Eine Engine. Viele Produkte.
Eine einzige deterministische, vektorlose Engine für strukturierte Daten. Sie findet Datensätze, die einem gegebenen ähnlich sind, Datensätze, die statistisch nicht dazu passen, und die Muster, die sich in Ihren Daten wiederholen — direkt auf Ihren Rohfeldern. Keine Vektoren. Keine Modelle. Keine Pipeline.
Was es ist
Pop ist eine deterministische, vektorlose Engine für strukturierte Daten. Sie arbeitet auf den numerischen und kategorialen Feldern, die Sie bereits haben — Preis, Bewertung, Latenz, Dauer, Umsatz — ohne Embedding-Modelle und ohne Blackbox.
Der gleiche Kern erledigt drei Aufgaben: Datensätze finden, die einem gegebenen ähnlich sind, Datensätze finden, die statistisch nicht dazu passen, und die Muster finden, die sich in Ihren Daten wiederholen. Jedes Ergebnis kommt mit einem Score, den Sie lesen können, und einem Grund, den Sie erklären können — wichtig, wenn die Antwort einer Preiskontrolle, einer Fraud-Warteschlange oder einer Produktentscheidung standhalten muss.
Dieser eine Kern treibt verschiedene Produkte für verschiedene Aufgaben an — eine Such-API für Ihren Katalog, eine Analytics-Engine für Ihre Web-Events, und mehr ist unterwegs.
Produkte
Jedes Produkt ist dieselbe Engine, auf eine andere Aufgabe gerichtet. Jedes läuft als eigenes einzelnes Binary.
Engine für strukturierte Ähnlichkeit & Anomalie-Erkennung. Laden Sie einen Katalog als normale Datensätze und erhalten Sie ähnliche Datensätze und statistische Ausreißer zurück, auf Ihren numerischen Rohfeldern.
Pop-Search öffnen →Web-Analytics — Ihre Website, verstanden. Sofortige Zielgruppen-Segmente, In-Session-Conversion-Funnels, Fraud- & Bot-Erkennung und Journey-Muster über Ihre Web-Events.
Web-Pop öffnen →DOCX zu PDF / EPUB Konvertierung. Layout-Engine, Font-Einbettung, Tabellen, Bilder, Fußnoten. Upload, konvertieren, herunterladen — nichts wird gespeichert.
Doc-Pop öffnen →Dieselbe Engine, auf neue Aufgaben gerichtet. Gleicher Kern, neue Daten — weitere Produkte sind unterwegs.
So funktioniert's
Jedes Produkt teilt dieselben drei Schritte. Sie laden Ihre Daten; die Engine indiziert Ihre Felder; Sie fragen per HTTP ab — und es bleibt schnell auf einem kleinen 2-Core-/4 GB-Server.
Laden Sie Ihre Daten als normale Datensätze — JSON, CSV oder ein Event-Stream.
Die Engine indiziert Ihre numerischen und kategorialen Felder für schnelle Ähnlichkeits-, Bereichs-, Anomalie- und Muster-Abfragen.
Fragen Sie per HTTP ab und erhalten Sie interpretierbare Ergebnisse — Scores, die Sie lesen und erklären können.
Die Interna können wir noch nicht teilen. Kurzversion: deterministisch, interpretierbar und ohne Vektoren — und gebaut, um auch auf bescheidener Hardware schnell zu bleiben. Dies ist eine Beta, offen für öffentliche Tests des Algorithmus. Was Sie hier sehen, ist, was wir heute zeigen können; die Details folgen.
Warum anders
Die Werkzeuge, auf die man heute zugreift, wurden für eine andere Aufgabe gebaut.
| Vektordatenbank (Qdrant / Milvus) | Suchsystem (Elastic / Meili) | Postgres / SQL | Pop | |
|---|---|---|---|---|
| Braucht Embeddings? | Ja | pgvector: ja | pgvector: ja | Nein |
| Braucht Modell / GPU | Ja | Optional | Optional | Nein |
| Ähnlichkeit auf Zahlenfeldern | Über Vektoren | Nein | Hand-rolled SQL | Nativ |
| Anomalie-/Ausreißer-Erkennung | Nein | Nein | Hand-rolled | Nativ |
| Erkennung wiederkehrender Muster | Nein | Nein | Hand-rolled | Nativ |
| Interpretierbare Ergebnisse | Blackbox | Textrelevanz | Sie definieren | Ja |
| Läuft auf 2-Core / 4 GB | Schwer | Ja | Ja | Ja |
Hardware
Jedes Produkt ist ein einzelnes statisches Binary mit lokaler Datei-Persistenz. Es läuft problemlos auf einem kleinen VPS — der Art Box, die ein Dutzend kleine Dienste hostet — ohne JVM, ohne Cluster, ohne externe Datenbank und ohne GPU.
Das ist der Footprint pro Produkt — und es ist noch Platz für den Rest des Stacks.
Feedback