Vossa savida, accessibla.
RAG collia models cun documents e datas approvadas. Embeddings e tschertga vectoriala furneschan il context, funtaunas permettan da controllar las respostas e dretgs valan gia tar la tschertga.
RAG / EMBEDDINGS / RETRIEVALIntelligenza artifiziala. Pensada fin en il detagl.
Nus faschain da l’IA ina part productiva da Voss software. Cun savida tecnica profunda, agens servers pussants ed in’architectura che lascha a Vus la controlla.
ETZENSPERGER INFORMATIK AG
Illustraziun d’ina banca da datas vectoriala cun gruppas tematicas colliadas e pleds-clav. La scrittira originala etz.ch flotta en il center sco contura tridimensiunala en las colurs originalas. Mintga gruppa tematica è colliada cun il punct turchis en il logo etz.ch. Naginas datas realas da clients. Software: APIs, TypeScript, SaaS. Savida: RAG, Embeddings, Retrieval. Segirezza: Code Review, SAST, CI/CD. Infrastructura: GPU, Inferenza, On-Premises. Models: Qwen 3.8, GPT-6 Astra, Claude Opus 5. Datas: Documents, Context, Metadatas.
Etzensperger Informatik AG collia experientscha da projects da software cun savida pratica dad IA. Nus colliain models linguistics, datas e logica da fatschenta per crear in niz mesirabel.
RAG collia models cun documents e datas approvadas. Embeddings e tschertga vectoriala furneschan il context, funtaunas permettan da controllar las respostas e dretgs valan gia tar la tschertga.
RAG / EMBEDDINGS / RETRIEVALAnalisar documents, structurar infurmaziuns e preparar process: nus integrain IA en applicaziuns ed APIs cun resultats structurads, cloms d’utensils validats e dretgs limitads.
API / TOOL CALLING / WORKFLOWSIl prototip è l’entschatta. Cas da test represchentativs, prompts versiuns e evaluaziuns verifitgeschan qualitad, temp da resposta e custs tar midadas dal model.
EVALS / OBSERVABILITY / LIFECYCLEPrivate AI / Qwen 3.8
Nus faschain funcziunar Qwen 3.8 sin agens servers pussants. En questa varianta locala vegnan datas sensiblas e code da funtauna elavurads en nossa infrastructura, senza als trametter a purschiders externs per l’inferenza.
Nossas pipelines utiliseschan il model Qwen local per examinar midadas dal code e chattar pussaivlas vulnerabilitads. El sustegna la controlla da fluss da datas, validaziun da las endataziuns e dretgs d’access, per curreger problems avant la publicaziun.
Tscherner in pass per explorar il process da controlla.
Commit & diff
Qwen · local
Team tecnic
Tests & deployment
Il process cumenza cun ina midada dal code. Il diff ed il context da l’applicaziun mussan tge logica è sa midada e co las datas passan tras las funcziuns pertutgadas.
Ina tschertga d’utilisaders integrescha ina endataziun directamain en ina dumonda SQL.
La funcziun midada e ses fluss da datas vegnan preparads per l’analisa locala.
Noss model Qwen local examinescha la midada en ses context. El mussa fluss da datas suspectus e sustegna ils specialists cun ina posiziun en il code ed ina explicaziun.
Ina endataziun betg controllada pudess midar la structura SQL: suspect dad SQL Injection.
L’avis va al team tecnic. La resposta dal model na decida betg suletta davart la publicaziun.
Il team tecnic controlla l’avis en il context da l’applicaziun. En l’exempel remplazza ina dumonda parametrizada la concatenaziun directa ed in test da regressiun controlla la correcziun.
− query("SELECT * FROM users
WHERE id = " + input)+ query("SELECT * FROM users
WHERE id = ?", [input])Suenter la correcziun suondan ulteriurs reviews, tests automatisads e las controllas da segirezza previsas. La midada va al deployment pir cura che las cundiziuns d’approvaziun èn ademplidas.
Er segns spezials vegnan surdads sco datas. L’endataziun na po betg midar la structura da la dumonda parametrizada.
Review terminà, tests reussids e controllas necessarias ademplidas: la midada curregida po vegnir publitgada.
Specialists controllan ils avis da l’IA. Quels cumpletteschan reviews, tests automatisads e scanners da segirezza. Ina controlla senza avis na garantescha betg code senza vulnerabilitads.
Nus avain realisà projects er cun OpenAI e Claude dad Anthropic. Vus definis il tip d’integraziun ed il lieu admess per l’elavuraziun da datas. Nus adattain l’architectura a quests basegns.
Qwen sin noss servers per datas sensiblas, code intern e fluss da datas cleramain definids.
Qwen 3.8GPT-6 Astra dad OpenAI u Claude Opus 5 dad Anthropic en Vossa applicaziun. Model, API, categorias da datas e contracts vegnan adattads al cas d’utilisaziun.
GPT-6 Astra / Claude Opus 5Elavuraziun locala per cuntegns confidenzials e models externs per incumbensas explicitamain approvadas, tenor las reglas da datas.
Qwen 3.8 + GPT-6 Astra / Claude Opus 5Avant la realisaziun verifitgain nus las regiuns e las opziuns contractualas disponiblas, inclus archivaziun, protocols, copias da segirezza e subinterprendiders. Betg tut las cumbinaziuns da model e regiun èn disponiblas.
Datas persunalas e secrets duain entrar en il context mo sche l’incumbensa als dovra e l’elavuraziun è approvada.
In model linguistic n’è nagina controlla d’access. Rollas, separaziun dals clients e dretgs ston vegnir applitgads en l’applicaziun e tar la tschertga.
Documents e paginas web pon cuntegnair instrucziuns manipuladas. Limitar utensils, validar cloms ed approvar acziuns criticas reducescha las ristgas.
Models pon generar respostas plausiblas ma faussas. Funtaunas, tests e controlla umana èn necessaris avant l’utilisaziun.
Prompts, embeddings, respostas e protocols pon esser confidenzials. Access, criptaziun, conservaziun e stizzar fan part dal concept da manaschi.
Il manaschi local na basta betg. Actualisaziuns, interfaccias survegliadas e novas evaluaziuns suenter midadas dal model restan necessarias.
D’ina buna idea ad IA productiva
Preschentai Voss cas d’utilisaziun. Ensemen sclerain nus il niz, ils basegns da datas e l’integraziun per definir il proxim pass concret.