HÄUFIG GESTELLTE FRAGEN

ForestHub ist die Edge-AI- und Agents-Orchestrierungsplattform. Workflows werden als Graphen im visuellen Builder authoreriert. Die Engine führt sie als Go-Binary in einem Docker-Image auf Linux-Edge-Geräten aus. Der Graph ist das Programm, das LLM ein Knoten unter vielen — einsehbar, wiederabspielbar, auditierbar, eingegrenzt by design.

ForestHub richtet sich an Engineering-Teams bei Maschinenherstellern (OEMs), Systemintegratoren und industriellen Technologieunternehmen, die KI-Agenten in Produkte ausliefern müssen, die ein Audit bestehen. Ob Sie Industrieanlagen, Gebäudeautomationssysteme oder Sensornetzwerke bauen — ForestHub liefert On-Device-Intelligenz ohne Cloud-Abhängigkeit.

Die meisten KI-Agent-Plattformen geben dem LLM das Steuer — es entscheidet, welche Tools aufgerufen werden und wann es fertig ist. Für Chat-Assistenten ist das das richtige Modell, für industrielle Steuerung lässt es Prüfern keine Möglichkeit, das Verhalten nachzuvollziehen. ForestHub kehrt das Verhältnis um: Der Workflow ist ein vom Builder gezeichneter Graph, der KI-Knoten ist einer unter vielen. Jeder mögliche Entscheidungspfad ist beim Design sichtbar, jeder Lauf lässt sich deterministisch wiederabspielen, und der Knoten erreicht kein Tool und kein System, ohne dass dafür eine explizite Verbindung existiert. Über den Graphen hinaus ist die Wahl des Modell-Typs (regelbasierte Logik, klassisches ML, kompaktes Sprachmodell on-device oder Frontier-LLM via Cloud) eine zusätzliche Kontroll- und Kostenebene: Sie entscheiden pro Knoten, was zur Aufgabe passt.

Die ForestHub-Plattform und Website sind auf Englisch und Deutsch verfügbar. Unser Engineering-Team betreut Projekte in beiden Sprachen.

Ein Edge Agent ist ein KI-Agent, der dort läuft, wo die Arbeit passiert — auf einem Linux-Edge-Gerät, nicht in der Cloud. Er nimmt lokale Signale wahr (Sensoren, MQTT, Modbus, OPC-UA), schlussfolgert darüber und handelt am physischen System, ohne Umweg über ein Rechenzentrum. Mit ForestHub ist der Workflow ein deterministischer Graph und das LLM nur ein Knoten unter vielen — inspizierbar, wiederholbar, auditierbar, beschränkt by design.

Du entwirfst den Edge Agent als Graph in einem visuellen Builder und bringst dann die Engine — ein kleines Docker-Image — auf dein Linux-Edge-Gerät, wo sie den Agenten lokal und offline-first ausführt. Industrieprotokolle (MQTT, Modbus, OPC-UA) sind als native Knoten verdrahtet, und jeder Knoten kann eine Regel, klassisches ML, ein kleines On-Device-Modell oder ein Frontier-LLM nutzen. Der Graph hält jede Aktion beschränkt und jeden Lauf wiederholbar, sodass der Agent sicher neben einer Maschine läuft.

Der Builder ist ein Canvas, auf dem Sie deterministische Knoten (Sensor lesen, Wert transformieren, verzweigen, aktuieren), LLM-Agent-Knoten und Trigger (Sensor-Events, MQTT, Zeitpläne, Webhooks, State-Änderungen) zu einem einzigen Graphen verkabeln. Jeder Wire ist explizit. Jeder mögliche Flow ist zur Designzeit sichtbar. Workflows werden wie Code versioniert. Deploys lassen sich wie Deployments zurückrollen. Die Plattform ist für technische Builder gebaut — nicht für Citizen Developer.

Die Engine produziert keinen Code — sie interpretiert den Workflow zur Laufzeit. Ihr Workflow ist das Artefakt. Die Engine ist ein Go-Binary in einem distroless Docker-Image (~10–15 MB, `linux/amd64` + `linux/arm64`). Sie lädt `workflow.json`, managt Trigger, routet Tokens zwischen deterministischen Knoten und LLM-Knoten, exposed `/deploy`, `/stop`, `/healthz`.

Auf jedem Linux-Edge-Gerät — Gateways, NUCs, NVIDIA Jetsons, Raspberry Pis, Industrie-PCs. Die Engine zielt auf `linux/amd64` und `linux/arm64`, was zusammen 95%+ des Edge/IoT-Marktes nach Volumen abdeckt (Yocto, Buildroot, OpenWrt, Balena, Standard-Distributionen alle inklusive).

Nein. Die Engine läuft lokal auf Ihrem Edge-Gerät. Cloud-Konnektivität ist optional — wird nur für Backend-managed LLM-Routing, Telemetrie und Remote-Deploys genutzt, alles ersetzbar durch Self-Hosted-Alternativen. ForestHub Edge läuft vollständig On-Premise in Air-Gapped-Umgebungen.

Jeder KI-Knoten — egal ob klassisches ML-Modell, kompaktes Sprachmodell on-device oder Frontier-LLM in der Cloud — sieht nur die Tools, die der Builder verkabelt: diesen Sensor lesen, diesen Aktor setzen, diesen Sub-Graphen aufrufen. Es gibt keinen generischen `read_file`, kein `exec`, kein MCP-Server-Loading beliebiger Capabilities. Der Knoten kann auf keine Daten und kein System zugreifen, ohne dass eine explizite Verbindung es erlaubt. Deny-by-default (verboten als Standard) auf Architektur-Ebene — nicht durch Sandboxes nach dem Fakt. Die Wahl des Modell-Typs ist eine zusätzliche Eingrenzung: ein klassisches ML-Modell mit endlichem Output-Set ist strenger geschnitten als ein freilaufendes LLM.

Nein. ForestHubs Edge-First-Architektur verarbeitet alle Daten lokal auf dem Gerät. Keine Sensor-, Maschinen- oder Betriebsdaten verlassen jemals Ihre Räumlichkeiten. Das ist ein Kernprinzip unseres Designs, kein nachträglicher Gedanke.

Ja. Da die Datenverarbeitung vollständig auf dem Gerät stattfindet, sind ForestHub-Lösungen DSGVO-konform by Design. Es werden keine persönlichen oder betrieblichen Daten an externe Server übertragen, was die meisten Datenschutzbedenken von vornherein ausräumt.

Ihre Projektdaten innerhalb der ForestHub-Plattform werden sicher gemäß europäischer Datenschutzbestimmungen gespeichert. Für eingesetzte KI-Lösungen bleiben alle Betriebsdaten auf Ihrer lokalen Hardware - nichts wird an externe Server gesendet.

ForestHub bietet KI-Assessments, Architektur-Assessments, Team-Enablement-Training und Full-Service-Integrationsprojekte. Von der ersten Machbarkeitsanalyse bis zum produktiven Einsatz - wir begleiten Ihr Team durch den gesamten Prozess.

Typischerweise starten wir mit einem KI-Assessment (1-2 Tage), um Use Cases zu identifizieren und die Machbarkeit zu prüfen. Basierend auf den Ergebnissen entwickeln wir gemeinsam die Architektur und begleiten die Implementierung. Der gesamte Prozess ist hands-on und auf Ihre spezifischen Anforderungen zugeschnitten.

Unsere Beratungsleistungen sind relevant für jede Branche, die Embedded AI einsetzt: Fertigung, Gebäudeautomation, Energiemanagement, Automotive, Medizintechnik, Landwirtschaft und Logistik. Überall dort, wo Sensoren Daten erzeugen und intelligente lokale Entscheidungen Mehrwert schaffen.