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.
Die meisten ML-Initiativen sterben zwischen Notebook und Produktion. Unsere nicht.
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 auf eine messbare Geschäftskennzahl zugeschnitten, nicht auf einen Genauigkeitswert in einer Folie.
Bedarfs- & Absatzprognosen
Modelle, die Historie, Saisonalität und Live-Signale verarbeiten, damit Teams Lagerbestand, Personal und Ausgaben mit Zuversicht planen.
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, in denen Ihre Operatoren ohnehin leben.
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. Sie erhalten eine ehrliche Machbarkeitseinschätzung.
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 — Euro, Stunden, Fehlbestände — statt abstrakter Benchmark-Scores.
04Ausliefern, überwachen, neu trainieren
Produktions-Deployment mit Drift-Alarmen und Retraining-Loop. Das Modell lernt weiter — das Team auch.
Wir haben das bereits ausgeliefert.
Eine ML-Prognoseplattform, die wir entworfen, ausgeliefert und bis heute betreiben — live, bezahlt und ihren Unterhalt wert.
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.
Gewählt für das Problem, nicht für den Lebenslauf.
Wir sind Framework-agnostisch und beim Ergebnis meinungsstark. Der Stack beugt sich dem Problem — nie umgekehrt.
Ein Team. Null Übergaben.
Die Disziplinen, die am häufigsten mit KI / ML kombiniert werden — gleiche Architektur, dieselben Engineers, ohne Integrationsaufschlag.
Klare Antworten, schriftlich.
Die acht Fragen, die Käufer von KI / ML uns am häufigsten stellen — beantwortet, wie wir sie im Raum beantworten würden.
Schreiben Sie es in ein Briefing. Ein Senior-ML-Engineer — kein Vertriebler — antwortet innerhalb eines Werktags.
Q.01Brauchen wir ein eigenes Modell, oder können wir auf einer API aufbauen?
Meist gewinnt der API-First-Ansatz: 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.
Q.02Wie 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.
Q.03Wie lange dauert es, bis etwas live ist?
Die Discovery läuft ein bis zwei Wochen und endet mit einem fixen Plan. Die meisten Teams sehen einen ersten produktionsreifen Ausschnitt — ein echtes Modell, hinter einem echten Endpoint, auf Ihrer Infrastruktur — innerhalb von sechs bis zehn Wochen. Von dort iterieren wir wöchentlich gegen die Geschäftskennzahl.
Q.04Was 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.
Q.05Wo liegen unsere Daten, und wer kann sie sehen?
In Ihrem Cloud-Account — wir deployen in Ihr AWS, nicht in unseres. 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.
Q.06Wem 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.
Q.07Was kostet ein KI- / ML-Engagement?
Ergebnisse werden bepreist, nicht Stunden abgerechnet. Nach einem Discovery-Sprint erhalten Sie feste Meilensteine und ein festes Budget — schriftlich. Typische Erst-Engagements liegen zwischen $25k und $75k; Sie sehen die Zahl, bevor sich irgendjemand festlegt.
Q.08Was passiert nach dem Launch?
Wir bleiben. Jedes Engagement enthält lebenslangen Support: Drift-Monitoring, geplantes Retraining und ein Senior-Engineer, der das System kennt — Antworten in Stunden, nicht über eine Ticket-Warteschlange. Modelle degradieren leise, wenn niemand hinschaut. Unsere stehen unter Beobachtung.
Haben Sie Daten, die
härter arbeiten sollten?
Erzählen Sie uns, was Sie vorhersagen, automatisieren oder verstehen wollen. Ein Senior-ML-Engineer antwortet innerhalb eines Werktags mit einer ehrlichen Machbarkeitseinschätzung.