Ausgangslage
Schlechte Stammdatenqualität verursacht Fehlentscheidungen, Prozesskosten und hohen Wartungsaufwand.
Unternehmenssoftware trifft täglich operative Entscheidungen auf Basis von Stammdaten. In realen ERP-Systemen entstehen diese Daten jedoch über Jahre hinweg durch manuelle Eingaben, Migrationen und Workarounds.
Die Folge sind inkonsistente, doppelte oder unvollständige Datensätze. Manuelle Pflege und rein regelbasierte Prüfungen sind wartungsintensiv, nicht skalierbar und beheben häufig nur einfache Fehler. Genau hier setzt SherpAI als lernende Datenqualitäts-Schicht an.
Letters of Intent
validierte Datendomänen
Teammitglieder
Monate EXIST-Phase
Innovation
Orchestrierte KI-Module statt rein regelbasierter Datenpflege
SherpAI kombiniert mehrere KI-Paradigmen in einer modularen, orchestrierbaren Architektur: Strukturidentifikation, semantische Interpretation, deterministische Korrektur und selbstadaptives Lernen.
Die Grundlage bilden containerisierte KI-Module, AI-CPS-Bausteine und kundenspezifisches Fine-Tuning pro Installation. So entsteht keine starre Regel-Engine, sondern eine lernende Infrastrukturkomponente, die sich an unterschiedliche Datenkontexte und Organisationsfehlerbilder anpassen kann.
Leistungsversprechen
Data Analysis, Data Cleaning und Data Enrichment in einer Lösung
Data Analysis
Fehlerhafte Datenstrukturen, Dubletten, Inkonsistenzen und unvollständige Informationen werden automatisiert erkannt und in ihrem Datenkontext interpretiert.
Data Cleaning
Einfache und komplexe Datenfehler werden kontextabhängig korrigiert. Deterministische Systemlogiken sorgen dabei für reproduzierbare Änderungen in den Ursprungssystemen.
Data Enrichment
Fehlende Informationen können ergänzt und organisationsspezifische Fehlerprofile kontinuierlich weiterentwickelt werden. Mit jeder Installation wächst die Leistungsfähigkeit des Systems.
Stand der Umsetzung
Von Pre-Seed über EXIST bis zum Partnervertrieb
SherpAI wird aus der Universität Potsdam heraus als White-Label-fähige Infrastrukturkomponente für Datenqualität aufgebaut.
Pre-Seed / Prototyp
- Deduplizierung und Fehlererkennung
- modellgestützte Datenkorrektur
- Demonstration mit Gebauer GmbH
- noch nicht ohne Anpassung generalisierbar
EXIST-Förderphase
- Systematisierung über AI-CPS
- Pre-Release-Integration in TimelineERP
- Beta-Release nach Feedback-Loop
- Pilotintegration mit weiteren Anwendern
Markteintritt & Partner
- Fokus auf KMU-ERP-Anbieter
- 3 Letters of Intent
- geplante ERP-Integration
- spätere Expansion in weitere Softwaresysteme