Wir haben unsere Monitoring-Infrastruktur erweitert und optimiert, um höchste Verfügbarkeit und schnelle Reaktionszeiten zu gewährleisten. Durch den erfolgreichen Aufbau eines Hochverfügbarkeits-Systems für Grafana konnten wir ein robustes Failover-Setup implementieren, das auch bei Serverausfällen keine Unterbrechungen verursacht. Die Konfiguration von Datasources, Dashboards und Alerting-Systemen wurde sorgfältig abgestimmt, sodass Kunden nun umfassende Einblicke in ihre Systemleistung erhalten. Zusätzlich wurden Monitoring-Exporters wie node_exporter und dcgm-exporter auf leistungsstarken Systemen mit NVIDIA-GPUs eingesetzt. Diese ermöglichen präzise Messungen von Hardware- und Software-Performance, auch bei komplexen Workloads. Die Integration von Ceph- und NVIDIA-DCGM-Dashboards sorgt für eine transparente Überwachung kritischer Systemkomponenten. Unsere Kunden profitieren von einer stabilen und zuverlässigen Monitoring-Lösung, die sofortige Alarmierung bei Anomalien ermöglicht. Durch die automatisierte Benachrichtigung über Telegram werden potenzielle Probleme schnell erkannt und behoben, was die Betriebssicherheit weiter erhöht. Mit dieser Verbesserung unterstreichen wir unser Engagement für höchste Servicequalität und bieten unseren Kunden eine zukunftssichere Basis für ihre IT-Infrastruktur.

Unsere Cloud-Infrastruktur erhält einen spürbaren Leistungsschub: Wir haben die GPU-Kapazität gezielt erweitert und das neuere Qwen3-VL-30B-AWQ-Modell erfolgreich in our LocalAI-Bridge integriert. Dieses leistungsstarke multimodale Modell steht nun kundenseitig über das Kundenpanel abrufbar zur Verfügung – ideal für anspruchsvolle Anwendungsfälle wie Dokumentenanalyse oder visuelle Frage-Antwort-Systeme. Zusätzlich haben wir das Routing-System für Model-Anfragen verbessert, sodass nun auch benutzerdefinierte Alias-Namen korrekt aufgelöst und in der API-Antwort sichtbar sind. Dies erhöht die Vorhersehbarkeit und Integrationstiefe bei automatisierten Workflows. Die Stabilität des gesamten AI-Backends wurde durch gezieltes Preloading und optimierte Concurrency-Konfigurationen weiter gesteigert. Alle Änderungen laufen im Hintergrund und ohne Ausfallzeit – Ihre Anwendungen profitieren sofort von der erhöhten Modellvielfalt, kürzeren Ladezeiten und präziseren Antwort-Priorisierung. Wir denken kontinuierlich weiter: Ihre Innovation, unsere Infrastruktur.

Unsere Entwicklungsteam hat kürzlich umfassende Verbesserungen am Document-Matching-Algorithmus von resys2.0 vorgenommen, um die Zuordnung von Transaktionen zu Rechnungen und Belegen zu optimieren. Durch die Implementierung eines intelligenten RAG-Chat-Systems und die Integration zusätzlicher Suchstrategien basierend auf Paperless- und NGX-APIs konnten wir die Genauigkeit der Dokumentenverknüpfung signifikant steigern. Dies führt zu weniger Fehlzuordnungen und ermöglicht Kunden eine nahezu fehlerfreie Buchhaltungsautomatisierung. Ein weiterer Schwerpunkt lag auf der Verbesserung der Log-Output-Struktur, sodass bei Bedarf auch historische Daten komplett neu gematcht werden können. Dies ermöglicht eine konsistente Datenbasis und stellt sicher, dass auch bei Änderungen im Dokumentenlayout oder im Zahlungsverkehr korrekte Zuordnungen gewährleistet sind. Unsere neue Log-Struktur liefert präzise Einblicke in den Matching-Prozess und erleichtert die Nachvollziehbarkeit. Zudem wurde die interne PDF-Generierung für fehlende Rechnungen optimiert, sodass auch bei fehlenden Originaldokumenten automatisch gültige PDFs erstellt und an das Paperless-System übermittelt werden können. Dies sorgt für eine nahtlose Integration und erhöht die Zuverlässigkeit der gesamten Verarbeitungskette. Diese technischen Fortschritte unterstreichen unser Engagement, die Automatisierung von Finanzprozessen stets weiterzuentwickeln – für mehr Effizienz, Genauigkeit und Zuverlässigkeit in der täglichen Buchhaltung.

In den letzten 24 Stunden haben wir erneut unsere Cloud-Infrastruktur weiter ausgebaut, um die Leistungsfähigkeit und Stabilität für unsere Kunden zu erhöhen. Dazu zählen die Installation von 36 neuen SSDs im Speichercluster sowie die Erweiterung der GPU-Kapazität zur Unterstützung von rechenintensiven Workloads. Diese Maßnahmen tragen dazu bei, dass Anwendungen schneller reagieren und komplexe Prozesse wie maschinelles Lernen oder große Datenanalysen noch effizienter ablaufen. Parallel dazu wurde der Storage-Cluster auf 200 TB ausgebaut, um den wachsenden Anforderungen an Speicherplatz und Datenverarbeitung gerecht zu werden. Zusätzlich wurden neue Switches für eine 10-GbE-Anbindung installiert, die die Netzwerkleistung signifikant steigern und Latenzen bei Datenübertragungen minimieren. Diese technischen Verbesserungen sind Teil unseres kontinuierlichen Ausbaus der Infrastruktur, um auch bei steigendem Datenvolumen höchste Verfügbarkeit und Performance zu gewährleisten. Unsere Monitoring-Systeme überwachen stets die gesamte Infrastruktur in Echtzeit – von der CPU-Auslastung bis zur Netzwerkkapazität. Die neue Hardware wird dabei durch automatisierte Tests und Performance-Optimierungen direkt in Betrieb genommen, sodass Kunden von einer sofortigen Verbesserung profitieren. Wir glauben, dass ständige Innovation die Grundlage für langfristigen Erfolg ist – und setzen daher kontinuierlich auf technische Verbesserungen, die direkt für unsere Kunden von Vorteil sind.

Unser Infrastruktur-Team hat die Rechenkapazität für moderne KI-Anwendungen erfolgreich erweitert: Neue Blackwell-basierte GPU-Server sind nun in Betrieb und bieten native NVFP4-Unterstützung für effiziente Inferenz. Diese Erweiterung ermöglicht deutlich schnellere Modell-Ausführungen – insbesondere bei Large Language Models wie Qwen3-Coder-Next – mit reduziertem Energieverbrauch und optimaler Ressourcennutzung. Kunden nutzen diese Leistung bereits für hochdynamische Cloud-Deployments, LocalAI-Bridges und vLLM-basierte Tool-Calling-Workflows, die sich nahtlos in bestehende Architekturen integrieren lassen. Die Performance-Metriken zeigen signifikante Verbesserungen bei Latenz und Durchsatz – ein klarer Wettbewerbsvorteil für Unternehmen, die auf schnelle, zuverlässige KI-Infrastruktur angewiesen sind.