Wo Sie stehen.
Wohin es geht.
Stellen Sie eine Frage über Ihre Daten hinweg. Sie erhalten eine Antwort, in der jeder Fakt zitiert und datiert ist — dazu eine Prognose, die Sie gegen die Vergangenheit testen können. Zwei Antworten, die Ihr Vorstand verteidigen kann: was heute gilt, und was als Nächstes kommt.
Jede Antwort zeigt, wie sie zustande kommt.
Eine Antwort dazu, wo es heute steht, eine dazu, wohin es als Nächstes geht — jede verankert in Ihren Daten, jede zur Quelle nachvollziehbar.
Eine Antwort für heute, die standhält.
Für Vorstand, Wirtschaftsprüfer, Aufsichtsbehörde oder Ministerium — zu einem Portfolio, einer Population, einer Belegschaft, einer Lieferkette.
- Eine klare Antwort, nicht fünf widersprüchliche
- Jede Zahl zurückverfolgbar zur Quelle
- Für heute, das letzte Quartal, jeden Zeitpunkt
- Für jeden nachvollziehbar, der danach fragt
Eine Prognose, hinter der Sie stehen können.
Zur Modellierung dessen, was kommt — Populationen, Belegschaft, Nachfrage, Infrastrukturkapazität, Auswirkungen neuer Regulierung.
- Eine Prognose, die Sie hinterfragen können — nicht nur lesen
- Ändern Sie eine Zahl — die ganze Projektion reagiert
- Gegen die Vergangenheit getestet, bevor Sie handeln
- Mit dem nächsten Schritt, nicht nur einer Grafik
- Freier Chat oder kreative Inhalte. Anderes Problem, anderes Werkzeug.
- Branchen ohne strukturierte Aufzeichnungen, an die sich Fakten binden lassen.
- Entscheidungen, bei denen "ungefähr richtig" reicht.
Sehen Sie die Evidenzkette.
Stellen Sie eine Frage — zu heute oder zu dem, was kommt. Sehen Sie zu, wie sich die Quellen offen zusammenfügen; bei einer Prognose sehen Sie den Backtest vor der Projektion. Die Antwort erscheint erst, wenn die Evidenz vorliegt.
Was eine falsche Antwort tatsächlich kostet.
Zwei Fehlermodi — einer für heute, einer für morgen. Beide teuer in regulierten Branchen, beide der Grund, warum eine Antwort, die standhält, mehr zählt als eine schnelle.
Wenn die Antwort von heute nicht standhält
Zahlen, die nicht auf eine Quelle zurückgehen, überstehen das Review-Meeting und fallen beim Audit durch. Die Auswirkung zeigt sich Monate später — in Feststellungen, in Strafen, in Fragen vom Vorstand, die Sie nicht beantworten können.
- Audit-Feststellungen, die das Team nicht entkräften kann
- Kosten für aufsichtsrechtliche Nacharbeit
- Quartalszahlen, die nachträglich berichtigt werden müssen
- Vorstands-Exposure, wenn „das Modell hat es so gesagt“ keine Antwort ist
Wenn die Prognose nicht backgetestet werden kann
Eine Prognose, die niemand hinterfragen kann, ist eine Vermutung im Konfidenzintervall. Kapital wird dagegen allokiert, Risiken werden übersehen, sechs Quartale später ist sie die Erklärung für eine Zahl, die Sie überrascht hat.
- Kapital allokiert gegen eine nicht belegbare Prognose
- Risiko-Konzentrationen, die das Modell nicht aufgedeckt hat
- Keine Möglichkeit zu fragen „Was wäre, wenn“
- Entscheidungen, deren Begründung den Replay nicht übersteht
Wir generieren die Antwort nicht. Wir setzen sie zusammen.
Fakten haben Daten. Ein Zinssatz, der am Montag festgelegt wurde, ist am Dienstag falsch. Eine Regulierung, die letztes Jahr galt, gilt heute vielleicht nicht mehr. Deshalb trägt jeder Fakt im Graph was, wann es wahr war und wann wir es erfahren haben — getrennt. Dieselbe Frage in einem Jahr, dieselbe Antwort in einem Jahr. Replayfähig, zitiert, nachvollziehbar.
- Replayfähig. Dieselbe Frage zu einem späteren Datum liefert dieselbe Antwort — weil der Wissensstand zu diesem Datum exakt erhalten bleibt.
- Lückenlos zitiert. Jeder Knoten, jede Kante, jede Aussage verweist auf die primäre Quelle, aus der sie stammt.
- Zu jedem Zeitpunkt abfragbar. „Was wussten wir am 14. März?“ ist eine erstklassige Frage, kein Workaround.
- Domänenverankert. Regulierungen, Ontologien und Policy-Frameworks sind kodiert, nicht aus Trainingsdaten abgeleitet.
Temporal in der Datenstruktur — keine Zeitstempel auf einer generischen Datenbank.
Vier Wege, dieselbe Frage zu beantworten. Generische Modelle raten, RAG ruft ab, Graph-Memory-Bibliotheken hängen Zeitstempel an eine Allzweck-Datenbank — nur eine eigens gebaute temporale Engine liefert eine Antwort, die Sie ein Jahr später noch nachspielen, belegen und verteidigen können.
Unsere Produkte haben eine gemeinsame Grundlage.
Tyla verbindet Fakten, Zusammenhänge und Veränderungen über die Zeit. Unsere temporale KI-Reasoning-Engine bildet die Grundlage für ein wachsendes Portfolio in den Bereichen Sicherheit, Unternehmensinformationen und Recherche.
Unsere Produkte entdeckenVertrauen beginnt beim Produkt.
Schlussfolgerungen nachvollziehen.
Tyla verbindet Schlussfolgerungen mit expliziten Fakten, Regeln und ihrem zeitlichen Kontext. So können Sie prüfen, worauf eine Antwort beruht und welches Wissen zu einem bestimmten Zeitpunkt vorlag.
Die Kontrolle über Ihre Daten behalten.
Bereitstellung und Modellwahl sollen zu Ihrer Organisation passen. Wir unterstützen europäisches Hosting und private Umgebungen mit Zugriffskontrollen, die zum Produkt und Ihren Anforderungen passen.
Aktivitäten prüfen können.
Audit-Logs, nachvollziehbare Änderungen und wiederholbare Abläufe unterstützen Untersuchungen und Prüfungen. Sicherheitskontrollen gehören zur Entwicklung und zum Betrieb unserer Produkte.
Gefördert durch Österreichs nationale Forschungsförderungsgesellschaft. Aufgebaut mit Partnern, die in regulierten Umgebungen tatsächlich operieren.
Zwei Doktorate, eine Mission.
datAInsights wurde in Wien von zwei an der TU Wien promovierten Forschern aus komplementären Disziplinen gegründet: Wissensgraph-Reasoning auf der einen Seite, Physik und Scientific Computing auf der anderen. Genau das braucht es, um KI zu bauen, die belegt, was sie weiß.
Markus promovierte an der TU Wien sub auspiciis Praesidentis rei publicae, Österreichs höchster akademischer Auszeichnung, die vom Bundespräsidenten für nachhaltige Exzellenz von der Schule bis zur Promotion verliehen wird. Sein Forschungs- und Praxisschwerpunkt liegt auf Wissensgraphen, Distributed Computing und Blockchain — den technischen Grundlagen für Reasoning über strukturierte Daten in großem Maßstab.
Bei datAInsights verantwortet er Produkt und Wissensgraph-Architektur, die Daten- und Reasoning-Schicht, die jede Antwort auf ihre Quelle zurückführbar macht. Er verantwortet außerdem Produktsicherheit, Sicherheitsarchitektur und Sicherheitsgovernance.
René ist Physiker und Elektrotechniker mit einem Doktorat der TU Wien im Bereich Scientific Computing. Seine Laufbahn baut auf High-Performance-Simulation, numerischen Methoden für physikalische Systeme und der zugrundeliegenden Mathematik auf.
Bei datAInsights leitet er die Prognose- und Simulationsseite: die numerischen Modelle und Validierungsschleifen, mit denen wir quantifizieren — nicht nur behaupten — was die KI tatsächlich vorhersagen kann.
Dokumentiert, nicht behauptet.
Unsere Methoden sind keine Blackbox. Die Halluzinations-Präventionsarchitektur ist in zwei Whitepapers dokumentiert, und das Team dahinter pflegt aktive Publikationslisten in seinen jeweiligen Fachgebieten.
Die Methoden hinter Tyla bauen auf unserer Arbeit zu temporalen Wissensgraphen und deduktivem Reasoning auf.
Von einer plausiblen Antwort
zu einer, die standhält.
Vereinbaren Sie eine 30-minütige Demo. Wir zeigen Ihnen, wie eine Antwort entsteht — zitiert, nachvollziehbar, replayfähig — und besprechen, wo sie in Ihre Arbeit passt. Bei einem Match ist der nächste Schritt ein Pilot auf Ihren eigenen Daten. NDA auf Anfrage.