Produktives ML, keine Forschungsprojekte.
Bild-, Sprach- und Prognosemodelle, verdrahtet mit den Tools, die Ihr Team bereits nutzt — in Produktion gebracht, an Geschäftsergebnissen gemessen und gewartet von den Engineers, die sie gebaut haben.
Inhalt geprüft:
Die meisten ML-Initiativen sterben zwischen Notebook und Produktion. Unsere laufen.
Die Branche ist übersät mit Proofs-of-Concept, die ein Lenkungsgremium beeindruckt und nie eine einzige echte Transaktion verarbeitet haben. Der schwierige Teil von Machine Learning war nie das Modell — es sind die Daten-Pipelines, der Retraining-Loop, das Latenzbudget und das Dashboard, das ein Mensch um 8 Uhr morgens tatsächlich prüft.
Wir bauen das Ganze. Jedes Modell, das wir ausliefern, ist mit Ihrem Betrieb verdrahtet — es verarbeitet Live-Daten, wird auf Drift überwacht und verantwortet von Senior-Engineers, die nach dem Launch an Bord bleiben. Wenn eine Heuristik für Ihr Problem ein neuronales Netz schlägt, sagen wir es Ihnen und berechnen weniger.
Intelligenz, angewandt.
Die sechs Engagements, die wir am häufigsten fahren — jedes zugeschnitten auf eine Kennzahl, die Ihr Team ohnehin verfolgt.
Bedarfs- & Absatzprognosen
Modelle, die Historie, Saisonalität und Live-Signale verarbeiten, damit Bestellmengen und Schichtplanung von einer Zahl ausgehen, die Sie verteidigen können.
Computer Vision
Erkennungs-, Klassifikations- und OCR-Pipelines für Edge oder Cloud — gebaut für unordentliches Material aus der echten Welt.
NLP & Dokumentenintelligenz
Extraktion, Klassifikation und Zusammenfassung über Verträge, Rechnungen, Tickets und E-Mails — verankert in Ihrem Korpus.
Predictive Analytics
Churn-, Risiko- und Propensity-Scoring, ausgeliefert in den Tools, mit denen Ihre Operatoren ohnehin arbeiten.
KI-Integration & MCP
LLM-Funktionen, eingebettet in Ihr bestehendes Produkt — mit dem Model Context Protocol, das Modelle sicher mit Ihren Systemen verbindet.
Model-Ops & Retraining
Drift-Monitoring, Evaluations-Harnesse und geplantes Retraining, damit die Genauigkeit den Kontakt mit dem nächsten Quartal übersteht.
Langweilige Strenge, aufregende Ergebnisse.
Dieselbe Disziplin, die wir auf alle Software anwenden — angepasst für Systeme, die lernen.
01Daten-Audit zuerst
Bevor über Modelle geredet wird, auditieren wir, was Sie tatsächlich haben — Abdeckung, Qualität, Leakage-Risiken. Woche eins endet mit einer klaren Aussage dazu, was machbar ist.
02Baseline vor Tiefe
Wir liefern das einfachste Modell, das die Kennzahl bewegt, und verdienen uns Komplexität danach. Keine GPU-Rechnungen ohne Business Case.
03Iterieren gegen Kennzahlen
Wöchentliche Evals auf der Kennzahl, die Sie interessiert, ob Euro, Stunden oder Fehlbestände.
04Ausliefern, überwachen, neu trainieren
Produktions-Deployment mit Drift-Alarmen und Retraining-Loop. Das Modell lernt weiter — das Team auch.
Ihr Produkt könnte der nächste Fall auf dieser Seite sein.
Kostenloser 4-Stunden-WorkshopDas Modell hinter den 98%.
Eine ML-Prognoseplattform, die wir entworfen, ausgeliefert und bis heute betreiben — live, bezahlt und in täglichem Einsatz.
Forecasting Model
Verarbeitet historische Verkäufe, Saisonalität und Live-Signale, um die Nachfrage vorherzusagen — damit Teams Lagerbestand, Personal und Ausgaben mit Zuversicht statt mit Raterei planen.
Die Modellierungswerkbank.
Kein Haus-Framework. Diese Tools haben sich ihren Platz in unserer Produktions-ML-Arbeit verdient; braucht ein Build etwas anderes, wechseln wir.
Was ML-Projekte nach sich ziehen.
Das Modell ist nur ein Teil der Arbeit. Diese drei tragen den Rest — innerhalb desselben Engagements.
Acht Fragen, acht Antworten.
Die Fragen, mit denen jedes ML-Gespräch beginnt — beantwortet, wie wir es am Tisch tun würden.
Schreiben Sie es in ein Briefing. Es landet bei einem Senior-ML-Engineer, und die Antwort dauert höchstens einen Werktag.
Brauchen wir ein eigenes Modell, oder können wir auf einer API aufbauen?
Meist ist der API-First-Ansatz die bessere Wahl: schneller ausgeliefert, günstiger im Betrieb, leichter auszutauschen. Zu eigenen oder feinabgestimmten Modellen greifen wir, wenn Latenz, Datenschutz oder Unit Economics es verlangen — und wir rechnen es Ihnen vor, bevor wir eines von beidem empfehlen.
Wie viele Daten brauchen wir für den Start?
Weniger, als Sie befürchten. Viele Engagements starten mit ein paar tausend gelabelten Beispielen oder zwei Jahren Transaktionshistorie. Das Daten-Audit in Woche eins sagt Ihnen genau, wo Sie stehen — bevor Sie sich auf einen Build festlegen.
Wie lange dauert es, bis etwas live ist?
Ein kostenloser 4-Stunden-Workshop, dann innerhalb von 3 Arbeitstagen ein schriftlicher Projektumfang und ein Angebot. Die meisten Teams haben ein echtes Modell hinter einem echten Endpoint, auf der eigenen Infrastruktur, innerhalb von sechs bis zehn Wochen. Von dort iterieren wir wöchentlich gegen die Geschäftskennzahl.
Was ist mit Halluzinationen und Genauigkeit?
Jede LLM-Funktion, die wir ausliefern, ist per Retrieval in Ihren Daten verankert, mit beschränkten Outputs und einem Evaluations-Harness, der bei jeder Änderung läuft. Bei Prognosemodellen wird die Genauigkeit gegen ein Holdout-Set berichtet und in Produktion auf Drift überwacht.
Wo liegen unsere Daten, und wer kann sie sehen?
In Ihrem eigenen Cloud-Account — das Deployment läuft in Ihrem AWS-Account. Ihre Daten werden nie zum Training geteilter oder fremder Modelle verwendet, der Zugriff ist least-privilege und protokolliert, und NDAs sowie Auftragsverarbeitungsverträge sind unterschrieben, bevor der erste Datensatz bewegt wird.
Wem gehören die Modelle, der Code und die Gewichte?
Ihnen — alles davon. Code, feinabgestimmte Gewichte, Pipelines, Prompts und Dokumentation werden Ihnen im Vertrag übertragen. Keine Rücklizenzierung, kein Lock-in: Jedes kompetente Team könnte morgen übernehmen. Die meisten Kunden bleiben trotzdem, weil das System immer besser wird.
Was kostet ein KI- / ML-Engagement?
Wir bepreisen das Ergebnis, nicht die Stunden. Am Anfang steht ein kostenloser 4-Stunden-Workshop; danach erhalten Sie einen schriftlichen Umfang, feste Meilensteine und ein Festpreisangebot. Was die Zahl bewegt: wie sauber und zugänglich Ihre Daten sind, ob ein bestehendes Modell reicht oder Fine-Tuning nötig ist, welche Systeme angebunden werden und wie streng Prüfung und Audit-Trail sein müssen. Ist das Problem noch unscharf, kommt zuerst ein optionaler bezahlter Discovery-Sprint, der vollständig auf die Umsetzung angerechnet wird.
Was passiert nach dem Launch?
30 Tage Gewährleistung, danach entscheiden Sie. Nach der Gewährleistung deckt ein optionaler Support-Plan Drift-Monitoring, geplantes Retraining und einen Senior-Engineer ab, der das System kennt. Ein Modell, das niemand überwacht, verliert leise an Genauigkeit; deshalb empfehlen wir, die Überwachung beizubehalten.
Liegen Daten bei Ihnen nur
herum?
Erzählen Sie uns, was Sie vorhersagen, automatisieren oder verstehen wollen. Ein Senior-ML-Engineer antwortet innerhalb eines Werktags und sagt Ihnen ehrlich, ob es machbar ist.