NeuEIB-Finanzierung gesichert

Verhaltens-KI-Infrastruktur auf Basis computergestützter Wissenschaft

Synerise ist ein KI-gestütztes Ökosystem für Verhaltensdaten, prädiktive Analytik und Hyper-Personalisierung — entwickelt für Unternehmen, die schneller als ihre Wettbewerber agieren.

Behavioral Data Hub
Hub für Verhaltensdaten

Schließen Sie sich innovativen Organisationen an, die die Synerise-Plattform nutzen

und entdecken Sie Hunderte von Low-Code-Anwendungsfällen

Banco Ripley
Carrefour
Castorama
CCC
Coca-Cola
Crocs
Decathlon
DOZ
Drogaria São Paulo
Empik
eobuwie
G2A
H&M
Homla
Hugo Boss
IKEA
InPost
JD
mBank
Media Expert
Modivo
New Balance
Nike
Orange

Warum Synerise?

Anders gebaut. Gebaut für die Ewigkeit.

Die meisten Plattformen montieren Drittanbieter-Tools und nennen es ein Produkt. Synerise baut jede Schicht von Grund auf — und schafft die einzige KI-Infrastruktur, in der Daten, Intelligenz und Automatisierung wirklich ein System sind.

0% VENDOR LOCK-IN

Proprietäre Technologie

Jede Ebene — von TerrariumDB bis BaseModel.ai — wird intern entwickelt. Keine Abhängigkeit von Drittanbieter-KI, Datenbanken oder Cloud-Anbietern.

0K VORHERSAGEN/SEK

Preisgekrönte KI

Das Behavioral Foundation Model gewinnt internationale Wettbewerbe und liefert Echtzeit-Vorhersagen im Enterprise-Maßstab.

<0MS LATENZ

Echtzeit als Standard

Von der Ereigniserfassung über die Profilanreicherung bis zur KI-Entscheidung — alles geschieht in unter 50 Millisekunden. Kein Batch. Kein Near-Real-Time. Echtzeit.

0 TAGE BIS ZUM ROI

Sofortiger Time-to-Value

Gehen Sie in Wochen live, nicht in Monaten. Vorgefertigte KI-Modelle, fertige Integrationen und geführtes Onboarding bedeuten messbaren ROI innerhalb von 90 Tagen — nicht erst nach einem einjährigen Implementierungsprojekt.

0 UNABHÄNGIGE HUBS

Composable Architektur

Setzen Sie nur das ein, was Sie brauchen. Jeder Hub funktioniert eigenständig oder im Zusammenspiel — von der Datenerfassung über KI und Automatisierung bis zur Experience-Auslieferung.

0B EREIGNISSE/MONAT

Planetarer Maßstab

Ausgelegt auf 57 Milliarden Ereignisse pro Monat, 50,19 Milliarden API-Aufrufe und 17,68 Milliarden Workflow-Entscheidungen — mit linearer horizontaler Skalierbarkeit.

ISO 27001 ZERTIFIZIERT

Enterprise-Sicherheit

SaaS, Private Cloud oder On-Premise. GDPR, SOC 2, Zero-Trust-Architektur. Ihre Daten, Ihre Regeln, Ihre Infrastruktur.

0 PLATTFORM, NICHT 12 TOOLS

End-to-End-Plattform

Ersetzen Sie Ihren fragmentierten Stack aus CDPs, Personalisierungs-Engines, Analyse-Tools und Marketing-Automation durch ein einziges einheitliches System.

Strategische Richtung

Agentische KI als Strategische Richtung

Synerise behandelt agentische Automatisierung nicht als Experiment, sondern als zentralen strategischen Pfeiler. Sie bestimmt, wie wir Produkte entwickeln, Ressourcen zuweisen und unsere langfristige Vision definieren. Dieses Engagement ist in der gesamten Organisation formalisiert — von dedizierten Richtlinien-Frameworks bis hin zu funktionsübergreifenden Teams, die die Umsetzung vorantreiben.

01

Richtlinie

Eine formale agentische KI-Richtlinie regelt, wie Agenten innerhalb der Plattform operieren — definiert Grenzen, Datenzugriffsregeln, Compliance-Anforderungen und ethische Leitplanken, die verantwortungsvolle Automatisierung im großen Maßstab gewährleisten.

02

Roadmap

Eine dedizierte Roadmap für agentische Automatisierung treibt die Produktentwicklung voran — mit klar definierten Meilensteinen für Agentenfähigkeiten, Integrationsprotokolle, Modellunterstützung und Qualitätsbewertungsrahmen.

03

Teams

Funktionsübergreifende Teams sind rund um das Agenten-Ökosystem organisiert — sie kombinieren KI-Forschung, Plattform-Engineering, Produktdesign und Domänenexpertise, um kohärente Agentenerlebnisse zu liefern.

04

Strategie

Agentische Automatisierung ist in den strategischen Plan des Unternehmens eingebettet — sie richtet Geschäftsziele, Marktpositionierung und Technologieinvestitionen auf die Vision KI-gestützter Produktivität aus.

Plattform

Eine Plattform. Endlose Möglichkeiten.

Synerise kombiniert Echtzeit-Verhaltensdaten, prädiktive KI und Automatisierung in einer zusammensetzbaren Infrastrukturplattform — von Grund auf gebaut, um mit Ihrem Unternehmen zu skalieren.

Behavioral Data Hub

Behavioral Data Hub

Kontinuierliche Verarbeitung von Verhaltenssignalen in beliebigem Maßstab

Die proprietäre Terrarium-Datenengine erfasst, transformiert und reichert heterogene Verhaltensströme zu sich weiterentwickelnden Profildarstellungen an. Jedes beobachtete Ereignis aktualisiert einen dynamischen Identity Graph — und ermöglicht Echtzeit-Inferenz, Personalisierung und Predictive Modeling.

Mehr über Behavioral Data Hub erfahren
Behavioral Data Hub
Daten integrieren

Einheitlicher Signal-Ingestion-Layer

Konsolidieren Sie heterogene Verhaltens-, Betriebs- und Kontextdatenströme in einer einzigen Beobachtungsebene — mit deterministischer Deduplizierung und Latenz im Sekundenbruchteil.

ProdukteAngeboteClickstreamsCalls & Chat LogsOnline & POS PurchasesVerhaltensprofileDrittanbieter-SystemeWetterdatenStandorte
Web-SDK
Mobil
POS
API
CRM
Cloud
Einheitliche Datenschicht
Echtzeit-Ingestion-Pipeline
Informationen vereinheitlichen

Kontinuierliche Vereinheitlichung des Profilzustands

Führen Sie Interaktionssequenzen, Transaktionshistorien, Attributvektoren und Aktivitätsverläufe zu einer einzigen sich weiterentwickelnden Entitätsdarstellung zusammen.

EinwilligungsverwaltungEinheitliche ProfilansichtProfilzusammenführungTreueprogrammeEchtzeit-MessagingTiefenanalyseRichtlinienkontrolleDynamische Attribute
Einheitliches Profil
ID: 8f3a…e91d
Live
2,481
Ereignisse
94
Bewertung
$1.2k
LTV
E-Mail geöffnetvor 2m
Produkt angesehenvor 12m
Kauf #4821vor 1h
App-Sitzungvor 3h
Daten verwalten & Zugriff steuern

Primitive für Zugriffskontrolle & Data Governance

Formale Zugriffskontrollrichtlinien, lückenlos auditierbare Data Lineage und schemaflexibles Objektmanagement — konzipiert für regulatorische Compliance im Enterprise-Maßstab.

API-ZugriffKatalogverwaltungStream-Event-ManagerSelf-Service-DatenimporterBenutzerdefinierte ObjekteErweiterte RollenfilterungACL & password policies
Zugriffskontrolle
Admin
Analyst
Betrachter
Audit-Log
API-Schlüssel rotiert · vor 4m
Rolle aktualisiert · vor 18m
Export blockiert · vor 1h
Lebenslange Datenströme analysieren

Analyse zeitlicher Ereignisströme

Gehen Sie über statische Dashboards hinaus zur Längsschnittanalyse — und beobachten Sie, wie sich Verhaltensverteilungen, Kohortendynamiken und Systemzustände im Zeitverlauf entwickeln.

AttributionsmodellierungMetrikenDynamische SegmentierungTrichterHistogrammeTrendsSankey-DiagrammeAbwanderungsanalyseDashboards
Analyse-Dashboard
1D7D30D
JanJunDez
Conversion-Funnel
Besuche
Aufrufe
Warenkorb
Kaufen
Vorhersagen, entscheiden & personalisieren

Modelle für prädiktive Inferenz & Empfehlungen

Nutzen Sie überwachtes und selbstüberwachtes Lernen, um Intent abzuleiten, Empfehlungen auf Item-Ebene zu generieren und Interaktionsflächen zu personalisieren — mit kontinuierlichen Online-Modellaktualisierungen.

ScoringAI-gestützte EmpfehlungenVorhersagenNeigungsmodelleLookalike-ZielgruppenVisuelle SucheVerhaltenssegmentierung
KI-Engine
Verarbeitung von 65K Entscheidungen/Sek
Kaufwahrscheinlichkeit
Abwanderungsrisiko
Engagement-Score
Empfehlungen
Automatisieren & orchestrieren

Orchestrierung & adaptive Workflow-Ausführung

Erstellen Sie mehrstufige gerichtete Workflows mit bedingter Verzweigung, Systemsynchronisierung und feedbackgesteuerten Optimierungsschleifen.

A/B/X-TestsDatentransformationenSystemsynchronisierungWorkflow-AutomatisierungContent StudiosService-PriorisierungKontextbezogene Nachrichten
Workflow-Builder
Aktiv
Trigger
Warenkorb abgebrochen
2 Stunden warten
Verzögerungsknoten
A/B-Aufteilung
Gleichmäßige Aufteilung
E-Mail
Personalisiert
Push
Mobile App
Content ausliefern & Profile aktivieren

Multimodale Kanaldistribution

Versenden Sie verhaltensbasierte Maßnahmen über die gesamte Kanaltopologie hinweg — mit kontextbewusster Auswahl, Frequenzoptimierung und Echtzeit-Signal-Feedback.

SMSE-MailMobile PushDynamische WebinhalteIn-AppExternal Apps & POSSoziale NetzwerkeWerbenetzwerkeStandorte
Kampagnen-Manager
Übertragung
E-Mail
Gesendet 12.4K
SMS
Gesendet 8.1K
Push
Gesendet 24.7K
Web
Live
In-App
Live
Sozial
In Warteschlange
Erstellen, verbinden & erweitern

Erweiterbarkeits-Layer: APIs, SDKs & individuelle Portale

Ein programmierbares Erweiterungs-Framework — APIs, SDKs, Identity-Services und Template-Systeme — konzipiert für deterministisches Verhalten und Sicherheit auf Enterprise-Niveau.

Registrierung als ServiceLogin als DienstEinheitlicher API-ZugriffTemplates & CookbooksSAMLDesignsystemSDKs & Webhooks
API-Konsole
GET/v4/profiles200
POST/v4/events/batch201
GET/v4/recommendations200
Webhooks
12 aktiv
SDKs
JS · iOS · Android
SAML & SSO
Azure Entra ID · OIDC
Neue Fähigkeit

Brickworks

Schema-basiertes Verhaltens-CMS, mit dem Sie benutzerdefinierte Datenstrukturen erstellen können — Treueprogramme, Produktkataloge, Kampagnenkonfigurationen — mit KI-Personalisierung und Zero-Copy-Bereitstellung.

Schema-Flexibilität
KI-native Personalisierung
Zero-Copy-Föderierung
Single-API-Bereitstellung
Content Brick: LoyaltyProgram
Live
tier_name:"Gold"string
multiplier:2.5xfloat
benefits:[4 Einträge]array
ai_variant:hoher_wertcomputed
7ms
Latenz
3
Quellen
v3.2
Schema
Satya Nadella
"Synerise ist in der Lage, jedes Ereignis über jeden Kanal für den Kunden zu verfolgen — ob mobil, web, Einzelhandel, physische Präsenz. All das sind Signale, die kontinuierlich gesammelt, verarbeitet werden, und dann wird KI angewendet, Workflows werden angewendet, um das Erlebnis zu gestalten."

Satya Nadella

CEO, Microsoft

Microsoft

Skalierung & Infrastruktur

Für globale Skalierung gebaut.

Die proprietäre Infrastruktur von Synerise wurde von Grund auf für Echtzeit-Computing in globalem Maßstab entwickelt — verarbeitet Anfragen über mehrere Regionen mit niedriger Latenz und hohem Durchsatz.

57B

Gesammelte Ereignisse pro Monat

229B

Abfragen an die TerrariumDB pro Monat

5.53B

KI-Empfehlungen, Suchen & Vorhersagen pro Monat

1.85B

Seitenbesuchsereignisse pro Monat gesammelt

1.5B

Mobile Ansichtsereignisse pro Monat gesammelt

129TB

Über API gesendete Daten pro Monat

>1.19B

Einzigartiger dynamischer Inhalt pro Monat generiert

~207K

Abfragen an TerrariumDB pro Sekunde im Peak

35K

API-Aufrufe pro Sekunde im Peak

65K

KI-Entscheidungen pro Sekunde im Peak

150B EUR

Jährlich verarbeiteter GMW

1.97B

Hyperpersonalisierte Nachrichten pro Monat gesendet

17.68B

Entscheidungen in Workflows pro Monat

50.19B

API-Aufrufe pro Monat

6B

Täglich gescannte Verhaltensprofile

16,400

Kubernetes-Pods

750+TB

Festplattengröße

890+

Kubernetes-Knoten

420+

Virtuelle Maschinen

40M+

In Feeds verarbeitete SKUs

71+TB

RAM

14,400+

vCPU

114

Datenbank-Cluster

42B+

Zeilen in Postgres-Clustern

3K

Aktive Operatoren auf der Synerise-Plattform

70+

Aktive Partner weltweit

1,000+

Ausgestellte Synerise-Zertifikate

>540

Produktions-Workspaces

>220

Organisationen

49

Länder aus 6 Kontinenten

+138 % vs HSTU — Neuer SOTA in sequenzieller Empfehlung
basemodel.ai

Das verhaltensbasierte Foundation Model.

Ein einziges selbstüberwachtes Modell, das Ihr gesamtes Data Warehouse einliest und jede Verhaltensfrage zu jeder Person in eine produktionsreife Vorhersage verwandelt — in Stunden, nicht Monaten, ohne Ihr Team zu vergrößern.

8 B+
Events pro Trainingslauf
18 M+
Kunden pro Trainingslauf
<1 ms
Klassifikationslatenz
9 ms
6 M-Item-Empfehlungen pro Nutzer (1× H100)

Die Pre-Training- und Fine-Tuning-Pipeline

Von Roh-Verhaltensdaten bis zu produktionsreifen Vorhersagen — eine vierstufige Pipeline, die traditionelle ML-Komplexität eliminiert.

Phase 1Cleora-NX

Proprietäre Hypergraph-Embeddings

Jedes Verhaltensereignis ist eine Hyperkante, die alle Beteiligten gleichzeitig verbindet — Nutzer, Produkt, Kategorie, Marke, Zeitstempel. Cleora-NX — Synerises proprietäre Graph-Embedding-Engine, basierend auf der bei ICONIP 2021 veröffentlichten Forschung. Nur für die Produktion; mit erheblichen Leistungs- und Funktionserweiterungen — nicht Open-Source. Läuft in Zeit proportional zur Anzahl der Hyperkanten; konvergiert in wenigen Iterationen auf Graphen mit Milliarden von Interaktionen innerhalb von Minuten.

Cleora-NX — proprietär, nie veröffentlicht; das Open-Source-Cleora ist sein Vorgänger
Multimodalitäts-Unterstützung und temporale Interaktionserweiterungen auf der öffentlichen Cleora-Aktualisierung
Deterministisch — keine Trainingsvarianz, keine GPU erforderlich
Skaliert auf Graphen mit Millionen Knoten und Milliarden Interaktionen
Phase 2TREMDE

Proprietäre Density Sketches

Cleora-NX-Embeddings (sowie alle Text-, Bild- oder Tabellen-Embeddings) werden von TREMDE — Synerises proprietärer, zeitsensitiver Erweiterung des Open-Source-Algorithmus EMDE (Synerise, ICONIP 2021) — zu Density Sketches fester Größe aggregiert. TREMDE erzeugt sparse Codes, die unter Summenbildung kompositorisch sind — die Addition der Codes zweier Entitäten ergibt den Code ihres kombinierten Verhaltens — und ergänzt temporale Interaktionsmodellierung, modalitätsspezifische Erweiterungen und weitere interne Verbesserungen, die im ursprünglichen EMDE-Paper nicht beschrieben sind. Jede Modalität wird unabhängig gesketcht und konkateniert; die Sketch-Form wird von der Pipeline automatisch aus Ihren Daten abgeleitet — keine manuelle Konfiguration, keine Hyperparameter-Suche. Neue Items mit Inhaltsmerkmalen erhalten sofort sinnvolle Codes — echtes Cold-Start ohne Retraining.

TREMDE — proprietär, nie veröffentlicht; das Open-Source-EMDE ist sein Vorgänger
Ergänzt temporale Interaktionsmodellierung und modalitätsspezifische Erweiterungen über das öffentliche EMDE
Sketch-Form automatisch aus Ihren Daten abgeleitet — null manuelle Konfiguration
Multimodal: Graph-, Text-, Bild- und Tabellen-Features
Phase 3Foundation

Angepasstes FFN-Backbone

Kein Lehrbuch-MLP. Ein angepasstes Feed-Forward-Backbone, das speziell für Verhaltenssequenzen entwickelt wurde und proprietäre induktive Biases trägt, die auf die Struktur von Eventdaten abgestimmt sind. Keine Attention, keine Rekurrenz — und dennoch erfasst es zeitliche Struktur, Feature-Interaktionen und Modalitätsfusion, die ein Standard-MLP nicht erfassen kann. Ziel ist distributionelles Matching: Jede Tiefe des Ziel-Sketches wird auf Summe 1 normalisiert, und der Loss ist die Cross-Entropy zwischen vorhergesagten und tatsächlichen Tiefenverteilungen, gemittelt über Tiefen und Modalitäten.

Erfasst zeitliche Struktur ohne Rekurrenz oder Attention
Modelliert Feature-Interaktionen und Modalitätsfusion in einem einzigen Durchgang
Eine einzige Foundation überträgt sich auf alle Szenarien — kein Retraining pro Aufgabe
Distributionelle Cross-Entropy über Tiefen und Modalitäten
Phase 4Serving

Proprietäres Scoring · Ray Serve

Kandidaten-Items werden in TREMDE-sparse-Codes kodiert (kompositorisch unter Summenbildung). Vorhersagen werden mit einer proprietären, für Verhaltens-Sketches optimierten Aggregationsmethode bewertet. Klassifikationslatenz unter einer Millisekunde; 9 ms pro Nutzer, um den vollständigen 6-M-Item-rel-avito-Katalog auf 1× H100 zu bewerten. Bereitgestellt über Ray Serve.

Proprietäre Aggregationsmethode, optimiert für Verhaltens-Sketches
Latenz unter einer Millisekunde für Klassifikation / Regression
9 ms pro Nutzer zur Bewertung eines 6-M-Item-Katalogs auf 1× H100
Ray-Serve-Deployment für Batch- und Online-Scoring

Embedding-Raum-Visualisierung

BaseModel.ai projiziert jeden Kunden in einen gemeinsamen verhaltensbasierten Embedding-Raum. Ähnliche Verhaltensweisen gruppieren sich — und ermöglichen sofortige Ähnlichkeitssuche, Segmentierung und Anomalieerkennung.

Hochwertige Käufer
Abwanderungsgefährdete
Neue Nutzer
Power-User
Saisonale Käufer
Deal Seekers

Verhaltensbasiertes Clustering

Nutzer mit ähnlichen Browsing-, Kauf- und Engagement-Mustern gruppieren sich im Embedding-Raum von Natur aus — ohne manuelle Segmentierungsregeln.

Echtzeit-Drift-Erkennung

Wenn sich der Embedding-Vektor eines Kunden in Richtung eines anderen Clusters bewegt (z. B. von "loyal" zu "abwanderungsgefährdet"), löst das System proaktive Maßnahmen aus.

Analoges Schlussfolgern

Der Embedding-Raum unterstützt Vektorarithmetik: "Hochwertiger Käufer" minus "häufiger Käufer" plus "neuer Nutzer" deckt aufkommende hochwertige Interessenten auf.

Entitätsübergreifende Beziehungen

Produkte, Kampagnen und Kanäle existieren im selben Raum wie Nutzer — das ermöglicht Nearest-Neighbor-Empfehlungen und Content-Nutzer-Matching.

cleora.ai

Cleora.ai — Die Embedding-Engine

Eine universelle Graph-Embedding-Engine, die komplexe, multi-relationale Graphen in dichte Vektordarstellungen transformiert. Im Gegensatz zu neuronalen Netzwerkmethoden verwendet Cleora.ai iterative Zufallsprojektionen — und erreicht State-of-the-Art-Qualität bei um Größenordnungen höherer Geschwindigkeit und voller Determinismus.

Cleora.ai-Embeddings bilden das repräsentationale Rückgrat von BaseModel.ai. Durch die Transformation von Milliarden verhaltensbezogener Interaktionen in bedeutungsvolle Vektoren liefert Cleora.ai das Pre-Training-Signal, das BaseModel sein tiefes Verständnis des Kundenverhaltens verleiht.

Mehr über Cleora.ai lesen Auf GitHub ansehen

240×

Knoten/Sek.

50×

Dimensionen

5 MB

Skalierung

0

Training

Deterministisches Training

Keine Random Walks, keine stochastischen Gradienten. Geschlossene Lösung durch iterative Matrixoperationen — bei jedem Durchlauf vollständig reproduzierbar.

Lineare Skalierbarkeit

Die Trainingszeit skaliert linear mit der Graphgröße. Milliarden-Kanten-Graphen auf einer einzelnen Maschine in Minuten.

Induktive Embeddings

Erzeugen Sie Embeddings für unbekannte Knoten ohne erneutes Training. Neue Entitäten werden in Echtzeit in den bestehenden Raum projiziert.

Heterogene Graphen

Multi-relationale, multimodale Graphen. Benutzer, Produkte, Sitzungen — alle Entitätstypen in einem Embedding-Raum.

Leistungs-Benchmarks

AlgorithmAccuracyTimeMemory
Cleora0.9901.23 s22 MB
Node2Vec0.95867.9 s—
NetMF0.95728.8 s1,098 MB

Benchmarks auf öffentlichem E-Commerce-Datensatz (über 100M Interaktionen). Trainingszeiten gemessen auf einer einzelnen 16-Kern-Maschine. snap.stanford.edu

Cleora (Open Source)Vorgänger-AlgorithmusCleora-NX (proprietär)
RohereignisseHypergraph-KonstruktionCleora-NX
Cleora-NXVerhaltens-EmbeddingsBaseModel-Pre-Training

BaseModel.ai vs. traditionelles ML

Warum Teams ihren gesamten ML-Stack durch ein einziges Foundation Model ersetzen.

FähigkeitTraditionelles MLLLMs / KI-AgentenBaseModel.ai
Was es ausgibt
Ein Modell pro Geschäftsfrage
Text, Code oder Analyse
Produktionsreife Vorhersagemodelle
Datenumfang
Kuratierte Datensätze (GB)
Kontextfenster (128K–1M Tokens)
Data Warehouses im Petabyte-Maßstab
Feature Engineering
Monate manuelle Arbeit pro Modell
Kann Feature-Code generieren — bleibt aber Einzweck
Vollautomatisch aus Roh-Events
Zeit bis zum ersten Modell
3–6 Monate
Stunden (baut aber traditionelle Pipelines)
12 h Foundation-Training auf 1× A100 für ~8 Mrd. Events; Szenario-Fine-Tune in Stunden
Populationsmodellierung
Aggregierte Statistiken und Segmente
Ein Nutzer auf einmal über Prompts
Modelle auf Individualebene für die gesamte Population
Domänenübergreifender Transfer
Nicht möglich — jedes Modell ist isoliert
Nicht anwendbar — kein persistenter gelernter Zustand
Eingebaut — ein Modell für alle Domänen
Wissenspersistenz
Neutrainieren von Grund auf für jede Frage
Kein Gedächtnis zwischen Sitzungen
Foundation in jedem Szenario wiederverwendet
Cold-Start-Handhabung
Erfordert Mindestdaten­schwellen
Erfordert detaillierten Prompt-Kontext
Induktive Sketches ab der ersten Interaktion
Erforderliches Team
5–15 ML-Ingenieure + Data Scientists
Data Scientist + Prompt Engineer
Data Engineer oder ML-Ingenieur; ein einzelner ML-Ingenieur genügt für typische Deployments
Latenz im Maßstab
50–500 ms typisch
1–30 Sekunden pro Generierung
Klassifikation unter 1 ms; 9 ms/Nutzer zur Bewertung von 6 M Items auf 1× H100

Blazingly fast. No clusters needed.

Train on ~18 M clients / ~8 B events in 12 h on a single A100. Serve classification and regression at sub-millisecond latency, and 6 M-item recommendations in 9 ms per user on 1× H100. No distributed infrastructure required.

RelBench MAP — BaseModel vs. bester Baseline (höher ist besser)

AufgabeBaseModel.aiBaselineBaseline-Name
rel-amazon review2.531.63ContextGNN
rel-amazon rate3.062.25ContextGNN
rel-hm purchase3.672.93ContextGNN
rel-avito ad-visit4.683.94RelGNN

Quelle: BaseModel-Paper, RelBench (12 Aufgaben). BaseModel erreicht oder übertrifft den besten veröffentlichten Baseline auf 10 von 12 Aufgaben; die vier größten Siege sind dargestellt.

<1 ms

Sub-millisecond latency

Per-request inference time for classification and regression at production scale.

18 M+
Kunden pro Trainingslauf
~8 B Ereignisse auf 1× A100 in 12 h
1
Einzelne GPU
Kein Cluster erforderlich
<1 ms
Klassifizierungslatenz
Unter 1 ms pro Anfrage
9 ms
6 M-Item-Empfehlungen
Pro Nutzer auf 1× H100

Auswirkungen realer Deployments

Auf der gesamten von BaseModel betriebenen Synerise-Plattform — Zahlen aus über 340 Produktions-Deployments.

340+
Produktionsbereitstellungen
Aktive Unternehmensbereitstellungen auf 4 Kontinenten
2.8B
Tägliche Vorhersagen
Täglich bereitgestellte Echtzeit-Vorhersagen
+23%
Durchschn. Umsatzsteigerung
Durchschnittliche zusätzliche Umsatzsteigerung für Retail-Kunden
+8.2pp
Modellgenauigkeitsgewinn
Durchschnittliche AUC-Verbesserung gegenüber bestehenden ML-Modellen
14 days
Bereitstellungsgeschwindigkeit
Durchschnittliche Zeit vom Projektstart bis zu Produktionsvorhersagen
67%
Kostenreduktion
Reduzierung der ML-Infrastruktur- und Teamkosten

Ein Modell. Jede Frage. Jede Branche.

Wählen Sie eine Branche, um zu sehen, was BaseModel.ai sofort beantworten kann.

Allgemein

"Wie beeinflussen tägliche Kundeninteraktionen ihr zukünftiges Verhalten?"

AI
ML
DL

360°-Verhaltensverständnis

Zero-Shot-fähig

Anders gebaut

Sechs architektonische Prinzipien, die BaseModel.ai zum fortschrittlichsten jemals gebauten verhaltensbasierten AI-System machen.

Wiederverwendbare Foundation

Das Foundation-Modell wird einmal auf Ihren Verhaltensdaten trainiert. Jedes neue Szenario — Churn, LTV, Empfehlungen — verwendet diese Embeddings über ein schnelles Fine-Tune wieder; kein vollständiges Neutrainieren pro Frage.

Multimodale Density Sketches

Graph-Embeddings, Text, Bilder und tabellarische Features werden zu einer einzigen Darstellung fester Größe pro Entität gesketcht — on-the-fly erstellt, mit Kosten linear in den Interaktionen.

Zero-Shot-Vorhersagen

Beantworten Sie Verhaltensfragen, die Sie nie explizit modelliert haben — etwa Patienten-Wiederaufnahmerisiko, Upgrade-Bereitschaft von Abonnenten oder Fluktuationsrisiko von Mitarbeitern — indem Sie eine Zielfunktion definieren und die Foundation-Embeddings wiederverwenden.

Echtzeit-Inferenz

Klassifikations- und Regressionslatenz unter einer Millisekunde; Empfehlungen bewerten den vollständigen 6-M-Item-rel-avito-Katalog in 9 ms pro Nutzer auf 1× H100. Bereitgestellt über Ray Serve für Batch- und Online-Workloads.

Self-Hosted by Design

Bereitstellung in Snowflake Container Services, Databricks oder Ihrem eigenen GPU-Cluster. Verhaltensdaten verlassen Ihre Umgebung nie; kein geteilter Modell-Korpus zwischen Kunden.

Domänenübergreifender Transfer

In einer Domäne erlerntes Verhaltenswissen überträgt sich auf eine andere. Kaufmuster verbessern die Betrugserkennung; Engagement-Signale schärfen Churn-Prognosen — domänenübergreifender Transfer, den kein Einzweckmodell replizieren kann.

Modell-Governance & Erklärbarkeit

Unternehmenstaugliche Governance in jede Schicht integriert — von der Trainingsdaten-Herkunft bis zur Audit-Prüfung von Produktionsvorhersagen.

Per YAML definierte Ziele

Jedes feingetunte Szenario wird durch eine einzige YAML-Konfiguration beschrieben — Quelltabellen, Zielfunktion, Trainingszeitraum. Reproduzierbar by Design; ein erneuter Lauf der Konfiguration baut dasselbe Modell.

Konfigurierbare Sample-Gewichte

Sample-Gewichte pro Event und Steuerungen zum Ausbalancieren des Ziels erlauben es Teams, Trade-offs zwischen Fairness und Aktualität zur Trainingszeit zu justieren — mit voller Sichtbarkeit darauf, wie Beispiele gewichtet werden.

Self-Hosted-Datensouveränität

Bereitstellung in Snowflake Container Services, Databricks oder Ihrem eigenen GPU-Cluster. Verhaltensdaten und Embeddings bleiben in Ihrer Umgebung — kein geteilter Modell-Korpus zwischen Kunden.

Reproduzierbare Konfigurationen & Lineage

Foundation-Training und jeder Fine-Tune-Lauf sind an eine YAML-Konfiguration und ein Connector-Schema gebunden — so lässt sich jede Vorhersage auf die exakten Tabellen, das Zeitfenster und die Parameter zurückverfolgen, die sie erzeugt haben.

Versionierte Foundations & Adapter

Foundation-Checkpoints und szenariospezifische Fine-Tunes werden unabhängig versioniert. Setzen Sie ein Szenario zurück, ohne die Foundation neu zu trainieren; promoten Sie eine neue Foundation, wenn Sie bereit sind.

Monitoring-Hooks

Gestreamte Metriken zu Eingabeverteilung, Vorhersagezuverlässigkeit und Geschäfts-KPI-Korrelation — direkt in Ihren bestehenden Observability-Stack einbinden, um Drift frühzeitig zu erkennen.

Anerkannt von der wissenschaftlichen Gemeinschaft

BaseModel.ai basiert auf der veröffentlichten Forschung von Synerise — den Cleora- und EMDE-Papers (ICONIP 2021) und dem BaseModel-Preprint — und ordnet sich in das breitere Korpus der über 40 Publikationen von Synerise auf NeurIPS, KDD, ICONIP und ACM RecSys ein.

Preprint 2025

BaseModel: Ein Foundation Model für Verhaltensdaten

Das BaseModel.ai-Paper. Definiert die Foundation-Model-Formulierung für Verhaltens-Event-Streams und die Benchmark-Suite, die unter /research dokumentiert ist. Das produktive BaseModel nutzt Cleora-NX, TREMDE und ein angepasstes FFN-Backbone — proprietäre interne Erweiterungen der veröffentlichten Cleora- und EMDE-Grundlagen, die im Paper nicht beschrieben sind.

ICONIP 2021

Cleora: Ein einfaches, starkes und skalierbares Graph-Embedding-Schema

Synerises veröffentlichtes Hypergraph-Embedding-Schema. Definiert das deterministische, parameterfreie Update T_{k+1} = normalize(P·T_k). Der Open-Source-Vorgänger von Cleora-NX, der proprietären Engine, die BaseModel.ai in der Produktion antreibt.

ICONIP 2021

Ein effizienter Mannigfaltigkeits-Dichteschätzer für alle Empfehlungssysteme

Das EMDE-Paper. Führt kompakte Density Sketches ein, deren sparse Codes unter Summenbildung kompositorisch sind. Der Open-Source-Vorgänger von TREMDE, der proprietären, zeitsensitiven Density-Sketch-Engine in BaseModel.ai.

Bereit zu sehen, was Ihre Daten bereits wissen?

Entdecken Sie BaseModel.ai — Deployment in Stunden, nicht Monaten. Kein ML-Team erforderlich.

Mariano Gomide de Faria
"Synerise ist eine verborgene Perle aus Krakau, Polen. Das Synerise-Produkt BaseModel ist das weltweit fortschrittlichste private Grundlagenmodell für Verhaltensdaten. Synerise ist ein leistungsstarker und effizienter Weg für Ihr Unternehmen (Tech, SI, Einzelhandel, Hersteller oder Marke), die KI-Anwendungswelt zu überspringen, schnelle Ergebnisse zu erzielen und Millionen an CAPEX für Ihr Data-Engineering-Modell zu vermeiden. Ich bin stolz, die fortschrittlichsten Tech-Unternehmen in Schwellenländern entstehen zu sehen. Wir freuen uns, Synerise als VTEX-KI-Infrastruktur-Engine zu wählen. Wir verfolgen die Mission, das Rückgrat des vernetzten Handels zu sein. Die KI-Funktionalitäten, die VTEX mit Synerise bereitstellen kann, sind disruptiv."

Mariano Gomide de Faria

Co-CEO, VTEX

VTEX

TerrariumDB

TerrariumDB.
Die verhaltensbasierte Daten-Engine.

TerrariumDB erfasst, löst auf und aktiviert jedes Verhaltenssignal in Echtzeit. Es ist das lebendige Datenfundament von BaseModel.ai — das Rohdaten-Events in dynamische, sich entwickelnde Kundenidentitäten im großen Maßstab verwandelt.

57B+
Ereignisse pro Monat
<50ms
Verarbeitungslatenz
6B+
Verhaltensprofile
99.99%
Verfügbarkeits-SLA

Vom Event zum Insight in Millisekunden

Eine vierstufige Pipeline, die rohes Verhaltensrauschen in verwertbare Echtzeit-Kundenintelligenz verwandelt.

01

Capture

Event Ingestion

Every behavioral signal — from clicks and page views to transactions and API calls — is captured in real time via SDKs, APIs, or server-side connectors.

02

Enrich

Identity Resolution

Raw events are matched to unified profiles through deterministic and probabilistic identity resolution. Cross-device, cross-channel, cross-session — one identity.

03

Profile

Dynamic Aggregation

Every resolved event updates living behavioral profiles in real time. Aggregates, sequences, and computed attributes refresh within milliseconds.

04

Activate

Graph & Stream

Enriched profiles feed the identity graph and stream to downstream systems — powering BaseModel.ai, decisioning engines, and personalization in real time.

Gebaut für verhaltensbasierte Daten im großen Maßstab

Sechs Kernfunktionen, die TerrariumDB zur fortschrittlichsten verfügbaren Echtzeit-Engine für Verhaltensdaten machen.

Echtzeit-Ingestion

Erfasst jedes Verhaltenssignal im Moment seines Auftretens — Klicks, Transaktionen, Seitenaufrufe, API-Aufrufe — ohne jede Verzögerung zwischen dem Ereignis und Ihrer Datenebene.

Lebendige Profile

Daten werden nicht als statische Datensätze gespeichert. Jedes Ereignis reichert eine dynamische, sich weiterentwickelnde Verhaltensidentität an, die widerspiegelt, wer der Kunde gerade jetzt ist — nicht, wer er letzte Woche war.

Einheitlicher Identity Graph

Jedes Ereignis reichert einen einheitlichen Identity Graph über Kanäle und Geräte hinweg an. Anonyme Sessions, angemeldete Nutzer und geräteübergreifende Journeys verschmelzen zu einer einzigen Wahrheit.

Verarbeitung im Sekundenbruchteil

Von der Ereigniserfassung bis zur Profilanreicherung in unter 50 Millisekunden. Echtzeit-Entscheidungen hängen von Echtzeitdaten ab — TerrariumDB liefert beides.

Schema-freie Ingestion

Keine vordefinierten Schemata nötig. Senden Sie einen beliebigen JSON-Payload und TerrariumDB indexiert, reichert an und macht ihn automatisch abfragbar. Datenmodelle entwickeln sich in Echtzeit mit Ihrem Unternehmen weiter.

Event-Streaming & CDC

Integriertes Change Data Capture, Webhooks und Echtzeit-Datenkonnektoren. Streamen Sie angereicherte Ereignisse an jedes nachgelagerte System — Data Warehouses, ML-Pipelines oder Aktivierungs-Engines.

Für horizontale Skalierbarkeit konzipiert

Jede Schicht des Stacks ist für lineare Skalierung ausgelegt — von zustandslosen Diensten über Sharded-Datenbanken bis hin zu unabhängigen Compute-Zonen.

Horizontal Scalability

  • Stateless services
  • Load Balancing
  • Microservices architecture

Database Scalability

  • Core technologies linearly scalable (TerrariumDB, Kafka, ScyllaDB)
  • Data sharding by profileId

Event-Driven Reactive Architecture

  • Data streaming via Kafka
  • Asynchronous processing in stateless microservices

Auto-Scaling Infrastructure

  • Containerization (Docker)
  • Kubernetes native workloads
  • Horizontal pod autoscaler
  • Cloud-Based Auto-Scaling

Monitoring

  • Continuous monitoring with long history

Noisy Neighbor Solution

  • Separate Kafka topics per workspace
  • Dedicated compute zones for workflows and AI recommendations
  • Zones scale independently

Das Datenfundament für BaseModel.ai

TerrariumDB ist nicht nur eine Datenbank — es ist das lebendige Substrat, das das weltweit erste verhaltensbasierte Foundation-Modell speist. Jedes erfasste Event, jedes angereicherte Profil und jede von TerrariumDB aufgelöste Identität wird zum Trainingssignal für BaseModel.ai.

Verhaltenssequenzen in Echtzeit fließen direkt in das Modelltraining ein
Der Identity Graph sichert die Embedding-Qualität über fragmentierte Journeys hinweg
Die schema-freie Architektur passt sich neuen Datenquellen ohne Re-Engineering an
Anreicherung in unter 50 ms ermöglicht Echtzeit-Inferenz zum Vorhersagezeitpunkt
Live-Pipeline
Erfasste Ereignisse
1.4B/day
Aktualisierte Profile
892M/day
Identity-Matches
234M/day
Durchschn. Latenz
23msp99

Unternehmenstaugliche Architektur

Von Grund auf für geschäftskritische Verhaltensdaten-Workloads im planetaren Maßstab entwickelt.

Multi-Region-Deployment

Deployen Sie in jeder Cloud-Region mit automatischer Konformität zur Datenresidenz. GDPR, CCPA und LGPD sind out of the box abgedeckt, mit konfigurierbaren Kontrollen für Datensouveränität.

Garantierte Beständigkeit

Write-Ahead-Logging, Synchronisierung mehrerer Replikate und Point-in-Time-Recovery gewährleisten null Datenverlust. Jedes Ereignis ist beständig, sobald es bestätigt wurde.

Sicherheit & Compliance

SOC 2 Type II zertifiziert mit durchgängiger Verschlüsselung im Ruhezustand und bei der Übertragung. Rollenbasierte Zugriffskontrolle, Audit-Logging und Datenmaskierung sind in jede Ebene integriert.

Ihre Daten, lebendig und bereit.

Erfahren Sie, wie TerrariumDB Rohdaten-Events in verhaltensbasierte Echtzeit-Intelligenz umwandelt — für Vorhersagen, Personalisierung und Entscheidungsfindung im großen Maßstab.

Synerise KI-Forschung

Wissenschaftsbasierte AI

Weltklasse-Forschung, die globale Wettbewerbe gewinnt und den Stand der Technik in Empfehlungssystemen, Graph Learning und Verhaltens-AI vorantreibt.

50+
Veröffentlichte Arbeiten
15+
Wettbewerbssiege
1,200+
Zitierungen

Ausgewählte Erfolge

Dominanz bei globalen AI-Wettbewerben

KDD Cup — 1. Platz
ACM RecSys Challenge — Mehrere Siege
Booking.com Challenge — 1. Platz
Rakuten Data Challenge — 1. Platz
OGB Large-Scale Challenge — Spitzenplatzierung
"Synerise hat eines der beeindruckendsten angewandten AI-Forschungsteams aufgebaut, die mir begegnet sind. Ihre Arbeit an Graph Embeddings und Verhaltensmodellierung treibt den Stand der Technik voran."

Prof. Jure Leskovec — Stanford University

Neuestes von SAIR

Forschung8 Min. Lesezeit

BaseModel vs. TIGER für sequenzielle Empfehlungen

Der Vergleich zwischen BaseModel und TIGER zeigt wesentliche Unterschiede in ihren architektonischen Entscheidungen und ihrer Leistung.

Forschung8 Min. Lesezeit

BaseModel vs. HSTU für sequenzielle Empfehlungen

Um BaseModel im Vergleich zu HSTU zu bewerten, haben wir die Protokolle für Datenvorbereitung, Training, Validierung und Tests exakt repliziert.

Forschung8 Min. Lesezeit

Fourier-Feature-Encoding numerischer Merkmale

Die Vorverarbeitung von Rohdaten ist ein sehr wichtiger Teil jeder Machine-Learning-Pipeline und oft entscheidend für die Leistung des Endmodells.

Engineering12 Min. Lesezeit

EMDE vs. Multiresolution Hash Encoding

Als wir unseren EMDE-Algorithmus entwickelten, hatten wir in erster Linie die Domäne der Verhaltensprofilierung im Sinn.

Zukunft6 Min. Lesezeit

Warum wir unmenschliche künstliche Intelligenz brauchen

Wir fragen uns ständig, wie lange es noch dauern wird, bis AI in diesen Aufgaben das menschliche Kompetenzniveau erreicht.

Werkzeuge8 Min. Lesezeit

Effizientes Integer-Paar-Hashing

Mentale Modelle sind einfache Ausdrücke komplexer Prozesse oder Zusammenhänge.

Colloid-Designsystem

Die Designsprache
hinter der Plattform.

Colloid ist das proprietäre Open-Source-Design-System von Synerise — eine Bibliothek mit 117 unabhängig versionierten React-Komponentenpaketen, 1.189 benutzerdefinierten Icons und einer vollständigen Theming-Infrastruktur, die jeden Bildschirm der Plattform antreibt.

Von Anfang an mit TypeScript, Styled Components und react-intl gebaut. Kein Wrapper um Material UI oder Ant Design — ein von Grund auf entwickeltes System für die einzigartigen Anforderungen von Verhaltensdaten-Interfaces, Echtzeit-Dashboards und AI-gesteuerten Workflows.

117

Komponentenpakete

1,189

Eigene Icons

4

Icon-Größenvarianten

100%

TypeScript-Abdeckung

Design System erkunden Auf GitHub ansehen
Colloid Design System — Synerise UI components

117 React-Pakete

Jede Komponente ist ein unabhängig versioniertes npm-Paket — von ds-button über ds-table bis ds-wizard. Installieren Sie nur, was Sie brauchen.

1.189 Eigene Icons

Eine proprietäre Icon-Bibliothek in 4 Größenvarianten (M, L, XL, Color) — speziell entwickelt für Datenplattformen, Analytics und Behavioral AI-Interfaces.

Open-Source-Storybook

Jede Komponente ist in einer öffentlichen Storybook-Instanz dokumentiert und interaktiv. Designer prüfen, Entwickler bauen, QA testet — aus einer einzigen Quelle der Wahrheit.

TypeScript Nativ

Vollständig in TypeScript mit vorhersagbaren statischen Typen geschrieben. Vollständiges IntelliSense, Compile-Time-Sicherheit und null Mehrdeutigkeit über jede Komponenten-API.

Styled Components

Theme-gesteuertes Styling mit Styled Components. Jedes Token — Farbe, Abstände, Typografie, Elevation — fließt aus einem zentralen Theme-Objekt für sofortiges Theming.

i18n Standardmäßig

Internationalisierung integriert über react-intl. Jedes Label, jeder Platzhalter und jede Nachricht ist übersetzbar — für globale Enterprise-Deployments sofort einsatzbereit.

Komponentengalerie

Colloid Design System — Live-Vorschau

Visuelle Repliken von @synerise/ds-* Komponenten, passend zu den Colloid Design Tokens und Patterns aus der Produktion.

ds-button Varianten

Schaltflächengrößen

import DSButton from '@synerise/ds-button';
<DSButton type="primary">Primary</DSButton>

Die Komponenten folgen den Colloid Design Tokens — Abstände, Farben und Typografie entsprechen dem Produktions-Designsystem.

Storybook öffnen

Echte Komponenten aus dem Repository

Jede Komponente unten ist ein echtes, unabhängig veröffentlichtes npm-Paket @synerise/ds-* — direkt aus dem Open-Source-GitHub-Repository bezogen.

Dateneingabe18
InputInputNumberSelectAutocompleteCascaderCheckboxRadioSwitchSliderDatePickerDateRangePickerTimePickerColorPickerEmojiPickerFileUploaderCodeAreaInlineEditSubtleForm
Navigation12
MenuAppMenuNavbarSidebarSidebarObjectTabsCardTabsStepperPaginationBreadcrumbsWizardPageHeader
Datenanzeige17
TableListListItemCardCardSelectMetricCardAvatarAvatarGroupBadgeTagTagsStatusDescriptionTypographyStepCardInformationCardItemsRoll
Feedback16
AlertInlineAlertModalDrawerToastPopconfirmPopoverTooltipResultLoaderSkeletonProgressBarSectionMessageBannerBroadcastBarConfirmation
Layout & Struktur12
GridFlexBoxLayoutPanelPanelsResizerDividerBlockTrayToolbarFooterScrollbarActionArea
Erweitert17
FilterItemFilterItemPickerFactorsOperatorsConditionLogicManageableListSortableCollectorColumnManagerMappingInsightSearchBarContextSelectorCompletedWithinEstimation
Open Source · MIT-Lizenz

Entdecken Sie die lebendige Dokumentation.

Jede Komponente wird mit interaktiver Storybook-Dokumentation ausgeliefert — mit Varianten, Zuständen, Props, Barrierefreiheitshinweisen und Praxisbeispielen. Designer prüfen. Entwickler bauen. QA testet. Alles aus derselben Quelle.

Colloid ist nicht nur ein UI-Kit — es ist die gemeinsame Sprache zwischen Produkt, Design und Engineering bei Synerise. Es codiert jahrelange Erkenntnisse über den Aufbau von Interfaces für Verhaltensdaten, AI-Vorhersagen und Echtzeit-Automatisierung im planetarischen Maßstab.

Auf GitHub ansehen synerise-design
@synerise/ds-*

// Einzelne Pakete installieren

yarn add @synerise/ds-core

yarn add @synerise/ds-button

yarn add @synerise/ds-table

// Umschließe deine App

import { DSProvider } from '@synerise/ds-core'

import Button from '@synerise/ds-button'

<DSProvider>

<Button>Klick mich!</Button>

</DSProvider>

Enterprise-Sicherheit

Sicherheit und vertrauenswürdige Infrastruktur
Compliance-Zertifizierungen, Datensouveränität und Privacy by Design.

Enterprise-Grade-Infrastruktur mit Compliance-Zertifizierungen, Datensouveränität und Privacy by Design — unterstützt globale Organisationen mit höchsten Sicherheitsstandards.

SaaS

Vollständig verwaltete Cloud

Private Cloud

Dedizierte Infrastruktur

On-Premise

Ihr Rechenzentrum

SOC 2 Type II

Auditierte Sicherheitskontrollen

GDPR

EU-Datenschutz

CCPA

California-Datenschutzkonformität

ISO 27001

Informationssicherheit

Videos

Neueste Videos aus unserem Kanal

Alle Videos ansehen