Wollen semantische Suche, ohne einen separaten Vector-Stack zu betreiben: keine zusätzliche Datenbank, kein eigenständiger Embedding-Dienst außerhalb der Plattform.
Plattform · Embeddings
Embeddings, die Ihr Wissen auffindbar machen
Tausende Dokumente zu durchsuchen erfordert mehr als Schlüsselwörter. Numaga verwandelt Ihre Dokumente in Embeddings, eine numerische Repräsentation von Bedeutung, sodass die Wissensdatenbank findet, was Sie meinen, auch wenn die Wörter abweichen. Durch dasselbe Gateway wie Ihr gesamter übriger AI-Traffic, also mit derselben Kontrolle.
Für wen es ist
Wollen, dass Leute finden, was gemeint ist, auch in großen, niederländischsprachigen Dokumentensammlungen, wo Schlüsselwörter zu kurz greifen.
Wollen Embedding-Kosten nicht als unsichtbaren Zusatz: separat ausgewiesen, pro Modell, getrennt von der Chat-Nutzung.
Das Problem
Embeddings sind meist unsichtbar, technisch wie finanziell.
Semantische Suche erfordert, dass jedes Dokument in Embeddings umgewandelt wird. In den meisten AI-Tools geschieht das im Verborgenen: ein separater Dienst, eine separate Rechnung und Nutzung, die nie in Ihrem Reporting landet. Große Dokumentensammlungen machen das schmerzhaft: Zehntausende Dokumente bedeuten Zehntausende Aufrufe.
In Numaga laufen Embeddings durch dasselbe Gateway wie der Rest Ihres AI-Traffics. Sie fallen unter dasselbe Management, die Speicherung sitzt in der gemanagten Datenbank der Plattform, und die Nutzung wird separat ausgewiesen, nicht mit dem Chat vermischt, weil die Volumina und Kosten grundlegend verschieden sind.
So funktioniert es
Vom Dokument zur auffindbaren Antwort.
Automatisch bei jeder Wissensdatenbank-Synchronisation, ohne separate Vector-Infrastruktur.
Dokumente werden zu Embeddings
Bei jeder Wissensdatenbank-Synchronisation und jedem Upload wandelt die Plattform den Inhalt über ein Embedding-Modell am Gateway in Embeddings um.
Innerhalb der Plattform gespeichert
Die Vektoren liegen in der gemanagten Datenbank Ihrer Umgebung: single-tenant, in den Niederlanden, ohne separaten Vector-Stack zu pflegen.
Suche nach Bedeutung und exakten Begriffen
Fragen werden hybrid beantwortet: semantisch (Bedeutung) kombiniert mit exakten Begriffen. Das ist wichtig für Namen, Codes und Fachjargon.
Nutzung separat ausgewiesen
Embedding-Traffic hat seinen eigenen Überblick: welche Modelle, wie viele Aufrufe und was es kostet, getrennt von der Chat-Nutzung, damit Ihr Reporting sauber bleibt.
In der Praxis
Bewährt, wo Daten am sensibelsten sind.
Numaga führt mit Ontdek Zorg, einer Organisation für häusliche Pflege in Gelderland, ein Pilotprojekt durch. Das Gesundheitswesen, mit personenbezogenen Daten besonderer Kategorien nach der DSGVO, ist der Bereich, in dem verantwortungsvolle AI am schwersten ist. Genau dort stellen wir die Control Plane auf die Probe.
- Häusliche Pflege in Gelderland
- Daten besonderer Kategorien (DSGVO Art. 9)
- Richtlinie und Maskierung bei jedem Prompt
Machen Sie Ihre Dokumente nach Bedeutung auffindbar.
Wir zeigen, wie Embeddings in Ihrer Umgebung funktionieren, von der Wissensdatenbank-Synchronisation bis zum Kostenüberblick.
Demo-Zugang anfordern