Unsere Lösungen

Data In Motion entwickelt modulare, modellgetriebene Open-Source-Softwarelösungen für Organisationen mit komplexen Anforderungen in den Bereichen Governance, Compliance und Datenintegration — konzipiert für die Integration in bestehende Systemlandschaften, nicht für deren Ablösung. Automatisierung beschleunigt repetitive und fehleranfällige Arbeitsschritte; entscheidende Personen behalten die volle Kontrolle über jeden wesentlichen Schritt.

Data Governance & Compliance Plattform

Regulatorische Anforderungen wie DSGVO, ISO 27001, KRITIS, CRA, EU-KI-Act und DORA sind nur dann beherrschbar, wenn eine Organisation ihr eigenes Datenökosystem tatsächlich kennt. Unsere Plattform kartographiert bestehende Schemata, Systeme und Prozesse als berechenbare Modelle — ohne Quellsysteme zu migrieren oder zu verändern. Compliance-Regeln werden formal kodiert, nicht als Dokumente abgelegt, und ermöglichen so automatisierte Prüfungen über die gesamte Organisation hinweg. Wenn das System einen Befund identifiziert — fehlende Verschlüsselung, nicht deklarierte personenbezogene Daten, eine Lücke gemäß BCBS 239 — liefert es das Ergebnis mit vollständigen Belegen; die verantwortliche Person entscheidet über die Abhilfemaßnahme und genehmigt die Lösung. Die vollständige Kette — automatisierte Erkennung, menschliche Entscheidung, Freigabe und Neuvalidierung — wird in einem manipulationssicheren Audit-Trail festgehalten und liefert Prüfenden und Behörden jederzeit nachvollziehbare, zitierfähige Nachweise.

Data & Infrastructure Command Graph

Das eigene Daten- und Systemportfolio zu kennen ist Voraussetzung für nahezu jede IT-Initiative: Migrationen, Integrationen, das Onboarding neuer Dienste, Lieferantenbewertungen oder Systemkonsolidierungen. Unser Command Graph erschließt bestehende IT- und Dateninfrastrukturen automatisiert durch Reverse Engineering aus laufenden Systemen — Oracle, SAP HANA, PostgreSQL, SQL Server, DB2 via JDBC, XSD, JSON Schema, OpenAPI, SOAP/WSDL — und erzeugt daraus ein verbundenes, abfragbares Modell der Abhängigkeiten zwischen Schemata und Systemen. Das Ergebnis ist eine kontinuierlich aktualisierte Abbildung der tatsächlichen IT-Landschaft — kein Diagramm, das mit der ersten Änderung bereits veraltet. Architekturteams nutzen sie, um Systemabhängigkeiten vor einer Migration zu verstehen; Integrationsteams, um die richtige Datenquelle für einen neuen Dienst zu finden; Data-Quality-Teams, um ein Feld von seiner Quelle bis zu jedem nachgelagerten Konsumenten zurückzuverfolgen. Extraktion und Modellierung laufen automatisiert im großen Maßstab — und geben Team-Leads, Administrator:innen und Führungskräften vollständigen, fundierten Einblick in ihre Ressourcen.

Evidence-Based RAG & KI-Integration

Sprachmodelle sind nur so verlässlich wie die Informationen, auf die sie zugreifen — und allgemeines Retrieval reicht für wissensintensive Domänen selten aus. Unsere MCP-Server-Lösung stellt den gesamten Wissensbestand einer Organisation — Geschäfts- und Forschungsberichte, Governance-Modelle, Datenherkunft, technische Dokumentation, fachspezifische Schemata und Audit-Historie — als strukturierte, typisierte Werkzeuge für beliebige LLMs bereit (Claude, OpenAI, Gemini oder selbst gehostet). Anders als generisches Dokumenten-RAG (Retrieval Augmented Generation) werden Antworten auf formal typisierte Modelle gestützt, was die Kombination von statischem Domänenwissen mit aktuellem Betriebszustand ermöglicht — für Fragen wie: „Welche unserer registrierten Datenquellen erfüllt die Aufbewahrungsanforderungen für diesen neuen Reporting-Workflow?” Anwendungsfelder reichen von regulatorischer Dokumentenanalyse (mit konkreten Artikelnummern und Seitenverweisen statt Paraphrasen) über technisches Onboarding (Entwicklerinnen und Entwickler fragen die Modellregistrierung nach vorhandenen Schemata, bevor sie einen neuen Konnektor bauen) bis zur geopolitischen Trendanalyse mit strukturierten, beleggestützten Reports. Alle KI-generierten Inhalte durchlaufen denselben Freigabe-Workflow wie jede manuelle Änderung — jede Ausgabe ist damit nachvollziehbar und durch eine verantwortliche Person revisierbar, bevor sie wirksam wird.

Urban & Smart City Datenplattform

Städte und urbane Betreibende verarbeiten Sensordaten, Verkehrssysteme, Umweltmonitoring und abteilungsübergreifende Prozessdaten aus Dutzenden heterogener Quellen — IoT-Geräte, kommunale Datenbanken, proprietäre Anbietersysteme und Drittanbieter-Feeds. Unsere Urban Data Platform integriert diese Datenflüsse in einen einzigen modularen Datenhub — herstellerunabhängig, ohne neue Abhängigkeiten, und durch konsequente Schemamodellierung ohne Datensilos. Gebaut auf Eclipse sensiNact (IoT-Broker mit nativer Unterstützung für LoRa, MQTT, NGSI, CoAP und viele weitere Protokolle), Eclipse Daanse (OLAP/BI-Schicht) und unserem Model Atlas, sind bitemporale Versionierung und Privacy-by-Design von Grund auf integriert. Die Plattform skaliert von der Sensorebene bis zum stadtweiten Analytik-Reporting; zusätzliche Dienste — DCAT-Registrierungen, Dokumentendienste, Dashboards — lassen sich modular ergänzen, ohne den Kern umzustrukturieren.

Alle Lösungen basieren auf Open-Source-Komponenten, die von Data In Motion aktiv entwickelt und gepflegt werden. Das zugrundeliegende Entwicklungsprinzip — Modularität, offene Standards und Kombinierbarkeit — ermöglicht es, einzelne Komponenten unabhängig einzusetzen oder bedarfsgerecht zu kombinieren: ohne Architekturzwänge, ohne Herstellerabhängigkeit.

Technologiebasis

Model Atlas

Das folgende Demo zeigt den Model Atlas-Datenfluss — von der Schema-Erfassung aus verschiedenen Quellformaten bis zur Modellregistrierung und der nachgelagerten Verteilung an verbundene Anwendungen.

Unsere Model Atlas-Technologie bietet ein universelles, modulares und erweiterbares Framework für das Datenmanagement. Sein Kernstück ist eine leistungsstarke Reihe von Tools für die Modellerstellung und -erfassung. Wir nutzen KI, um Modelle aus verschiedenen Eingabeformaten zu generieren, lesen Modelle direkt aus SQL-Schema-Beschreibungen aus und importieren sie aus Standards wie JSON-Schema, XSD und OpenAPI. Diese Flexibilität macht den Model Atlas zur Kernkomponente für die reibungslose Verbindung von Daten aus verschiedenen Quellen mit verteilten Anwendungen.

Kernfunktionen:

• Webbasierte EMF-Modellregistrierung und Mandantenfähigkeit
• Erweiterbare Governance-Analyse und -Validierung
• Austauschbare Modellausgabeformate (XMI, XSD, Json-Schematics)
• Automatische Dokumentationserstellung (PlantUML, ODS usw.)
• DCAT/RDF-Unterstützung für Open-Data- oder Datenraum-Registrierungen
• Client-Adapter für die Modellerkennung (EMF Java, TypeScript, Python)

Die Adapter-Ebene

Der Model Atlas lässt sich in nahezu jede verteilte Softwarearchitektur integrieren. Die Adapter- und Codec-Bibliothek deckt folgende Konnektivitätskategorien ab, sodass bestehende Systemlandschaften ohne Middleware-Austausch angebunden werden können:

• Datenbanken: Relationale Datenbanken (über JDBC), MongoDB
• Messaging & Streaming: Apache Kafka, Apache Camel
• Speicherung und Suche: S3/Minio, Apache Lucene
• APIs: Volle Integration für REST mit Jakarta RESTful Web Services (wir arbeiten derzeit an einem generischen OpenAPI-Client)
• IoT: Volle Integration in den sensiNact IoT Broker
• Transformation und Serialisierung: Leistungsstarke Transformationsadapter (QVT) und ein hochgradig anpassungsfähiger Codec auf Basis von Jackson für zahlreiche Serialisierungsformate

SensiNact: IoT-Integrationsbroker

Eclipse sensiNact ist ein Open-Source-IoT-Broker, der heterogene Gerätezugriffe, Daten und Metadaten in ein einheitliches Informationsmodell überführt — und so intelligente Anwendungen ermöglicht, die IoT-Geräte unabhängig von ihrer zugrunde liegenden Technologie verwalten und abfragen können. Data In Motion ist aktiver Contributor des Projekts und bietet Entwicklungsdienstleistungen einschließlich benutzendendefinierter Protokolladapter an.

• Protokollbreite: Native Unterstützung für LoRa, Zigbee, IEEE 802.15.4, Sigfox, enOcean, MQTT, XMPP, NGSI, HTTP, CoAP und viele weitere. Neue Protokolle lassen sich dynamisch zur Laufzeit hinzufügen — ohne Unterbrechung des Betriebs.
• Stufenlos deploybar: Läuft als leichtgewichtiger Edge-Node, lokaler Gateway oder cloud-seitige Integrationskomponente — hält die Datenverarbeitung nah an der Quelle und verbindet übergeordnete Systeme über OGC SensorThings, REST oder WebSocket northbound APIs.
• Formale Daten- und Servicemodelle: Die EMF-basierte Provider-Service-Resource-Hierarchie ermöglicht die zuverlässige Entwicklung von Adaptern für Nischenprotokolle und garantiert Konsistenz über heterogene IoT-Umgebungen hinweg.

SensiNact Projektseite

Policy & Governance Engine

Das Herzstück unserer Analysefunktionen ist eine leistungsstarke Governance-Engine. Sie hat ihren Ursprung in unserem bewährten Model-Driven Privacy Analyzing Tool (MPAT), hat sich jedoch zu einer vielseitigen Lösung für die Durchsetzung einer Vielzahl von Richtlinien weiterentwickelt.

Die Engine arbeitet sowohl auf Modellebene (Designanalyse von Schemata) als auch auf Instanzebene (Liveanalyse von tatsächlichen Daten). Die Parameter sind nicht statisch codiert, sondern flexibel in anpassbaren „Policy Packs” definiert (z. B. für DSGVO, ISO 27001, EU-KI-Act, Cyber-Resilience-Act, ESG-Reporting Frameworks), was eine individuelle und erweiterbare Governance ermöglicht. Darüber hinaus kann die Engine Richtlinien anhand der Eigenschaften Ihrer Infrastrukturkomponenten (Assets) validieren und so sicherstellen, dass die technische Realität mit den regulatorischen Anforderungen übereinstimmt.

Analysieprozess auf Modellebene (Schemaanalyse)

Analyseprozess auf Instanzebene (Datenanalyse)

Digitaler Notar

Der digitale Notar ist eine Schlüsselkomponente für die Schaffung von validiertem Vertrauen in digitale Prozesse. Basierend auf Blockchain-Technologie bietet er ein manipulationssicheres, unveränderliches Protokoll aller governance-bezogenen Ereignisse. Jede Aktion – von der Genehmigung eines Datenmodells durch einen Data Steward bis zum Ergebnis einer automatisierten Compliance-Prüfung – wird kryptografisch versiegelt und verkettet. So entsteht ein vollständiger und vertrauenswürdiger Prüfpfad, der jederzeit gegenüber Wirtschaftsprüfenden oder Aufsichtsbehörden vorgelegt werden kann und den schlüssigen Nachweis liefert, dass alle definierten Prozesse und Richtlinien eingehalten wurden.

MCP-Server & KI-Integrationsschicht

Der MCP-Server (Model Context Protocol) stellt den gesamten im Model Atlas gehaltenen Wissensbestand — Governance-Modelle, Datenherkunft, technische Dokumentation, fachspezifische Schemata, regulatorische Dokumente und Audit-Historie — als strukturierte, typisierte Tool-Endpunkte bereit, die von beliebigen LLMs aufgerufen werden können. Anders als bei generischem Dokumenten-Retrieval sind die Antworten auf formal typisierte Ecore-Modelle gestützt, was Abfragen ermöglicht, die statisches Domänenwissen mit aktuellem Betriebszustand kombinieren.

Technische Integrationspunkte:

• Dokumentenerfassung: Apache Tika (PDF, Word, Confluence, HTML, Plaintext)
• Embeddings: Voyage-AI (1024 Dimensionen), auf alternative Anbieter umstellbar
• Vektorsuche: Lucene KNN-Indexierung — dieselbe Suchmaschine wie die Modellregistrierung; keine zusätzliche Vektordatenbank erforderlich
• Protokoll: Model Context Protocol (offener Standard); getestet mit Claude, OpenAI-kompatiblen APIs, Gemini und selbst gehosteten Modellen (Ollama, vLLM)
• Zugriffskontrolle: Tool-Endpunkte respektieren dieselben Keycloak-RBAC-Richtlinien wie die REST-API — eine LLM-Session operiert innerhalb der Berechtigungen der authentifizierten Person
• Nachvollziehbarkeit: Alle KI-generierten Ausgaben können vor Wirksamwerden durch den Standard-Governance-Workflow geleitet werden, mit vollständigem Audit-Trail über den Digitalen Notar

Im Einsatz

Ausgewählte Beispiele, in denen unsere Technologie produktiv im Einsatz ist. Mehrere davon entstanden in Jena — unserem Firmensitz und einer Stadt, deren digitale Infrastruktur wir als Unternehmen wie als Bewohnende aktiv mitgestalten.

Integration von Umweltsensordaten + Modell-UI

Dieses Demo zeigt das No-Code-Dashboard für Umweltsensoren — vom LoRaWAN-Gerät bis zur konfigurierbaren Visualisierungsschicht, integriert per Plug-and-Play.

Wir bieten eine einsatzbereite Konfiguration für die Integration, Verwaltung und ein benutzerfreundliches Analyse-Dashboard, mit dem Sensordaten in einer hochgradig anpassbaren, no-code Oberfläche visualisiert werden können. Das Beispiel zeigt die Anpassungsmöglichkeiten des Dashboards mit mehreren Bodenfeuchtesensoren, die per Plug&Play hinzugefügt und integriert werden können.

Intelligentes Verkehrsdatensystem

Dieses Demo zeigt das TraffiCam-System, das Ampelphasen und Sensoreingaben einer realen Kreuzung in Echtzeit erfasst und als strukturierten Datenstrom bereitstellt.

Mit unserem Signalerfassungssystem bieten wir eine Lösung für die Anbindung von Verkehrssignalanlagen an Smart-City-Infrastrukturen. Durch den Einsatz einer wartungsfreundlichen Hardware-Konfiguration machen wir Ampelphasen und Sensoreingaben in Echtzeit lesbar und übertragbar. Diese Lösung ermöglicht kommunalen Betreibenden den Zugriff auf monolithische Systeme, die häufig mit proprietärer Software ausgestattet sind. Die gesammelten Echtzeit-Verkehrsdaten können verwendet werden, um intelligente Schaltsysteme in die bestehende Infrastruktur zu simulieren (z.b. mit SUMO) oder implementieren, ohne dass neue Verkehrssteuerungstechnologie angeschafft werden muss. Durch die Verknüpfung dieser Daten mit Datenströmen aus anderen Quellen wie Verkehrskameras bieten wir eine umfassende Datensuite für die Echtzeit-Verkehrsüberwachung oder die Einführung intelligenter Verkehrssteuerungslösungen mit nahezu unbegrenzten Kombinationsmöglichkeiten für Anwendungsfälle.

Erkennung von Verkehrskonflikten

Dieses Demo zeigt das Echtzeit-Konflikterkennungssystem, das Signalanlagenzustand und Sensordaten kombiniert, um potenzielle Konflikte im Straßenverkehr vorherzusagen, bevor sie eintreten.

Unsere Technologie wird erfolgreich zur Bewältigung komplexer Echtzeit-Szenarien eingesetzt. Durch die Kombination von Daten aus verschiedenen Quellen (Sensoren, Signalanlagen) können wir potenzielle Konflikte im Straßenverkehr in Echtzeit vorhersagen – ein Anwendungsfall, der höchste Anforderungen an die Qualität, Sicherheit und Rückverfolgbarkeit von Echtzeitdaten stellt.

---

Mit uns arbeiten

Ob Ausgangspunkt Datenschutz und Compliance, IT-Transparenz, KI-Integration oder urbane Dateninfrastruktur — wir arbeiten mit Organisationen zusammen, um Lösungen auf Basis dieser Komponenten zu konzipieren und umzusetzen. Sprechen Sie uns an, um Ihren Anwendungsfall zu besprechen.