, Taktik, Gruppenverhalten, Encounter-Steuerung und Simulationssysteme. Klassische Realtime-Ansätze und generative KI können nebeneinander bestehen, aber jeder Ansatz wird nur dort eingesetzt, wo Verhalten, Latenz und Betriebskosten zum Spiel passen.
Entscheidungsarchitektur
State Machines, Behavior Trees, Utility-Systeme, zielorientierte Planung und hybride Ansätze, strukturiert für nachvollziehbares Authoring und Debugging.
Navigation und Bewegung
NavMeshes, Grids, individuelles Pathfinding, Steering, Avoidance und räumliche Abfragen für statische, prozedurale oder zerstörbare Welten.
Taktik und Simulation
Zielauswahl, Deckung, Squads, Ökonomien, Populationen, Encounter Directors und systemische Reaktionen auf Spielerverhalten.
Vernetztes und generatives Verhalten
Server-autoritativ gesteuerte NPCs, Relevanz- und Bandbreitenkontrollen sowie Dialog- oder Content-Generierung, wenn ein begrenztes Modell das Produkt sinnvoll verbessert.
So entwickeln wir KI, die Spieler nachvollziehen und Entwickler abstimmen können
So entwickeln wir KI, die Spieler nachvollziehen und Entwickler abstimmen können
Wir definieren zuerst das Verhalten, das der Spieler wahrnehmen soll, und wählen erst danach die Implementierung. Debug-Ansichten, Authoring-Steuerung und Performance-Budgets werden gemeinsam mit dem Runtime-System entwickelt.
- 01
Beobachtbares Verhalten definieren
Ziele, dem Agenten verfügbare Informationen, akzeptable Fehler, Schwierigkeit, Fairness und Multiplayer-Authority beschreiben.
- 02
Entscheidungsschleife prototypisieren
Ein kleines Encounter mit Visualisierung und Telemetrie bauen, um Verhalten und Designer-Kontrolle zu testen.
- 03
Welt und Content integrieren
Navigation, Animation, Kampf, Simulation, Authoring-Daten und Netzwerkverantwortung verbinden.
- 04
Belasten und abstimmen
Viele Agenten, ungünstige Weltzustände und Frame-Budgets testen und Designern dabei nützliche Steuerungsmöglichkeiten und Diagnosen geben.
Ergebnisse der Game-AI-Entwicklung
Ergebnisse der Game-AI-Entwicklung
Das System umfasst Runtime-Verhalten, Unterstützung für Content-Authoring und die Tools, die nötig sind, um nachzuvollziehen, warum ein Agent gehandelt hat.
- Verhaltens- und Informationsmodell
- Implementierung von Entscheidung, Navigation oder Simulation
- Authoring- und Tuning-Tools für Designer
- Debug-Visualisierung und Telemetrie
- Dokumentation zu Performance, Multiplayer und Erweiterbarkeit
Ergebnisse der Game-AI-Entwicklung
Verhaltenssysteme passend zu Spielerlebnis, Welt und Frame-Budget.
VERWANDTE NACHWEISE & PFADE
Technische Bewertung fortsetzen.
Incrempire
Incrempire
Eine unserer wichtigsten Veröffentlichungen: ein entspanntes inkrementelles Survival- und Base-Defense-Spiel, in dem jede Niederlage dauerhaften Fortschritt bringt. Spieler verteidigen ihr Königreich über 25 Level und vier Biome, kombinieren einen umfangreichen Fähigkeitsbaum mit temporären Segnungen und schalten Zauber, Türme, Bergbau- und Runensysteme frei. Nach einem öffentlichen Demozyklus von nur zwei Monaten erschien Incrempire auf Steam für Windows, macOS und Linux – mit Steam-Deck-Unterstützung, Erfolgen, Bestenlisten und acht Oberflächensprachen.
Details ansehen
Bad Goons
Bad Goons
Unser Flaggschiff-Multiplayer-FPS mit einem Schlachtfeld, das Spieler in jedem Match zerstören, ausheben und neu errichten können. Vollständig vernetzte Voxelzerstörung, dynamische Kontrollpunkte, Bau und Befestigung, mobile Spawn-Netze, prozedurale Karten, taktische Unterstützung und ein breites Arsenal erzeugen bewegliche Frontlinien. Der spielbare Early-Access-Build wird aktiv für den geplanten Steam-Start im Dezember 2026 entwickelt und regelmäßig gemeinsam mit der Community getestet.
Details ansehenTECHNISCHE PRIORITÄTEN
Von der Entscheidung bis zur Produktion.
- 01
Definieren
Aufgabe, Baseline, akzeptables Fehlverhalten, Datenrechte und menschliche Verantwortlichkeit festlegen.
- 02
Evaluieren
Repräsentative Tests aufbauen und die einfachsten tragfähigen Ansätze vergleichen.
- 03
Integrieren
Modelle mit Produktdaten, Tools, Zustand, Berechtigungen und deterministischen Kontrollen verbinden.
- 04
Verbessern
Ergebnisse tracen, Qualität, Latenz und Kosten messen und vor Änderungen eine Regression-Evaluation ausführen.
MIT DIESER DISZIPLIN STARTEN