Pharma-Qualitätskontrolle
Visuelle Inspektion von Tablettenoberflächen. Das Modell erkennt 14 Fehlertypen und reduzierte die Ausschussrate um 38 % innerhalb von drei Monaten nach Deployment.
−38 % Ausschuss
Was wir konkret tun
Vier Kernbereiche, in denen wir KI nicht nur empfehlen, sondern selbst implementieren und betreiben.
Wir verbinden Ihre bestehenden Datenquellen, ob ERP, CRM oder IoT-Sensoren, und trainieren Modelle, die Muster erkennen, bevor sie offensichtlich werden. Ein typisches Projekt dauert acht bis zwölf Wochen vom Daten-Audit bis zum produktiven Dashboard. Sie erhalten nicht nur Vorhersagen, sondern verständliche Erklärungen, warum das Modell eine bestimmte Entscheidung trifft. Das ist entscheidend für regulierte Branchen wie Pharma oder Finanzdienstleistungen.
Technisch setzen wir auf Python-basierte Pipelines mit scikit-learn, XGBoost oder LightGBM, je nach Datenmenge und Latenzanforderung. Für Echtzeit-Scoring nutzen wir containerisierte Microservices auf Kubernetes.
Rechnungen, Verträge, Supporttickets: Dokumente fressen Zeit. Unsere NLP-Pipelines extrahieren relevante Felder, klassifizieren Inhalte und leiten sie automatisch weiter. Für einen Logistikdienstleister in Bern haben wir die manuelle Bearbeitung von Lieferscheinen von 14 Minuten pro Dokument auf unter 90 Sekunden reduziert.
Wir arbeiten mit Transformer-Architekturen, die wir auf Ihren spezifischen Wortschatz fine-tunen. Schweizerdeutsche Textfragmente? Kein Problem, wir haben eigene Trainingsdaten dafür aufgebaut.
Kameras an der Produktionslinie liefern Bilder. Unsere Modelle erkennen Kratzer, Risse, Farbabweichungen oder falsche Montage in Echtzeit. Die Fehlerquote sinkt, der Durchsatz steigt. Wir haben Systeme für Lebensmittelverpackung, Uhrenkomponenten und Metallverarbeitung gebaut.
Hardwareseitig beraten wir bei der Kamerawahl und Beleuchtung, denn das beste Modell scheitert an schlechten Bildern. Softwareseitig nutzen wir PyTorch und ONNX Runtime für Inferenz auf Edge-Geräten direkt in der Fabrikhalle.
Nicht jedes Unternehmen braucht sofort ein fertiges System. Manchmal ist der erste Schritt ein zweitägiger Workshop, in dem wir gemeinsam herausfinden, wo KI tatsächlich Wert schafft und wo sie nur Kosten verursacht. Wir bewerten Ihre Datenreife, identifizieren Quick Wins und erstellen eine Roadmap mit realistischen Zeitrahmen.
Diese Workshops halten wir vor Ort oder remote ab. Teilnehmer sind typischerweise Geschäftsleitung, IT-Leitung und zwei bis drei Fachpersonen aus dem Tagesgeschäft.
Vom Gespräch zum produktiven System
Unser Ablauf ist iterativ. Wir liefern nach vier Wochen einen ersten Prototyp, nicht nach sechs Monaten ein Konzeptpapier.
01
Daten-Audit
Wir schauen uns Ihre vorhandenen Daten an: Qualität, Menge, Zugänglichkeit. Dauer: ein bis zwei Wochen.
02
Prototyp
Ein funktionsfähiges Modell auf echten Daten. Sie sehen konkrete Ergebnisse und können bewerten, ob die Richtung stimmt.
03
Iteration
Feedback einarbeiten, Modell verfeinern, Integration in bestehende Systeme vorbereiten. Zwei bis vier Zyklen.
04
Betrieb
Deployment, Monitoring, Retraining-Pipeline. Wir übergeben an Ihr Team oder betreiben das System für Sie weiter.
Messbare Resultate
Drei Projekte aus dem letzten Jahr mit konkreten Zahlen.
Logistik-Routenoptimierung
Prädiktives Modell für Lieferzeitfenster. Die durchschnittliche Planungszeit pro Tour sank von 45 auf 12 Minuten. Treibstoffkosten sanken um 17 %.
−73 % Planungszeit
Support-Ticket-Klassifizierung
NLP-Modell, das eingehende Tickets automatisch priorisiert und der richtigen Abteilung zuweist. Erstantwortzeit sank von 4.2 Stunden auf 47 Minuten.
−81 % Erstantwortzeit
Häufig gestellte Fragen
Das hängt stark vom Umfang ab. Ein Daten-Audit mit Machbarkeitsstudie beginnt bei CHF 8'000. Ein vollständiges Projekt mit Deployment liegt erfahrungsgemäss zwischen CHF 40'000 und CHF 150'000. Wir erstellen nach dem Erstgespräch eine verbindliche Offerte mit klaren Meilensteinen.
Nicht unbedingt. Für manche Anwendungen reichen wenige hundert gelabelte Beispiele, besonders wenn wir vortrainierte Modelle als Basis verwenden. Im Daten-Audit bewerten wir, ob Ihre vorhandenen Daten ausreichen oder ob wir zuerst eine Sammelstrategie aufbauen müssen.
Standardmässig auf Servern in der Schweiz. Wir arbeiten mit Schweizer Cloud-Anbietern und können bei Bedarf auch On-Premise-Lösungen umsetzen. Für Kunden mit strengen Compliance-Anforderungen bieten wir air-gapped Umgebungen an.
Ja. Wir dokumentieren Code und Architektur ausführlich und schulen Ihr Team im Umgang mit den Modellen. Wenn Sie kein internes ML-Team haben, übernehmen wir den laufenden Betrieb im Rahmen eines Wartungsvertrags.
In der Regel vier Wochen nach Projektstart. Der Prototyp zeigt bereits echte Vorhersagen auf Ihren Daten. Das ist kein Mockup, sondern ein funktionsfähiges Modell, das wir gemeinsam evaluieren.
Lassen Sie uns über Ihr Projekt sprechen
Beschreiben Sie kurz, was Sie vorhaben. Wir melden uns innerhalb von zwei Arbeitstagen mit einer ersten Einschätzung.
878 Rämistrasse, 1700 Fribourg, Fribourg, Switzerland