Tippel.ai

Architecting Intelligence

Autonome Agenten, Sprachmodelle auf eigener Hardware, gelernte Robotik. Tippel baut sie als Software für Unternehmen und entwickelt eigene Systeme im Lab.

Lab ansehen Arbeit
~/Tippeltree -L 2
Tippel/├── arbeit/               KI-Software für Unternehmen│   ├── agenten           Abläufe über Systeme hinweg│   ├── wissenssysteme    Antworten mit Fundstelle│   ├── modellanpassung   offene Modelle, eigene Daten│   └── bildauswertung    Bild-, 3D- und Messdaten├── lab/                  eigene Systeme│   ├── coding-agent      2839 passed│   ├── robotik           Humanoid · MuJoCo│   ├── siem              192 passed│   └── tippelpi          204 passed├── notizen/              27 Artikel└── kontakt
Arbeit

Für Unternehmen

  • 01

    Agentische Systeme

    Mehrstufige Agenten mit Werkzeugzugriff auf Bestandssysteme, schema-validiert und im Audit-Log nachvollziehbar.

  • 02

    Wissenssysteme

    Hybrides Retrieval mit Quellenbeleg und Rechtefilter auf jedem Abschnitt.

  • 03

    Modellanpassung

    Fine-Tuning offener Modelle auf Fachsprache, Formulare und Normen.

  • 04

    Bild- und Sensordaten

    Deep Learning für Bild-, 3D- und Messdaten, von Klassifikation bis Segmentierung.

Arbeit im Einzelnen →

Lab

Eigene Systeme

Der vom Coding-Agenten gebaute CSV-Explorer mit zwei Filtern und exportierten Zeilen
Coding-Agent · aus einem Auftrag gebaut · Aufzeichnung (74 s) im Lab
Robotik · gelernter Gang in der Physiksimulation
Oberfläche der Prüfschicht: Abfrage mit markierter Zeile 7 und dem Befund timespan_without_unit
SIEM-Prüfschicht · ein Fehler in Zeile 7, den der Parser annimmt
Oberfläche von TippelPi: eine Frage an das Sudprotokoll, die Antwort mit zitierten Abschnitten als Quellen
TippelPi · Antwort aus einem Testdokument, mit Quellen

Lab im Einzelnen →

Notizen

Aus der eigenen Arbeit

Alle Notizen →

Über Tippel

KI-Engineering aus Hombressen

Tippel ist ein inhabergeführtes KI-Engineering-Unternehmen. Gegründet hat es Lukas Friedrich, Physiker mit Schwerpunkt Deep Learning. Aus der Forschung stammt der Maßstab für jedes Projekt: Ein Ergebnis zählt erst, wenn es gemessen und reproduzierbar ist. Jedes Projekt bleibt von der ersten Woche an übernehmbar, weil Quellcode, Dokumentation und Deployment-Beschreibung in den Repositories des Kunden liegen.

Über Tippel →

LeitungLukas Friedrich, M. Sc. Physik
SitzHombressen bei Kassel
BetriebswegeCloud-API · EU-Cloud · eigene Server
Kontaktinfo@tippel.ai