Cloud
Sofort starten, sofort skalieren
Nutze die volle Leistung von Lector als SaaS, immer auf dem neuesten Stand.
Für Entwickler und IT-Teams.
Dokumentation, Schnittstellen, Integrationen und Betrieb – alles, was du für die Anbindung von Lector brauchst, an einer Stelle.
Dokumentation
Nachlesenstatt nachfragen.
API-Dokumentation (öffnet in neuem Tab)
Schnittstellen für Entwickler
Produktdokumentation (öffnet in neuem Tab)
Das Handbuch für die Arbeit mit Lector
Changelog (öffnet in neuem Tab)
Was sich im Produkt geändert hat
Releases (öffnet in neuem Tab)
Release-Pakete für DevOps
Statusseite (öffnet in neuem Tab)
Verfügbarkeit der Lector Cloud
Integrationen
Lector integriert sichin deine Welt
Kein Systemwechsel. Kein Parallelbetrieb. Lector integriert sich in bestehende Infrastrukturen.
Eingang
- REST-API
- SFTP / Dateisystem
- Messaging / Webhook
- Eigene Apps
Klassifizieren · Extrahieren
Prüfen · Weiterleiten
Ausgang
- Webhook
- REST-API (Pull)
- DMS / ECM / Archiv
- ERP
- Datenbanken
- Cloud-Speicher
- RPA (UiPath, Power Automate)
Standard-Eingangskanäle und Webhook-Exporte
Einfache JSON-Strukturen für eine reibungslose Integration in deine Systeme
Gut dokumentierte Schnittstellen (OpenAPI) und Pull-Export per REST
Schnellstart
In drei Schrittenzum ersten Ergebnis.
Einfache Konfiguration
Dokumentklassen und Felder beschreiben, KI-Modell wählen, speichern.
Die KI übernimmt die Verarbeitung
Lector klassifiziert, extrahiert und prüft jedes eingehende Dokument.
Strukturierte Ergebnisse erhalten
Ergebnisse an den eigenen Dokumenten prüfen und die Beschreibung in kurzen Zyklen verfeinern.
Betrieb
Cloud, hybridoder im eigenen Rechenzentrum.
Für maximale Kontrolle bieten wir neben unserer Cloud-Lösung auch Hybrid- und On-Premise-Deployment an.
Hybrid
Das Beste aus beiden Welten
Nutze die Leistung modernster LLMs aus der Cloud und in der eigenen Infrastruktur.
On-Premise
Volle Kontrolle, volle Hoheit
Betreibe Lector in deinem eigenen Netzwerk mit maximaler Datensouveränität.
Systemvoraussetzungen On-Premise
Ein System mit Ubuntu, mindestens 16 CPU-Kernen (empfohlen 32+), mindestens 32 GB RAM (empfohlen 64 GB) und rund 1 TB Speicher. Für die KI-Verarbeitung ist eine GPU nötig, z. B. Nvidia H100 (80 GB) oder RTX 6000 Ada (48 GB).
Überwachung und Qualität
Jeder Verarbeitungsschritt ist nachvollziehbar: Lector führt eine unveränderbare Historie je Dokument (Audit-Trail), zeigt Dunkelverarbeitungsquoten je Dokumentklasse und liefert Nutzungsstatistiken für System- und KI-Komponenten. Konfidenzwerte werden bei bestimmten KI-Modellen angegeben. Kennzahlen lassen sich per GraphQL in dein eigenes Reporting ziehen, Systemmetriken per Prometheus überwachen. Für die Qualität selbst gibt es das Evaluation-Center: Einstellungen und Modelle auf echten Dokumenten vergleichen, bevor sie live gehen.
Beratung & Integration
Wir bauen deine Dokumentenfabrikmit auf.
Kein Self-Service-Projekt, das bei dir hängen bleibt: Unser Team richtet Dokumentklassen, Felder und die Anbindung an deine Systeme gemeinsam mit dir ein.