IT-Strategie & Digitalisierung
Die Frage, welche Technologie trägt und welches Anbieterversprechen einer Prüfung standhält.
Systemauswahl, Digitalisierungsstrategie und Machbarkeitsanalysen, betrachtet ohne Produktinteressen im Hintergrund.
Dr. Alex Stolz · Stalsoft
Fachliches Profil zu Software-Architektur, künstlicher Intelligenz, Datenanalyse und Digitalisierung: Themen, Werdegang und Forschungshintergrund im Überblick.
Fachgebiete
Themenfelder, in denen ich fachlich zu Hause bin, aus Forschung, Industrie und laufendem Systembetrieb.
Die Frage, welche Technologie trägt und welches Anbieterversprechen einer Prüfung standhält.
Systemauswahl, Digitalisierungsstrategie und Machbarkeitsanalysen, betrachtet ohne Produktinteressen im Hintergrund.
Zwischen KI-Versprechen und produktivem Nutzen steht die Frage, ob die Technologie im konkreten Kontext überhaupt trägt.
Anomalieerkennung, RAG-Architekturen, LLM-Integration und Knowledge Graphs, aus zehn Jahren Forschung und aus dem produktiven Einsatz.
Vorhandene Daten systematisch für Entscheidungen nutzbar zu machen, ist selten ein reines Werkzeugproblem.
Datenmodellierung, statistische Auswertungen, automatisierte Pipelines und Dashboards.
Deployment in Handarbeit und eine Infrastruktur, die unkontrolliert mitwächst, sind verbreitete Muster.
Cloud-Setup, CI/CD, Container-Orchestrierung und Prozessautomatisierung.
Gewachsene Systeme werden zum Engpass, ein Neubau wäre riskant. Dazwischen liegt das eigentliche Architekturthema.
API-Design, Datenmodellierung, Cloud- und On-Premise-Architekturen sowie Rapid Prototyping.
Gefunden werden, auch wenn Kunden nicht mehr googeln, sondern KI fragen. Und dabei für alle nutzbar bleiben.
Schema.org und Semantic Web waren das Feld meiner Promotion, lange bevor sie für Websites relevant wurden. Semantisch sauberes HTML trägt beides: Auffindbarkeit für KI-Systeme und Barrierefreiheit nach WCAG/BITV.
Projekte
KI-Assistenz für Verlage und Maschinendaten aus meiner Zeit im Maschinenbau.
Die ChatLibrary beantwortet Fragen zu den eBooks und eJournals eines Verlags, ausschließlich aus dessen lizenzierten Inhalten. Jede Aussage hat eine Quellenangabe mit Link, und wo die Inhalte keine Antwort hergeben, sagt das System das.
Das Sprachmodell formuliert nur, die Fakten kommen aus einer Wissensbasis, die an Suchmaschine und NoSQL-Datenbank der eLibrary angebunden ist und mit jedem erworbenen Titel wächst. Das Modell muss dafür nicht trainiert werden. Genauigkeit, Antwortlänge und Ranking sind einstellbar, mehrere Sprachen werden unterstützt, und über das Model Context Protocol (MCP) lassen sich andere KI-Anwendungen anbinden. Die Lösung ist auf akademische Einrichtungen und Verlage zugeschnitten. Zur Produktseite
Use Case
Schäffer-Poeschel ist eine Marke von Haufe und setzt die ChatLibrary als Anwendungsfall dieser Lösung ein.
Mit ChatTopic richten Nutzende ihre Frage an ein ganzes Fachgebiet. Mit ChatBook bleiben sie in einem Buch, im eBook auch nach Kapiteln gefiltert.
Smart-Buttons erzeugen auf Knopfdruck Zusatzinhalte zum Lernen.
Jede Antwort verweist mit Seite und Quelle auf die Textstelle. Die KI arbeitet in einer geschlossenen Domäne und greift nur auf die Inhalte der eLibrary zu, die über 1.200 qualitätsgesicherte eBooks umfasst. Angesprochen sind Studierende, Dozierende und Berufstätige. Zur ChatLibrary bei Schäffer-Poeschel
Eine Edge-Lösung bindet Maschinensteuerungen im Feld an, sammelt Prozess- und Maschinendaten und stellt sie bereit. Darauf bauen Condition Monitoring und maschinelles Lernen auf, als Weg zu Predictive Maintenance und Smart Services.
Seit 2018 ist daraus eine Plattform gewachsen, mit Weboberfläche, Rollenkonzept, Produktionsstatistiken und Schnittstellen zu MES und ERP. Die Überwachung funktioniert auch über mehrere Werke hinweg.
Das Condition Monitoring erzeugt automatische Berichte, die den Zustand jeder Maschine lesbar machen, mit hervorgehobenen Grenzwerten und robusten Langzeittrends. Kunde und Service können gezielt auf die Berichte zugreifen, der Service nutzt sie als Entscheidungsgrundlage, und über ein Cockpit lässt sich direkt auf die Live-Daten der Maschine aufschalten.
Die Anomalieerkennung kombiniert die unüberwachte Suche nach Abweichungen vom Normalverhalten mit der überwachten Erkennung bekannter Fehlermuster, auch bei wenigen gelabelten Daten. Erkannte Fälle werden von Fachleuten eingeordnet und fließen als neues Wissen in die Modelle zurück.
Ein Analysewerkzeug unterstützt die Ursachenforschung, indem es Verläufe mehrerer Arbeitszyklen vergleicht und ähnliche Fälle zusammenführt.
Hintergrund
Aus der Forschung, aus fünf Jahren Maschinenbau und aus dem laufenden Betrieb produktiver Systeme.
Informatik und BWL in Innsbruck.
An der Universität der Bundeswehr München mit Fokus auf Semantic Web und Schema.org, den Grundlagen, auf denen GEO heute aufbaut.
Fünf Jahre als Digitalisierungsexperte im Maschinenbau (IoT, Machine Learning, Anomalieerkennung).
Hauptberuflich arbeite ich in der Geschäftsführung eines IT-Unternehmens. Der fachliche Alltag dreht sich dort um Skalierung, Datenschutz und Betriebsstabilität, also um die Fragen, die auch die Themen auf dieser Seite prägen.
Forschung
Meine Promotion entstand in der e-Business- & Web-Science-Gruppe der Universität der Bundeswehr München, inhaltlich also mitten im E-Commerce und E-Business: strukturierte Produktdaten, Klassifikationsstandards und Shop-Daten im Web.
Rund 15 peer-reviewte Publikationen aus den Jahren 2013 bis 2018, unter anderem bei ESWC, ISWC und ICWE, drehen sich um eine Frage: Wie kommen Produktdaten so ins Web, dass Maschinen sie verlässlich verstehen? Damals hieß das Semantic Web und Linked Data, heute sprechen wir von GEO und KI-Antwortsystemen. Die Grundlagen sind dieselben geblieben.
Zwischen Geschäftspartnern wandern Produktinformationen längst in Katalogstandards wie BMEcat. Im Web liegen dieselben Informationen meist als Fließtext vor. Wir haben ein Werkzeug entwickelt, das BMEcat-Kataloge in GoodRelations überführt, und es mit Produktdaten aus über 2.500 Online-Shops getestet.
Eine Produktontologie von Grund auf zu entwerfen, ist teuer, mühsam und fehleranfällig. Das Wissen steckt schon in Klassifikationen wie eCl@ss, UNSPSC oder GPC. PCS2OWL leitet daraus halbautomatisch OWL-Ontologien ab, die zu GoodRelations und schema.org passen. Der aufwendigste Parser kam mit weniger als 200 Zeilen Code aus.
Eine adaptive Facettensuche, deren Filter sich aus den Daten selbst ergeben, ließ sich in Nutzerstudien ähnlich gut bedienen wie eine mit fest verdrahteten Produktmerkmalen und bringt zugleich mehr Tiefe in Suche und Vergleich. In einer Simulation mit 875 Automobilangeboten schrumpfte der Suchraum mit jedem gewählten Merkmal ungefähr logarithmisch.
Wer Daten einbinden will, muss SPARQL können und sich in den RDF-Formaten auskennen. Daraus entstanden Werkzeuge wie GR4PHP, eine PHP-Bibliothek für E-Commerce-Daten, und GR2RSS, das Linked Data als RSS- oder Atom-Feed ausliefert.
Am wichtigsten ist mir der RDF Translator. Für RDF gibt es viele Serialisierungsformate, aber es gab kaum einen freien Dienst, der zwischen allen hin und her übersetzt. Er übersetzt zwischen RDFa, Microdata, RDF/XML, N3, N-Triples, RDF/JSON und JSON-LD in beide Richtungen, per REST-API oder über eine Weboberfläche mit Syntaxhervorhebung und dauerhaften Links zum Teilen, und meldet Syntaxfehler. Entstanden ist er als Beitrag für die Community, der Quellcode steht unter LGPL.
Wer strukturierte Produktdaten nutzen will, muss sie zuerst einsammeln. Unsere Analysen zeigten, dass Common Crawl einen großen Teil der Produktdetailseiten verpasst, auf denen die meisten Daten liegen, und dass schon ein Crawl über Sitemaps deutlich mehr Produktseiten findet.
Meine Schwerpunkte lagen auf Grundzügen der Wirtschaftsinformatik, auf Information, Organisation und Management, auf Informationsmanagement in integrierten Wertschöpfungsketten, auf Web Technologies sowie auf Data Science und Programmierung mit Python. Dazu kamen Seminare und Studienprojekte. Die vollständige Publikationsliste steht im ORCID-Profil und bei DBLP.
FAQ
Antworten auf häufige fachliche Fragen zu den Themen dieser Seite.
Stalsoft ist das fachliche Label von Dr. Alex Stolz. Wissenschaftlicher Hintergrund mit Promotion in Informatik und Wirtschaft, fünf Jahre Industrieerfahrung im Maschinenbau, hauptberuflich in der Geschäftsführung eines IT-Unternehmens tätig.
GEO (Generative Engine Optimization) bezeichnet die Optimierung von Inhalten für KI-gestützte Antwortsysteme wie ChatGPT, Claude, Perplexity oder Google AI Overviews. Es funktioniert, weil diese Systeme strukturierte Daten und semantische Auszeichnungen verstehen, also Grundlagen aus dem Bereich Semantic Web und Schema.org. Genau das war das Thema meiner Promotion.
Beide bauen auf derselben Grundlage auf, nämlich auf semantisch sauberem HTML. Eine Struktur, die ein Screenreader zuverlässig vorlesen kann, ist auch die Struktur, aus der ein KI-Antwortsystem verlässlich Bedeutung zieht. Deshalb liegen WCAG, BITV und GEO im Schwerpunkt SEO, GEO & Barrierefreiheit beieinander.
Ja, vor allem aus der Forschung: Meine Promotion entstand in der e-Business- & Web-Science-Gruppe der Universität der Bundeswehr München. Inhaltlich ging es um strukturierte Produktdaten, Klassifikationsstandards wie eCl@ss und UNSPSC sowie Shop-Daten im Web – genau die Grundlagen, die heute über Schema.org und GEO wieder praktisch relevant sind.
Über das Kontaktformular auf dieser Website oder per E-Mail an contact@stalsoft.com. Fachliche Rückfragen zu den Themen dieser Seite beantworte ich gerne.
Kontakt
Für Rückfragen zu den Themen dieser Seite, zu Publikationen oder zum fachlichen Hintergrund erreichen Sie mich direkt.
Nachrichten beantworte ich persönlich. Wenn Ihnen ein Formular zu umständlich ist, schreiben Sie einfach per E-Mail.