Welcome to our blog page We'd like to share knowledge of the areas that are the most fascinating to us.

Wussten Sie, dass Sie eine Drupal-Seite nicht von Grund auf neu erstellen müssen? Distributionen sind fertige Starter-Kits, mit denen Sie in wenigen Stunden eine funktionierende Website starten können, anstatt Wochen. Wir präsentieren 11 bewährte und voll ausgestattete Distributionen - von E-Learning-Plattformen bis hin zu Systemen für die Landwirtschaft. Zwei der Distributionen haben wir bei Droptica erstellt.

Attu ist ein leistungsstarkes Werkzeug, das die Arbeit mit der Milvus-Vektor-Datenbank erheblich vereinfacht. Anstatt Python-Code zu schreiben oder die API zu verwenden, können Sie Sammlungen verwalten, nach Vektoren suchen und das System über eine intuitive grafische Benutzeroberfläche überwachen. Dank Attu wird die Arbeit mit Milvus nicht nur für erfahrene Entwickler, sondern auch für Datenanalysten und AI-Projektmanager zugänglich.

Die Änderung der Agentur, die Ihr Drupal-System unterstützt, oder das Einholen von Angeboten von mehreren Unternehmen erfordert in der Regel die Weitergabe der technischen Details Ihres Projekts. Das Problem besteht darin, dass die Datenbank Kundendaten enthält, die Konfiguration API-Schlüssel speichert und der benutzerdefinierte Code die Geschäftslogik des Unternehmens offenbart. In diesem Artikel zeige ich Ihnen ein Open-Source-Tool, das dieses Problem löst. Druscan sammelt alle technischen Informationen, die für die Analyse benötigt werden, während es sensible Daten schützt. Ich lade Sie ein, den Blog-Beitrag zu lesen oder eine Folge der Serie "Nowoczesny Drupal" anzuschauen.

Die Planung eines neuen Intranets erfordert einen strategischen Ansatz und die Berücksichtigung vieler Faktoren - von den Bedürfnissen verschiedener Abteilungen über technische Aspekte bis hin zu einer langfristigen und klaren Vision für die Entwicklung. Eine gut geplante Intranetseite erhöht die Produktivität und verbessert den Informationsfluss. Ein schlecht vorbereitetes Projekt könnte dagegen zu einem Werkzeug werden, das von den Mitarbeitern ignoriert wird. In diesem Artikel werde ich die wichtigsten Fragen zur Intranetplanung - sowohl strategisch als auch praktisch - diskutieren, die Ihnen helfen werden, Fallstricke zu vermeiden und ein System zu erstellen, das Ihrer Organisation wirklich dient.
 

Moderne Unternehmensintranets speichern enorme Mengen an Dokumenten, Verfahren, Anweisungen und organisatorischem Wissen. Die traditionelle Schlüsselwortsuche versagt oft, wenn Benutzer mit anderen Begriffen, als in den Dokumenten vorhanden, nach Informationen suchen. Problem: Ein Mitarbeiter sucht nach "Wie konfiguriere ich den Zugang zum Zahlungssystem", aber das Dokument enthält den Ausdruck "Zahlungsintegrationskonfiguration". Lösung: RAG (Retrieval-Augmented Generation) mit einer Vektordatenbank ermöglicht semantische Suche.

Vektor-Datenbanken sind zu einer Schlüsselkomponente moderner KI-Anwendungen in Drupal geworden. Dank der Integration mit dem AI-Suchmodul ermöglichen sie semantische Inhaltssuche, Reduzierung von Halluzinationen in KI-Chatbots und Implementierung fortgeschrittener RAG (Retrieval Augmented Generation) Funktionen. Die Wahl des richtigen VDB-Anbieters kann die Leistung, die Kosten und die Skalierbarkeit Ihrer KI-Lösung in Ihrem Drupal-Projekt erheblich beeinflussen.

Haben Sie ein Intranet, das Ihre Mitarbeiter jedoch nur selten nutzen? Das Problem liegt oft in den Inhalten, die Sie veröffentlichen. Ein Intranet ist nicht nur ein schwarzes Brett - es ist ein Zentrum für interne Kommunikation und den Aufbau der Unternehmenskultur. In diesem Artikel finden Sie 12 erprobte Inhaltsideen, die die Mitarbeiterbeteiligung steigern, den Informationsfluss verbessern und die Plattform zu einem natürlichen Arbeitsplatz machen.

Ihr KI-Chatbot funktioniert perfekt - er ruft relevante Dokumente ab, bewertet ihre Qualität und generiert genaue Antworten. Aber Ihre monatliche OpenAI-Rechnung zeigt 3.000 Dollar, und wenn Sie die Protokolle analysieren, ergibt sich ein beunruhigendes Muster: 30% der Abfragen sind einfache Fragen wie "Was bist du?" oder "Hallo", die Ihre gesamte teure RAG-Pipeline auslösen. Jedes "Hallo" kostet 5 Cent und benötigt 25 Sekunden, um eine vollständige Vektorsuche, Dokumentenbewertung und LLM-Generierung für eine Begrüßung durchzuführen.

Ihr Marketingteam hat gerade ein wichtiges Update der Richtlinien veröffentlicht. Zwei Stunden später fragt ein Benutzer Ihren KI-Chatbot nach der neuen Richtlinie und dieser erklärt selbstbewusst die alte Version - völlig ahnungslos, dass sich etwas geändert hat. Der Benutzer, verwirrt durch die Diskrepanz mit dem, was er auf der Website gelesen hat, eröffnet ein Supportticket und fragt, warum der Chatbot "defekt" ist. Ihr Team erklärt, dass der Chatbot eine manuelle Neuindizierung benötigt, die täglich in der Nacht stattfindet. Das Vertrauen des Benutzers in Ihr KI-System sinkt erheblich.

Sie starten ein neues RAG-Projekt und stehen vor einer Entscheidung, die die nächsten 6-12 Monate prägen wird: Ein Framework wie LangChain verwenden oder direkt mit der OpenAI API aufbauen? Das Internet bietet widersprüchliche Ratschläge. X's Threads bezeichnen LangChain als "Overkill" und "zu viel Abstraktion". Blogposts loben seine ausgereiften Muster und das Ökosystem. Ihr Team spaltet sich zwischen "Lass uns schnell mit dem Framework vorankommen" und "Wir sollten unseren eigenen Code kontrollieren."