Artificial Intelligence Leistungen

Von der ersten Datenanalyse bis zum produktiven Modell: Hier finden Sie alle Dienstleistungen, die wir anbieten, und was jeweils enthalten ist.

Unsere Kernleistungen im Detail

KI-Strategieberatung

Bevor eine einzige Zeile Code geschrieben wird, klären wir gemeinsam, welches Geschäftsproblem gelöst werden soll. In einem zweitägigen Workshop mit Ihrem Führungsteam kartieren wir die vorhandenen Datenquellen, bewerten ihre Qualität und definieren messbare Erfolgskriterien. Am Ende steht ein Dokument mit priorisierten Anwendungsfällen, geschätztem ROI pro Anwendungsfall und einer realistischen Roadmap für die nächsten sechs bis zwölf Monate.

Typische Ergebnisse dieser Phase: Klarheit darüber, ob ein regelbasiertes System reicht oder ob tatsächlich maschinelles Lernen nötig ist. Manche Kunden sparen sich dadurch ein sechsstelliges Projekt, weil eine einfachere Lösung genügt.

Massgeschneiderte Modellentwicklung

Wir entwickeln Modelle für Klassifikation, Regression, Zeitreihenprognosen, Objekterkennung und natürliche Sprachverarbeitung. Die Wahl des Algorithmus richtet sich nach Ihren Daten und Ihrer Infrastruktur, nicht nach dem aktuellen Hype. Für tabellarische Daten setzen wir oft auf Gradient-Boosted Trees, weil sie schnell trainieren und gut interpretierbar sind. Bei Bild- oder Textdaten arbeiten wir mit vortrainierten Transformer-Architekturen und passen sie per Fine-Tuning an Ihren Anwendungsfall an.

Jedes Modell durchläuft eine Validierung mit gehaltenen Testdaten, bevor es in eine Staging-Umgebung geht. Wir dokumentieren alle Hyperparameter, die Trainingshistorie und die erreichten Metriken in einem Modellbericht, den Sie als PDF und als maschinenlesbares JSON erhalten.

Datenengineering und Pipelines

Gute Modelle brauchen gute Daten. Wir bauen ETL-Pipelines, die Rohdaten aus Ihren Quellsystemen extrahieren, bereinigen, transformieren und in einen Feature Store laden. Dabei verwenden wir Apache Airflow oder Prefect für die Orchestrierung und dbt für die Transformation. Die Pipelines laufen auf Ihrer bestehenden Cloud-Infrastruktur, ob AWS, Azure oder GCP.

Besonderer Fokus liegt auf Datenqualitätsprüfungen: Jede Pipeline enthält automatische Checks auf fehlende Werte, Ausreisser und Schemaveränderungen. Wenn ein Quellsystem plötzlich eine Spalte umbenennt, erfahren Sie das sofort per Alert und nicht erst, wenn das Modell falsche Vorhersagen liefert.

MLOps und Modellbetrieb

Deployment ist kein einmaliges Ereignis. Wir richten CI/CD-Pipelines ein, die Modelle automatisch testen, paketieren und auf Kubernetes oder serverlose Infrastruktur ausrollen. Dazu gehört ein Monitoring-Dashboard, das Vorhersageverteilungen, Latenzzeiten und Feature-Drift in Echtzeit anzeigt.

Wenn ein Modell an Genauigkeit verliert, löst das System ein automatisches Retraining mit frischen Daten aus. Sie können diesen Betrieb selbst übernehmen oder ihn an uns delegieren. Im zweiten Fall bieten wir SLAs mit garantierter Reaktionszeit von vier Stunden während der Geschäftszeiten.

Schulungen und Wissenstransfer

Wir möchten, dass Ihr Team die Systeme versteht, die wir bauen. Deshalb bieten wir zweitägige Workshops an, in denen Ihre Entwickler und Analysten lernen, Modelle zu evaluieren, Pipelines zu warten und Ergebnisse zu interpretieren. Die Schulung basiert auf Ihrem eigenen Projekt, nicht auf generischen Beispieldaten.

Für Führungskräfte ohne technischen Hintergrund gibt es ein separates Halbtagesformat: Was kann Artificial Intelligence in Ihrer Branche leisten, was nicht, und wie erkennen Sie, ob ein KI-Projekt auf Kurs ist?

Branchenerfahrung

Automatisiertes Pharmalabor

In der Pharmaindustrie haben wir Modelle zur Vorhersage von Wirkstoffstabilität entwickelt. Ein Kunde konnte dadurch die Anzahl physischer Stabilitätstests um 35 % reduzieren und die Time-to-Market für neue Formulierungen um mehrere Monate verkürzen.

Für einen Schweizer Logistiker betreiben wir ein Nachfrageprognosemodell, das die Auslastung der Fahrzeugflotte plant. Seit der Einführung im März 2023 sank die Leerfahrtenquote von 22 % auf 14 %.

Im Finanzsektor arbeiten wir mit zwei Banken an der automatisierten Erkennung verdächtiger Transaktionen. Unsere Modelle erreichen eine False-Positive-Rate von unter 5 %, was den Compliance-Teams mehrere hundert Stunden manueller Prüfung pro Quartal erspart.

Weitere Branchen, in denen wir Projekte umgesetzt haben: Einzelhandel, Versicherungen, Energieversorgung, Maschinenbau und öffentliche Verwaltung.

Technologien, mit denen wir arbeiten

Wir binden uns nicht an einen einzelnen Anbieter. Die Wahl der Werkzeuge richtet sich nach den Anforderungen des Projekts und der bestehenden Infrastruktur unserer Kunden.

Programmierung und Frameworks

Python ist unsere Hauptsprache. Für Machine Learning nutzen wir scikit-learn, XGBoost, LightGBM und PyTorch. NLP-Projekte setzen auf Hugging Face Transformers. Für Datenverarbeitung verwenden wir Pandas, Polars und PySpark, je nach Datenmenge.

Infrastruktur und Deployment

Modelle deployen wir als REST-APIs über FastAPI oder als Batch-Jobs auf Kubernetes. Für MLOps setzen wir MLflow zur Experimentverwaltung ein und Weights & Biases für das Tracking von Trainingsläufen. Infrastruktur provisionieren wir mit Terraform, damit alles reproduzierbar bleibt.

Haben Sie Fragen zu einer bestimmten Technologie? Kontaktieren Sie uns und wir besprechen, was für Ihr Projekt sinnvoll ist.