Der Projektablauf in sechs Schritten
Die Gesamtdauer hängt von der Komplexität des Anwendungsfalls und der Datenqualität ab. Ein typisches Erstprojekt dauert zwischen zehn und achtzehn Wochen. Hier der Ablauf im Einzelnen:
Erstgespräch und Problemdefinition
In einem einstündigen Videocall oder Treffen in unserem Büro an der Uraniastrasse besprechen wir Ihr Geschäftsproblem. Wir stellen gezielte Fragen: Welche Daten haben Sie? Wo liegen sie? Wer trifft heute die Entscheidungen, die das Modell unterstützen soll? Am Ende dieses Gesprächs wissen beide Seiten, ob ein Artificial Intelligence Ansatz sinnvoll ist.
Falls ja, erhalten Sie innerhalb von fünf Arbeitstagen ein Kurzangebot mit Umfang, Zeitplan und Kosten.
Datenanalyse und Machbarkeitsprüfung
Wir erhalten Zugang zu Ihren Daten, entweder über eine sichere Verbindung oder als anonymisierten Export. Unsere Dateningenieure prüfen Volumen, Vollständigkeit, Konsistenz und Verteilung. Parallel erstellen wir ein erstes Baseline-Modell, um abzuschätzen, welche Genauigkeit realistisch erreichbar ist.
Das Ergebnis ist ein Machbarkeitsbericht: Er enthält eine Beschreibung der Datenqualität, die Baseline-Metriken und eine Empfehlung, ob und wie das Projekt weitergeführt werden sollte. Wenn die Daten nicht ausreichen, sagen wir das offen und schlagen vor, welche zusätzlichen Datenquellen helfen würden.
Feature Engineering und Modellentwicklung
Hier beginnt die eigentliche Modellarbeit. Wir transformieren Rohdaten in aussagekräftige Features, testen verschiedene Algorithmen und optimieren Hyperparameter. Jedes Experiment wird in MLflow protokolliert, sodass Sie jederzeit nachvollziehen können, welche Konfiguration zu welchem Ergebnis geführt hat.
Wöchentlich erhalten Sie einen kurzen Statusbericht per E-Mail mit den wichtigsten Metriken. Alle zwei Wochen findet ein halbstündiges Review statt, in dem wir Zwischenergebnisse zeigen und Feedback einholen. Dieses Feedback fliesst direkt in die nächste Iteration ein.
Validierung und Abnahme
Das fertige Modell testen wir auf einem gehaltenen Datensatz, den wir zu Beginn des Projekts separiert haben. Wir messen Genauigkeit, Präzision, Recall und bei Regressionsproblemen den mittleren absoluten Fehler. Die Ergebnisse vergleichen wir mit den im Machbarkeitsbericht definierten Zielwerten.
Wenn das Modell die Kriterien erfüllt, erstellen wir den Modellbericht und präsentieren die Ergebnisse Ihrem Team. Erfüllt es sie nicht, besprechen wir die Optionen: zusätzliche Daten, andere Modellarchitektur oder eine Anpassung der Zielwerte.
Deployment und Integration
Das validierte Modell verpacken wir in einen Docker-Container und deployen es auf Ihrer Infrastruktur. Wir richten eine REST-API ein, über die Ihre Anwendungen Vorhersagen abrufen können, oder integrieren das Modell als Batch-Job in Ihre bestehende Datenpipeline.
Gleichzeitig installieren wir ein Monitoring-Dashboard, das Vorhersageverteilungen, Antwortzeiten und Feature-Drift überwacht. Ihr IT-Team erhält eine Dokumentation mit Architekturdiagramm, API-Spezifikation und Runbook für den Betrieb.
Betrieb und kontinuierliche Verbesserung
Nach dem Go-Live überwachen wir das Modell in den ersten vier Wochen intensiv. Danach können Sie den Betrieb selbst übernehmen oder einen Wartungsvertrag mit uns abschliessen. Im Wartungsvertrag enthalten sind monatliche Performance-Reviews, automatisches Retraining bei Drift und ein Kontingent von acht Stunden für Anpassungen pro Monat.
Viele unserer Kunden nutzen diese Phase auch, um den nächsten Anwendungsfall zu starten. Da die Datenpipelines bereits stehen, geht das zweite Projekt oft deutlich schneller.
Ein konkretes Beispiel
Ein mittelgrosser Schweizer Online-Händler kam im September 2023 zu uns mit dem Problem, dass seine Retourenquote bei 28 % lag. Die Retouren verursachten jährlich Kosten von rund 1,2 Millionen Franken.
In der Datenanalyse stellten wir fest, dass die Retourenwahrscheinlichkeit stark mit der Produktkategorie, der Anzahl bestellter Grössen und dem Bestellzeitpunkt korrelierte. Innerhalb von zwölf Wochen entwickelten wir ein Klassifikationsmodell, das bei jeder Bestellung die Retourenwahrscheinlichkeit vorhersagt.
Der Händler nutzt diese Vorhersage, um bei Bestellungen mit hoher Retourenwahrscheinlichkeit gezielt Grössenberatung anzuzeigen. Seit Februar 2024 ist die Retourenquote auf 21 % gesunken. Das entspricht einer jährlichen Ersparnis von rund 300'000 Franken.
Häufige Fragen zum Ablauf
Haben Sie weitere Fragen? Schreiben Sie uns oder rufen Sie an unter +41 44 493 54 18.