Boutique

Chi siamo

Software che legge i dati operativi e restituisce un passo successivo che potete difendere.

Cosa costruiamo

Costruiamo software per organizzazioni che non possono aspettare che qualcuno scriva la query giusta. Il prodotto osserva i feed che avete già, classifica ciò che risulta anomalo e propone un Course of Action con una traccia fino alla fonte.

Desk energy, supply chain e altre operazioni dove il ritardo costa. Il desk passa l’ora sulla decisione.

Cosa non automatizziamo

La maggior parte degli strumenti di analytics rende più veloce il report. Talorik si occupa della fase esplorativa. Il sistema segnala la rilevanza e classifica le opzioni. L’autorità resta umana. Ogni suggerimento è auditabile.

Se dovete conoscere la domanda prima di vedere il problema, il problema lo perdete. È il vuoto per cui è pensato Inputless Analytics.

La decisione

Un passo successivo in ordine di priorità che il desk può firmare

Sempre in lettura

Il modello gira sullo stream. Non dovete chiedere prima

Resta sulla vostra rete

L’elaborazione avviene nel perimetro. Il modello non esce

Come è costruito

TypeScript sull’edge, Python per i motori, Inputless DB per il grafo.

Core TypeScript

Undici pacchetti npm: tracker, dispatcher, cognitive SDK, context, storage, visualization

Motori Python

Reasoning engine, Graph RAG, modelli di pattern. Le parti che valutano e spiegano una raccomandazione

Inputless DB

Ventidue tipi di nodo, oltre trenta tipi di relazione. Chiedete in linguaggio; ottenete un sottografo percorribile

Routing eventi

Oltre 280 tipi di evento, instradati per canale. Elaborazione sotto i 100 ms quando il feed è live

Come spediamo

Come è vincolato il prodotto.

La vostra rete

Il modello gira dove i dati già stanno. On-premise o private cloud. Niente deve uscire perché il sistema funzioni. Le chiavi restano vostre.

On-premise e private cloud
Nessun export dati obbligatorio
Operate voi lo stack
L’accesso resta vostro

Sempre attivo

Il software non aspetta un ciclo di report. Mantiene un modello live delle operazioni e segnala gli scostamenti mentre si formano. Qualcuno deve comunque approvare la decisione.

Ingest continuo
Nessuna query per vedere un problema
Opzioni in ordine di priorità
Firma umana

Feed esistenti

Collegate le fonti che avete. Gli operatori tengono i propri strumenti. Non alzate un nuovo strato BI per partire.

Funziona sui feed esistenti
Meno caselle di ricerca vuote
Deploy senza un nuovo strato BI
Gli operatori tengono i propri strumenti

Una traccia

Se una raccomandazione non si può spiegare, non deve uscire. Confidenza, nodi sorgente e un registro di cosa è stato mostrato a chi.

Razionale in linguaggio chiaro
Confidenza sulla decisione
Evidenza fino alla fonte
Log di audit

Responsabilità

Se una decisione può muovere denaro, persone o materiale, qualcuno deve poterne ricostruire il percorso.

Costruito per essere riesaminato

Non trattiamo la governance come un PDF di policy. Lo stesso percorso che produce una raccomandazione deve mostrare come ci è arrivato: quali record, quali regole, quale confidenza.

I controlli di bias stanno sui modelli. La lineage sta sul grafo. La firma sta all’operatore. Se quella catena si rompe, la funzione non esce.

Controlli di fairness sui modelli di pattern

Una catena di ragionamento percorribile dall’alert al record sorgente

Un titolare nominato per ogni suggerimento automatizzato

Trattamento dei dati

Raccogliamo il minimo di dati personali che il lavoro consente. Instradiamo con consenso dove serve. I record restano nel perimetro concordato.

Revisione dei modelli

I modelli di pattern sono osservati per drift e bias. Un punteggio senza evidenza non è una raccomandazione.

Chi l’ha firmata

Ogni suggerimento porta un razionale, una cifra di confidenza e i record dietro. Nessuna azione silenziosa.

Dopo il go-live

L’installazione è l’inizio del lavoro. Il modello deve restare onesto mentre le operazioni cambiano.

Restiamo sull’account

Restiamo sull’account dopo l’installazione. Vi aiutiamo a tarare fonti, regole e ontologia man mano che l’operazione cambia. Lavoro di prodotto ordinario.

Il modello migliora man mano che vede più del vostro contesto: quali alert erano reali, quali rumore, cosa ha fatto davvero il desk. Quella storia è vostra.