LangGraph - Lösungen. Wissen. Seminare.

LangGraph ist ein Open-Source-Framework zur Entwicklung von KI-Agenten, die eigenständig Aufgaben ausführen, Entscheidungen treffen und mit Menschen oder Systemen interagieren können. Diese Agenten automatisieren Prozesse, analysieren Daten und bieten Lösungen für komplexe Anforderungen – von der Automatisierung einfacher Aufgaben bis hin zur Zusammenarbeit mehrerer Agenten in großen Systemen.

Ein besonderes Feature von LangGraph ist die nahtlose Integration von Mensch-in-der-Schleife-Interaktionen. Das bedeutet, dass Agenten Entscheidungen vorbereiten, die von Menschen überprüft und freigegeben werden können, bevor Aktionen ausgeführt werden. Diese kontrollierte Automatisierung schafft Vertrauen und ermöglicht es Ihnen, sensible Prozesse sicher zu gestalten.

ORDIX® unterstützt Sie bei der Implementierung von LangGraph in Ihren Projekten. Unsere Expert:innen haben umfangreiche Erfahrung in der Entwicklung und Implementierung von KI-Lösungen und stehen Ihnen zur Seite, um Ihre spezifischen Anforderungen zu verstehen und passgenaue Lösungen zu entwickeln. Von der Konzeption und Programmierung bis hin zur Optimierung und Skalierung sorgen wir dafür, dass Sie das volle Potenzial von LangGraph ausschöpfen und Ihre Geschäftsprozesse effizienter gestalten können.

 

Forschungsengagement unserer Experten

CNN-basierte Spielzustandserkennung für einen Kickertisch

Die Automatisierung von Spielen mithilfe von Deep Reinforcement Learning (DRL) ist eine bekannte Herausforderung in der KI-Forschung. Während in Videospielen oft das gesamte Bild zur Merkmalsextraktion verwendet wird, ist dies bei realen Spielen wie Tischfußball kaum praktikabel. Stattdessen bietet ein kompakter Spielzustand, der nur die wesentlichen Parameter wie Figurenpositionen, Rotationen und Ballbewegungen umfasst, eine vielversprechende Alternative.

In dieser Arbeit stellen wir ein System zur Figuren- und Spielzustandserkennung für Tischfußball vor. Dafür wurde ein Datensatz erstellt, der Rotationen der Stangen über Beschleunigungssensoren und Positionsverschiebungen über klassische Computer-Vision-Techniken erfasst. Auf Basis dieses Datensatzes wurden Convolutional Neural Networks (CNNs) für die Vorhersage der Stangenbewegungen trainiert. Wir evaluieren verschiedene moderne CNN-Architekturen und zeigen, dass unser System den Spielzustand mit hoher Genauigkeit vorhersagen kann.

Das System liefert Daten für beide Teams (schwarz und weiß) und soll künftig als Grundlage für Imitation Learning dienen, welches auf der Analyse menschlicher Spielstrategien basiert.

Zum PDF des Projekts

Automatische Verständlichkeitsbewertung deutscher Sätze mit Transformer-Ensembles

Zuverlässige Methoden zur automatischen Einschätzung der Verständlichkeit von Texten können viele Bereiche, wie machinelle Übersetzung bis hin zum selbstgesteuertem Lernen, beeinflussen. Mit der Verfügbarkeit großer Sprachmodelle für Deutsch wie GBERT und GPT-2-Wechsel eröffnen sich neue Möglichkeiten für Deep-Learning-basierte Ansätze.

In dieser Arbeit untersuchen wir, wie gut Ensembles aus fine-tuned GBERT- und GPT-2-Wechsel-Modellen die Lesbarkeit deutscher Sätze vorhersagen können. Durch die Kombination mit linguistischen Merkmalen und einer Analyse der Zusammensetzung und Größe der Ensembles zeigen wir, dass gemischte Ensembles aus GBERT- und GPT-2-Wechsel-Modellen bessere Ergebnisse liefern als homogene Ensembles. Unsere Modelle wurden im Rahmen der GermEval 2022 Shared Task zur automatisierten Verständlichkeitsbewertung evaluiert und erreichten auf dem ihnen unbekannten Testdaten einen Root Mean Squared Error von 0,435.

Zum PDF des Projekts

Erkennung von Sexismus in deutschen Online-Kommentaren mit Open-Source-Text-Embeddings

Sexistische Kommentare in Online-Medien sind ein weit verbreitetes Problem. Sie treten oft in subtiler Form auf und erschweren dadurch die Moderation, da die Bewertung von Sexismus individuell unterschiedlich ausfallen kann. In dieser Arbeit untersuchen wir, wie monolinguale und mehrsprachige Open-Source-Text-Embeddings zur zuverlässigen Erkennung von Sexismus und Misogynie in deutschsprachigen Kommentaren einer österreichischen Zeitung beitragen können.

Unsere Klassifikatoren, die auf Text-Embeddings basieren, zeigen eine hohe Übereinstimmung mit den Einschätzungen menschlicher Annotatoren. Im Rahmen der GermEval 2024 GerMS-Detect Challenge erzielte unser Ansatz starke Ergebnisse: Platz 4 in Subtask 1 (F1-Score: 0,597) und Platz 2 in Subtask 2 (Jensen-Shannon-Distanz: 0,301). Die hohe Effizienz unseres Verfahrens macht es geeignet für skalierbare Anwendungen in verschiedenen Sprachen und Kontexten.

Zum PDF des Projekts

GermEval 2025 Shared Task zur Erkennung von Candy Speech: Leistungssteigerung durch span-basiertes Training

Positive und unterstützende Kommunikation in sozialen Medien, auch als "Candy Speech" bezeichnet, kann das digitale Miteinander fördern. Die automatische Erkennung solcher Sprache und damit ihr Einfluss auf die Internetkultur ist jedoch bislang wenig erforscht. In dieser Arbeit untersuchen wir, wie Candy Speech in einem deutschsprachigen YouTube-Datensatz mit 46.000 Kommentaren zuverlässig erkannt werden kann.

Wir vergleichen monolinguale und mehrsprachige Sprachmodelle wie GBERT, Qwen3 Embedding und XLM-RoBERTa. Besonders erfolgreich war ein mehrsprachiges XLM-RoBERTa-Large-Modell, das auf span-basierter Erkennung trainiert wurde. Es erreichte den ersten Platz in beiden Subtasks der GermEval 2025 Challenge mit einem F1-Score von 0,8906 für die binäre Klassifikation und 0,6307 für die kategorisierte span-basierte Erkennung. Wir vermuten, dass das span-basierte Training, die Mehrsprachigkeit des Modells und die Verwendung Emoji-sensitiver Tokenizer zur verbesserten Erkennungsleistung beigetragen haben. Unsere Ergebnisse zeigen, dass mehrsprachige Modelle besonders effektiv darin sind, positive und unterstützende Sprache zu identifizieren.

Zum PDF des Projekts

ORDIX® blog – Beiträge zu Data Science

In ihrem Blog präsentiert die ORDIX® regelmäßig Beiträge zu Data Science, die das Wissen der Leser erweitern und sie über die neuesten Entwicklungen auf dem Laufenden halten. Von praktischen Anwendungsfällen bis hin zu technischen Tutorials bietet der Blog eine breite Palette an Informationen zu Data Science.

Titelbild Gleiche KI, neues Zuhause: Die feinen Unterschiede zwischen der OpenAI API und Azure AI Foundry
Gleiche KI, neues Zuhause: Die feinen Unterschiede zwischen der OpenAI API und Azure AI Foundry

KI-Modelle sind längst im Alltag angekommen und die Zahl der Anbieter wächst stetig. Ob bessere Integration, neue Funktionen oder attraktivere Konditionen: Es kann viele Gründe geben, den KI-Anbieter ...

WEITERLESEN

Titelbild ORDIX AG erweitert Partnerschaft mit Stackable – jetzt auch als Reseller
ORDIX AG erweitert Partnerschaft mit Stackable – jetzt auch als Reseller

Bereits seit einiger Zeit ist die ORDIX AG stolzer Partner von Stackable, dem Anbieter einer innovativen Open-Source-Datenplattform für den produktiven Einsatz im Enterprise-Umfeld. In unserem ersten ...

WEITERLESEN

Titelbild Reden ist Silber, Chatten ist Gold – Wir testen die Grenzen des neuen RAG-Features in Oracle APEX
Reden ist Silber, Chatten ist Gold – Wir testen die Grenzen des neuen RAG-Features in Oracle APEX

Wir arbeiten derzeit an einem Prototypen für einen Chatbot auf unserer Seminar-Webseite – intern bekannt als „Semibot". Ziel dieses Use-Cases ist es, herauszufinden, ob sich unser bestehender Chatbot ...

WEITERLESEN

Titelbild KI unter Kontrolle? Der EU AI Act und was jetzt auf Unternehmen zukommt!
KI unter Kontrolle? Der EU AI Act und was jetzt auf Unternehmen zukommt!

Der EU AI Act ist ein umfassendes Gesetz zur Regulierung von Künstlicher Intelligenz auf globaler Ebene. Mit ihm möchte die Europäische Union sicherstellen, dass KI-Systeme in Europa sicher, transpare...

WEITERLESEN

Titelbild KI beurteilt KI: LLMs als Tools zur Evaluierung von RAG-Systemen
KI beurteilt KI: LLMs als Tools zur Evaluierung von RAG-Systemen

Retrieval Augmented Generation-Systeme (RAG-Systeme) gewinnen zunehmend an Bedeutung. „LLM-as-a-Judge" bietet einen innovativen Ansatz zur automatisierten Evaluierung, indem große Sprachmodelle (LLMs;...

WEITERLESEN

Titelbild Wenn KI den Spickzettel zückt (2/2): Schritt für Schritt zum RAG-System
Wenn KI den Spickzettel zückt (2/2): Schritt für Schritt zum RAG-System

Im ersten Teil dieser Blogreihe haben wir Retrieval Augmented Generation (RAG) eingeführt und erklärt, wie es große Sprachmodelle mit aktuellem Wissen erweitert. Jetzt geht es an die Praxis: In d...

WEITERLESEN

Erfahren Sie mehr in unserem Blog