01
Din kunskap. Tillgänglig.
RAG kopplar språkmodeller till godkända dokument och data. Embeddings och vektorsökning ger relevant kontext, källor gör svaren kontrollerbara och behörigheter gäller redan vid sökningen.
RAG / EMBEDDINGS / RETRIEVALArtificiell intelligens. Genomtänkt från grunden.
AI som
tänker framåt.Data som stannar.
Vi gör AI till en produktiv del av din programvara. Med djup teknisk kompetens, egna kraftfulla servrar och en arkitektur som ger dig kontroll.
ETZENSPERGER INFORMATIK AG
ETZ / VECTOR DBSemantisk vektordatabas
EmbeddingGrannar · k=3Ämneskoppling
En illustrerad vektordatabas med sammankopplade ämnesgrupper och nyckelord. Den ursprungliga etz.ch-texten svävar i mitten som en tredimensionell kontur i sina originalfärger. Varje ämnesgrupp är kopplad till den turkosa punkten i etz.ch-logotypen. Inga riktiga kunddata visas. Programvara: API:er, TypeScript, SaaS. Kunskap: RAG, Embeddings, Retrieval. Säkerhet: Code Review, SAST, CI/CD. Infrastruktur: GPU, Inferens, On-Premises. Modeller: Qwen 3.8, GPT-6 Astra, Claude Opus 5. Data: Dokument, Kontext, Metadata.
01Mjukvaruutveckling × AI02Egna servrar. Egen kontroll.03Qwen 3.8 · GPT-6 Astra · Claude Opus 5
01 / AI möter mjukvaruutvecklingFrån arkitektur till drift
Mer än en prompt.
Ett genomtänkt system.
Etzensperger Informatik AG förenar bred erfarenhet av mjukvaruprojekt med praktisk AI-kompetens. Vi kopplar samman språkmodeller, data och affärslogik för mätbar nytta.
02
Programvara som hjälper till.
Analysera dokument, strukturera information och förbered processer. Vi integrerar AI i applikationer och API:er med strukturerade svar, validerade verktygsanrop och begränsade behörigheter.
API / TOOL CALLING / WORKFLOWS03
Kvalitet som kan utvärderas.
En prototyp är början. Representativa testfall, versionshanterade prompter och riktade utvärderingar mäter svarskvalitet, svarstid och kostnad vid nya funktioner och modellbyten.
EVALS / OBSERVABILITY / LIFECYCLEPrivate AI / Qwen 3.8
Kraftfulla modeller.
Under egen kontroll.
Vi kör Qwen 3.8 på egna kraftfulla servrar. I denna lokala driftmodell behandlas känsliga data och källkod i vår egen infrastruktur utan att skickas till externa modellleverantörer för inferens.
- Lokal inferens för konfidentiellt innehåll och källkod
- Dataåtkomst och gränssnitt anpassade till projektet
- Drift och integration från samma team
Egen infrastruktur
Data & kodResultat
PRIVATE AI
02 / AI i driftsättningsflödetSäkerhet börjar före leverans
Förstå koden.
Upptäck risker tidigt.
Våra driftsättningsflöden använder vår lokala Qwen-modell för att granska kodändringar efter möjliga sårbarheter. Den hjälper till att analysera dataflöden, indatavalidering och behörighetslogik så att misstänkta problem kan åtgärdas före leverans.
Källkoden stannar i vår infrastruktur
Välj ett steg för att utforska granskningsflödet.
- 01
Ändring
Commit & diff
- 02
AI-analys
Qwen · lokalt
- 03
Granska & rätta
Utvecklingsteam
- 04
Godkännande
Tester & driftsättning
Vad har ändrats i koden?
Processen börjar med en kodändring. Diffen och relevant sammanhang visar vilken logik som ändrats och hur data flödar genom de berörda funktionerna.
Ändring
Ändring i exemplet
En användarsökning lägger in indata direkt i en SQL-fråga.
Underlag för granskning
Den ändrade funktionen och dess dataflöde sammanställs för lokal analys.
AI ger en motiverad observation.
Vår lokalt driftade Qwen-modell granskar ändringen i sitt sammanhang. Den markerar misstänkta dataflöden och ger utvecklarna en kodposition och en förklaring.
AI-analys
Möjlig sårbarhet
Okontrollerad indata kan påverka SQL-frågans struktur: misstanke om SQL-injektion.
Nästa steg
Observationen går till utvecklingsteamet. Modellens svar avgör inte ensamt om ändringen får levereras.
Människor granskar. Koden förbättras.
Utvecklarna verifierar observationen i applikationens sammanhang. I exemplet ersätter en parametriserad fråga direkt sammanfogning, och ett regressionstest kontrollerar rättningen.
Kontextbaserad kodgranskning
Observation: indata direkt i SQL-fråga
− query("SELECT * FROM users
WHERE id = " + input)Åtgärd: parametriserad fråga + test
+ query("SELECT * FROM users
WHERE id = ?", [input])Granskat inför nästa leverans.
Efter rättningen följer nya granskningar, automatiska tester och nödvändiga säkerhetskontroller. Ändringen går vidare till driftsättning först när de definierade godkännandekraven är uppfyllda.
Godkännande
Regressionstest i exemplet
Specialtecken skickas som data. Indata kan inte ändra den parametriserade frågans struktur.
Godkännande i exemplet
Granskning klar, tester godkända och nödvändiga kontroller uppfyllda: den rättade ändringen kan driftsättas.
Utvecklare verifierar AI:s observationer. De kompletterar kodgranskning, automatiska tester och säkerhetsskannrar. En granskning utan fynd garanterar inte kod utan sårbarheter.
03 / Ditt projekt. Ditt beslut.Qwen 3.8 · GPT-6 Astra · Claude Opus 5
Rätt modell.
På rätt plats.
Vi har även genomfört projekt med OpenAI och Anthropics Claude. Du bestämmer integrationssätt och tillåten plats för databehandling. Vi utformar arkitekturen efter dessa krav.
01
Privat drift
Qwen på våra egna servrar för känsliga data, intern kod och tydligt avgränsade dataflöden.
Qwen 3.802
Leverantörernas API:er
GPT-6 Astra från OpenAI eller Claude Opus 5 från Anthropic i din applikation. Modell, API, datakategorier och avtal anpassas till användningen.
GPT-6 Astra / Claude Opus 503
Genomtänkt kombination
Lokal behandling av konfidentiellt innehåll och externa modeller för uttryckligen godkända uppgifter, enligt överenskomna dataregler.
Qwen 3.8 + GPT-6 Astra / Claude Opus 5Vi kontrollerar önskad plats mot tillgängliga regioner och avtal före genomförandet, inklusive lagring, loggar, säkerhetskopior och underleverantörer. Alla kombinationer av modell och region finns inte.
04 / Säker användning av AI
Förtroende kräver
tekniska grunder.
Bara nödvändiga data
Personuppgifter och hemligheter hör bara hemma i kontexten när uppgiften kräver dem och behandlingen är godkänd.
Behörigheter gäller alltid
En språkmodell är ingen åtkomstkontroll. Roller, kundseparering och behörigheter måste tillämpas av applikationen och vid hämtning.
Externt innehåll är indata
Dokument och webbsidor kan innehålla skadliga instruktioner. Begränsa verktyg, validera anrop och kräv godkännande för kritiska åtgärder.
Kontrollera svaren
Modeller kan ge trovärdiga men felaktiga svar. Källor, tester och mänsklig granskning behövs innan resultaten används.
Loggar är också data
Prompter, embeddings, svar och loggar kan vara konfidentiella. Planera åtkomst, kryptering, lagringstid och radering.
Kontrollera hela livscykeln
Lokal drift räcker inte. Uppdateringar, övervakade gränssnitt och nya utvärderingar efter modellbyten behövs fortfarande.
Från en bra idé till produktiv AI
Vad ska AI
göra möjligt för dig?
Berätta om ditt användningsfall. Tillsammans klargör vi nytta, datakrav och integration och tar ett konkret nästa steg.