Keine Demos, keine Buzzwords. Wir analysieren Ihre Daten, trainieren Modelle auf Ihre Prozesse und liefern Systeme, die ab Tag eins produktiv laufen. In Basel, für die Schweiz.
Erstgespräch vereinbaren
Jedes Projekt beginnt mit der Frage: Welche Entscheidung soll das Modell verbessern? Daraus leiten wir die passende Methode ab.
Bevor ein einziges Modell trainiert wird, prüfen wir Ihre vorhandenen Daten auf Qualität, Vollständigkeit und Bias. Wir dokumentieren Lücken, definieren Datenquellen und erstellen einen konkreten Plan, welche Datenpipelines aufgebaut werden müssen. Das dauert in der Regel zwei bis drei Wochen.
Wir trainieren überwachte und unüberwachte Modelle für Klassifikation, Regression und Anomalieerkennung. Jedes Modell wird gegen Ihre eigenen Testdaten validiert, nicht gegen synthetische Benchmarks. Typische Anwendungsfälle: Kundenabwanderung vorhersagen, Wartungsintervalle optimieren, Angebotspreise automatisch kalkulieren.
Verträge klassifizieren, Support-Tickets automatisch zuordnen, Stimmungsanalyse auf Kundenfeedback: Unsere NLP-Pipelines verarbeiten deutschsprachige Texte mit domänenspezifischen Vokabularen. Wir setzen auf Transformer-Architekturen und fine-tunen auf Ihren Korpus, damit Branchenjargon korrekt erkannt wird.
Qualitätskontrolle in der Fertigung, medizinische Bildanalyse oder automatische Dokumentenerkennung: Wir entwickeln Bilderkennungssysteme, die auf Ihren spezifischen Bilddaten trainiert sind. Die Modelle laufen wahlweise in der Cloud oder on-premise auf Ihren eigenen Servern.
Ein Modell, das nur im Notebook lebt, bringt keinen Umsatz. Wir integrieren trainierte Modelle als REST-APIs in Ihre bestehende Infrastruktur, bauen Monitoring-Dashboards und richten automatisches Retraining ein, damit die Vorhersagequalität über die Zeit stabil bleibt.
Ihr internes Team soll verstehen, was das Modell tut und wie es gewartet wird. Wir bieten zweitägige Workshops für Entwickler und halbtägige Briefings für Entscheidungsträger. Keine PowerPoint-Schlachten, sondern Hands-on mit Ihren eigenen Daten und Systemen.
Vier Phasen, klare Meilensteine. Jede Phase endet mit einem Deliverable, das Sie abnehmen.
Wir kommen zu Ihnen, sprechen mit den Fachabteilungen und definieren gemeinsam die Fragestellung. Am Ende des Tages steht ein Dokument mit Zielmetrik, Datenquellen und Zeitplan. Kein Projekt startet ohne dieses Dokument.
Wir bauen die Datenpipeline, bereinigen fehlende Werte, anonymisieren personenbezogene Daten und erstellen Feature-Sets. In dieser Phase entscheidet sich, ob das Projekt funktionieren kann. Falls die Datenqualität nicht ausreicht, sagen wir das offen.
Wir testen verschiedene Algorithmen gegeneinander, optimieren Hyperparameter und validieren gegen Ihre Testdaten. Sie erhalten wöchentliche Updates mit konkreten Zahlen zur Modellperformance.
Das fertige Modell wird in Ihre Infrastruktur integriert. Wir richten Monitoring ein, dokumentieren alles und schulen Ihr Team. Nach der Übergabe stehen wir drei Monate für Support zur Verfügung.
Was Kunden vor dem ersten Projekt wissen wollen.
Nicht zwingend. Für viele Klassifikationsaufgaben reichen einige tausend gelabelte Beispiele. Im Scoping-Workshop schätzen wir den Mindestbedarf ab. Falls Ihre Datenmenge nicht reicht, schlagen wir Methoden wie Transfer Learning oder synthetische Datenanreicherung vor.
Das hängt vom Inferenzvolumen ab. Ein Modell, das 500 Vorhersagen pro Tag berechnet, kostet auf einer Standard-Cloud-Instanz etwa 80 bis 150 CHF monatlich. Wir dimensionieren die Infrastruktur so, dass Sie nicht für ungenutzte Kapazität zahlen.
Ja. Wir übergeben den vollständigen Code, die Trainingsdaten-Pipelines und die Dokumentation. Falls Ihr Team Python und grundlegende ML-Kenntnisse mitbringt, kann es das Modell eigenständig weiterentwickeln. Unsere Workshops bereiten darauf vor.
Wir prüfen jedes Modell auf Fairness-Metriken wie Equalized Odds und Demographic Parity. Sensible Attribute werden identifiziert und getestet. Falls ein Bias erkannt wird, dokumentieren wir ihn und passen die Trainingsdaten oder die Modellarchitektur an, bevor das System in Produktion geht.
Grundsätzlich ja, solange die Zusammenarbeit remote funktioniert. Den Scoping-Workshop führen wir bevorzugt vor Ort durch, alles Weitere läuft über Videokonferenzen und gemeinsame Repositories. Datenhaltung erfolgt auf Wunsch ausschliesslich auf Schweizer Servern.
Beschreiben Sie kurz Ihr Vorhaben. Wir melden uns innerhalb von zwei Arbeitstagen.
Adresse:
768 Dorfstrasse, 4051 Basel, Basel-Stadt, Switzerland
Telefon:
+41 61 817 60 96
E-Mail:
[email protected]
