---
title: "Minerva Architektur"
url: "https://docs.noreja.com/de/article/minerva-architektur"
language: "de"
last_updated: "2026-02-28T11:47:10.144Z"
---

# Minerva Architektur

Die Architektur von Minerva vereint Flexibilität, Sicherheit und intelligente Orchestrierung in einem integrierten KI-Framework für Process Intelligence. Nahtlos in die Noreja-Plattform eingebettet, verbindet Minerva Benutzerinteraktionen, strukturierte Wissensgraphen und konfigurierbare Large Language Models – sowohl On-Premise als auch Cloud-basiert – in einem kontrollierten und auditierbaren Datenfluss. Mit modularer Modellintegration, strengen Datenschutzmechanismen, Unterstützung für Embeddings und Re-Ranking sowie Ausrichtung an den Anforderungen des EU AI Act bietet Minerva eine skalierbare, kontextbewusste und regelkonforme KI-Schicht für modernes Process Mining und datengetriebene Entscheidungsunterstützung.

## Allgemeines

In diesem Artikel findest du eine klare Übersicht zur Systemarchitektur von Minerva, eine Darstellung der unterstützten KI-Modelle (einschließlich On-Premise- und Drittanbieter-Optionen), die Voraussetzungen für die Integration eines eigenen Modells, einen schrittweisen Einblick in den internen Datenfluss, veranschaulichende Anwendungsfälle zur Verbesserung von Process-Mining-Workflows durch Minerva sowie eine kompakte Zusammenfassung zur EU AI Act-Konformität.

## Architektur

Die folgende Grafik zeigt die übergeordnete Architektur unseres KI-Assistenten Minerva, der nahtlos in die Noreja-Plattform integriert ist. Diese Darstellung hilft dir, den Datenfluss im System zu verstehen und wie unsere KI-Funktionen mit deinen Daten interagieren – stets unter Wahrung deiner Datenschutzvorgaben und Kontrolle.

![Minerva Architektur](https://cdn-assets.productfruits.com/8e9e2b7d-f12c-44e5-80bb-5a63e3e5e942)

### Zentrale Komponenten

#### **Frontend**: 

Die Benutzeroberfläche zur Interaktion mit der Noreja-Plattform und Minerva.

#### **Noreja Services**: 

Interne Dienste für Konfiguration, Datenzugriff und KI-Orchestrierung:

-   **User-Settings:** Verwalten nutzerspezifischer Einstellungen (gesichert, kundenspezifisch gespeichert)
-   **Graph-Reader:** Greift auf Prozess-, zentrale und kundenindividuelle Wissensgraphen zu
-   **Minerva:** Der zentrale KI-Orchestrierungsdienst, der alle Komponenten anspricht und analysiert, wie Daten für deine Anfrage verarbeitet werden

#### **Source Graphs**:

Minerva greift auf drei Arten von Graphen zu:

-   **Process Graph:** Prozessdaten
-   **Central Knowledge Graph:** Geteiltes Domänenwissen
-   **Customer Knowledge Graph:** Kontextspezifische Informationen deines Unternehmens

**Modell-Integration (LLM-Schicht)**:

Je nach deinen Präferenzen kann Minerva mit verschiedenen Large Language Models (LLMs) verbunden werden:

-   **Noreja-gehostete LLMs:** z. B. Qwen, Gemma
-   **Externe LLMs:** z. B. OpenAI oder ein **eigenes On-Prem-Modell**

### Datenschutz und Sicherheit

Deine Daten verlassen das Noreja-Netzwerk *niemals*, es sei denn, du hast dies explizit konfiguriert. Alle KI-Antworten basieren auf Zugriffskontrollen und Kontextinformationen deiner Umgebung. Du bestimmst, ob eine Anfrage an externe LLMs oder lokal verarbeitet wird.

* * *

### Verfügbare und geplante Modelle

**On-Premise**

| Modellname | Anbieter | Herkunftsland |
| --- | --- | --- |
| Qwen3 | Alibaba | China |
| Gemma | Alphabet | USA |
| Mistral | Mistral AI | France |

 **Cloud**

| Modellname | Anbieter | Herkunftsland |
| --- | --- | --- |
| GPT 5.2 | OpenAI | USA |
| GPT o5-mini | OpenAI | USA |
| ChatGPT 4o | OpenAI | USA |
| ChatGPT 4-turbo | OpenAI | USA |
| ChatGPT 4 | OpenAI | USA |
| ChatGPT 3.5-turbo | OpenAI | USA |
| ChatGPT o4-mini | OpenAI | USA |

### Embedding-Modell im Einsatz:

`*multilingual-e5-embedding*:` 

Leistungsstarkes, mehrsprachiges Modell für Vektor-Representationen

### Google Gemini (Cloud)

-   **Verfügbarkeit**: Gemini-Modelle sind ausschließlich als Cloud-Services verfügbar, ähnlich wie die Angebote von OpenAI.
-   **Open-Source-Alternativen**: Zusätzlich zu Gemini stellt Google auch Open-Source-Modelle bereit, die wir für den On-Premise- oder hybriden Einsatz evaluieren können.
-   **Überlegungen**: Aufgrund von Anforderungen an Datenresidenz, Latenz und Kosten wird Gemini nur für ausgewählte Anwendungsfälle in Betracht gezogen, bei denen eine cloudbasierte Inferenz akzeptabel ist.

### Geplante Modelle für zukünftige Nutzung

-   **Embedding-Modell (geplant):**  
    `*Qwen3-Embedding:8b*` oder ein vergleichbares Modell  
    Ein großskaliges Embedding-Modell mit verbesserter semantischer Genauigkeit – insbesondere in domänenspezifischen Kontexten.
-   **Re-Ranking-Modell (geplant):**  
    `*Qwen3-ReRanker:8b*` oder ein vergleichbares Modell  
    Wird verwendet, um semantische Suchergebnisse neu zu bewerten und die Relevanz sowie kontextuelle Präzision nach dem initialen Embedding-basierten Abruf zu erhöhen.

### Integrationsanforderungen für Modelle

**Inference (Antwortgenerierung)**

Zur Integration eines eigenen Inference-Modells sind folgende Fähigkeiten notwendig:

-   **Chain-of-Thought Reasoning:** Unterstützung für schrittweises, transparentes Denken
-   **Strukturierter Output:** Fähigkeit, strukturierte Formate wie JSON oder vordefinierte Schemata auszugeben
-   **Tool-Calling-Fähigkeit:** Unterstützung für den Aufruf externer Tools/Dienste
-   **MCP-Kompatibilität:** Kompatibel mit unserem Model Control Protocol für einheitliche Ein-/Ausgaben
-   **Deployment-Optionen:**
-   **On-Premise:** Bereitstellung über HuggingFace (z. B. über HuggingFace Hub)
-   **Cloud:** Integration über Spring AI für Cloud-Deployment

#### **Embedding- & Re-Ranker-Modelle**

Technische Anforderungen zur Integration:

-   **Maximaler VRAM-Bedarf:** 7 GB
-   **Kontextfenster:** Mindestens 1.000 Tokens
-   **Sprachen:** Unterstützung von Deutsch und Englisch
-   **Tokenizer-Kompatibilität:** Idealerweise identisch mit dem des Inference-Modells (z. B. Qwen + Qwen)

#### **LoRA-Support (Low-Rank Adapters)**

Low-Rank Adapters (LoRAs) können trainiert und in On-Premise-Modelle integriert werden, um das Modellverhalten gezielt anzupassen und die Qualität der generierten Antworten zu verbessern.

-   **Zweck:** LoRAs ermöglichen eine leichtgewichtige Modellanpassung und machen es möglich, domänenspezifisches Wissen zu integrieren, ohne das gesamte Modell neu trainieren zu müssen.  
    **Einsatzstatus:** Aktuell sind noch keine LoRAs produktiv im Einsatz. Wir entwickeln jedoch aktiv LoRA-Komponenten für ausgewählte Teile des Workflows.  
    **Auswirkung:** On-Premise-Modelle können langfristig bessere Ergebnisse liefern als Cloud-Modelle – insbesondere in Bereichen, in denen spezialisiertes Fachwissen entscheidend ist.  
    **Begründung:** Die Anwendungsfälle unseres KI-Systems sind stark domänenspezifisch. Um dem gerecht zu werden, verfeinern wir gezielt bestimmte Modellschichten mithilfe von LoRAs, um Genauigkeit, Kontextverständnis und Relevanz zu steigern

* * *

### Anwendungsfälle (Use Cases)

**Use Case 1: Dokumentationshilfe on Demand**  
Ein Nutzer hat eine Frage zu einem beliebigen Feature der Noreja-Plattform – z. B. zur Dashboard-Konfiguration, zu Filtereinstellungen oder Begriffserklärungen. Er öffnet einfach den Minerva-Chat und stellt seine Frage. Minerva ruft sofort die relevanten Abschnitte aus der Dokumentation ab, erklärt die Funktion Schritt für Schritt und verlinkt bei Bedarf zu weiterführenden Ressourcen – so ist jedes benötigte Wissen nur eine Chatnachricht entfernt.

**Use Case 2: Kontextuelle Prozessanalyse**  
Während der Analyse eines bestimmten Prozessabschnitts im Analyzer erkennt der Nutzer einen unerwarteten Engpass. Er aktiviert Minerva direkt in dieser Ansicht und fragt: „Was passiert hier?“ Minerva analysiert die Daten, weist auf Anomalien hin (z. B. erhöhte Durchlaufzeiten) und unterstützt den Nutzer dabei, die Ursachen interaktiv zu identifizieren – alles direkt innerhalb der Analyzer-Oberfläche.

**Use Case 3: Optimierungsempfehlungen**  
Nach Abschluss eines Prozessdurchlaufs fragt der Nutzer: „Wie können wir das beschleunigen?“ Minerva nutzt historische Leistungsdaten und Best-Practice-Muster, um gezielte Verbesserungen vorzuschlagen – z. B. durch Aufgabenverlagerung, Parallelisierung von Schritten oder Anpassung von Schwellenwerten –, abgestimmt auf das individuelle Prozessmodell und die betrieblichen Rahmenbedingungen.

**Use Case 4: Kontextbasierte Prozesseinblicke**  
Ein Kunde hat kontextbezogene Informationen – wie Service Level Agreements, Verfügbarkeiten von Ressourcen oder externe Rahmenbedingungen – in seinen Knowledge Graph integriert. Bei einer Analyseanfrage berücksichtigt Minerva diese kontextuellen Daten automatisch und liefert eine Prozesseinschätzung, die reale Gegebenheiten widerspiegelt. So sind Empfehlungen und Anomalie-Erkennung stets auf die tatsächliche Betriebssituation abgestimmt.

* * *

## EU AI Act Konformität

Im Rahmen unseres Engagements für Transparenz und Datenschutz möchten wir einen kurzen Überblick darüber geben, wie unser KI-Assistent Minerva den Anforderungen der EU-Verordnung über Künstliche Intelligenz (**EU AI Act**) entspricht.

### Einstufung gemäß EU AI Act

Noreja ist ein **Mikro-Unternehmen** (weniger als 10 Mitarbeitende, Jahresumsatz unter 2 Millionen Euro). Dadurch gelten für uns vereinfachte Regelungen im Sinne des EU AI Act – mit verlängerten Fristen und reduziertem Verwaltungsaufwand. Dennoch setzen wir die grundlegenden Prinzipien der Verordnung proaktiv um.

### Art der KI-Nutzung

Minerva ist als **Entscheidungsunterstützungssystem** innerhalb der Noreja-Plattform konzipiert. Es unterstützt Nutzer bei der Analyse komplexer Prozessdaten durch kontextbewusste Hinweise und Empfehlungen. Es trifft **keine automatisierten Entscheidungen mit rechtlicher oder ähnlich weitreichender Wirkung**.

Daher fällt Minerva **nicht in die Kategorie "Hochrisiko-KI-Systeme"** gemäß EU AI Act.

### Datenverarbeitung und Nutzerkontrolle

**Datenzugriff**  
Minerva verarbeitet ausschließlich vom Kunden bereitgestellte Daten, darunter:

-   Kontextuelle Metadaten zu Prozessschritten
-   Analyserelevante Datenbankinhalte

Die Art und Sensitivität der Daten hängt von der konkreten Kundeneinbindung ab.

### **Modellwahl und Kontrolle**

Kunden haben vollständige Kontrolle über das verwendete Modell:

Auswahl zwischen **Noreja-eigenen Modellen**, externen Anbietern wie **OpenAI** oder eigenen **On-Premise-LLM-Modellen.**

Sämtliche Anfragen und Modellinteraktionen werden protokolliert und sind nachvollziehbar

### **Transparenz bei externer Verarbeitung**

Wird ein externes Modell (z. B. OpenAI) gewählt, erfolgt eine Datenübertragung nur nach ausdrücklicher Konfiguration durch den Kunden außerhalb des Noreja-Netzwerks.

**Kein standardmäßiger Transfer personenbezogener Daten**  
Persönliche Daten werden nicht automatisch an externe Anbieter übermittelt – dies geschieht nur mit ausdrücklicher Zustimmung.

### Data Processing Agreement (DPA)

Wir bieten unsere Datenverarbeitung auf Basis eines transparenten Service-Modells an. Ein formelles **Data Processing Agreement (DPA)** wird aktuell vorbereitet und allen Kunden zur Verfügung gestellt. Es regelt unter anderem:

-   Verantwortlichkeiten bei der Datenverarbeitung
-   Einbindung von Subprozessoren
-   Bedingungen zur Nutzung von LLMs (inkl. Drittanbietern)