Gå til indhold

Unravel AI · København

Vi laver agentprodukter, forsker i robotlæring og udvikler AI-systemer for andre virksomheder.

Unravel er et AI-selskab i København. Vi laver Arvel og Blop selv og bruger det samme værktøj, når vi bygger systemer sammen med jeres team.

01 / Produkter

Det bygger vi selv.

Arvel

Agentautomatisering, der kører lokalt. Agenten skriver og kører selv de scripts, opgaven kræver, i stedet for faste RPA-blokke.

  • CLI, desktop og web på én motor
  • 19+ modeludbydere, også lokale
  • Headless exec til scripts og CI

StatusCLI og motor er i aktiv brug. Desktop og web er under udvikling. Tidlig adgang efter aftale.

Læs om Arvel

Blop

Observability for AI-agenter. Sessioner, værktøjskald og hukommelse for hver agent, et team kører, fra den trace, der fejler, til rettelsen.

  • Traces med agentens hukommelse direkte i hvert trin
  • Fejl samlet i issues med en ejer
  • Lokalt først, med en MCP-server

StatusBlop 0.9. Tidlig adgang. Demo efter aftale.

Læs om Blop

02 / Forskning

En robot-policy bliver ikke bedre end de erfaringer, den lærer af.

Vi vil bygge et loop, der tager udgangspunkt i verificerede fejl, opstiller en hypotese om den erfaring, der mangler, og skaffer netop den.

  • Datacentreret selvforbedring

    Tese, kerneloop, krav til påstande og stopregler er skrevet ned. Robotteknologi er det første felt.

    undersøges
  • ServoLoop

    Eksekveringsgrænsen, der hoster, journaliserer og sender trænede robot-policies videre. Policy-laget er på designstadiet.

    designes
  • Første kampagne

    En reproducerbar simulator-baseline og derefter budgetmatchet dataudvælgelse mod faste baselines.

    planlagt

Indtil videre strategi og designnoter. Der er ikke kørt eksperimenter.

ServoLoops eksekveringsgrænseEn agent sender en intention ind i ServoLoop. Inden for grænsen bliver intentionen journaliseret, holdt op mod grænser og sendt til en policy-host, der er trænet i simulation. Resultatet går tilbage til journalen. Ved et ukendt udfald stopper runtimen, og en operatør afklarer det.AGENTepisoder og genopretningOPERATØRafklarer ukendte udfaldSERVOLOOP · EKSEKVERINGSGRÆNSE01journaliserer intentionen02håndhæver grænser03sender til policy-hostintentukendt udfald: stoppolicy_runPOLICY-HOSTtrænet i simulationresultatServoLoops eksekveringsgrænseEn agent sender en intention ind i ServoLoop. Inden for grænsen bliver intentionen journaliseret, holdt op mod grænser og sendt til en policy-host, der er trænet i simulation. Resultatet går tilbage til journalen. Ved et ukendt udfald stopper runtimen, og en operatør afklarer det.AGENTorkestrererOPERATØRafklarerintentSERVOLOOP01journaliserer intentionen02håndhæver grænser03sender til policy-hostukendt udfald: stoppolicy_runPOLICY-HOSTtrænet i simulationresultat
  • intent

    Agenter orkestrerer episoder og genopretning. De sender aldrig ledpositioner.

  • journal

    Hver intention journaliseres, før dens sideeffekt sker.

  • grænser

    Hvert policy_run-kald overholder et antal episoder, et vægur, et hastighedsloft og et leddelta.

  • stop

    Ved et ukendt udfald stopper runtimen, indtil en operatør har afklaret posten.

Tegnet efter designnoterne. Policy-laget er på designstadiet; intet i figuren er kørt endnu.

03 / Ydelser

Det kan I hyre os til.

Robotter er forskningens nuværende satsning, ikke grænsen for det arbejde, vi tager ind. Vi påtager os alle former for arbejde med reinforcement learning og med systemer, der efterlader traces.

  1. 01

    LLM-harnesses og evaluering

    Agent-loops, værktøjskald, graders og eval-suiter, der kører regressionstest mod rigtige modeller.

    Vi bygger harnessen sammen med jeres team og efterlader den i jeres repo, så I kan køre den uden os.

  2. 02

    Trace-analyse og observability

    Agent- og RL-systemer instrumenteret, så en kørsel kan læses bagefter: event-strømme, span-opsamling, replay og fejltaksonomier.

    Vi starter med de kørsler, der allerede fejler, og bygger dashboards, der svarer på, hvorfor de fejlede.

  3. 03

    Reinforcement learning på egne data

    Policy-arbejde, hvor flaskehalsen er erfaring, ikke modelstørrelse.

    Robotter er ét tilfælde. Det samme loop gælder for simulatorer, planlægningssystemer, styresystemer og enhver pipeline, der efterlader traces.

  4. 04

    Data-indsamling og pipelines

    Crawlere, scrapere og indsamlere, der bliver ved med at køre.

    Med skemaer, deduplikering og proveniens, så I ved, hvor hver række kommer fra.

Arbejdet med trace-analyse og evaluering bygger på Blop, og arbejdet med harnesses og automatisering bygger på Arvel.

04 / Forløbet

Sådan forløber et samarbejde.

  1. 01

    Skriv til os eller book et møde. Vi svarer normalt inden for to arbejdsdage.

  2. 02

    Et første møde på 30 minutter om arbejdet, jeres data og det, der skal blive bedre.

  3. 03

    Sammen afgrænser vi ét første skridt, der kan måles.

  4. 04

    Efter mødet får I et kort, skriftligt forslag med omfang og pris, og I beslutter, om vi går i gang.

05 / Hvem vi er

Et lille selskab i København.

Unravel AI er et dansk selskab med base i København. Forskningen drives af et agentteam med en menneskelig ejer, der sætter retningen og gennemgår arbejdet. Alt, hvad vi påstår, skal kunne føres tilbage til et dateret dokument.

Sted
København, Danmark
CVR
42265039

06 / Kontakt

Kom med et problem, der er værd at måle.

Vi arbejder, som vi gør i laboratoriet: små skridt, der kan måles, og software, som jeres team selv kan eje.

info@uai.dk

Fortæl os om arbejdet

Udfyld dette felt.
Udfyld dette felt.
Skriv en gyldig e-mailadresse.
Udfyld dette felt.
Udfyld dette felt.