FAQ: Artificial Intelligence in der Praxis

Hier beantworten wir die Fragen, die uns am häufigsten gestellt werden. Falls Ihre Frage nicht dabei ist, schreiben Sie uns einfach.

Allgemeine Fragen

Ein Starter-Projekt mit Discovery und Machbarkeitsbericht dauert etwa zwei Wochen. Wenn Sie direkt einen funktionierenden Prototyp möchten, rechnen Sie mit sechs bis acht Wochen. Die Produktionsphase, also Integration in Ihre Systeme, Tests und Go-Live, benötigt je nach Komplexität weitere zwei bis vier Wochen. Insgesamt bewegen sich die meisten Projekte zwischen sechs und zwölf Wochen.

Das hängt vom Anwendungsfall ab. Für tabellarische Vorhersagen, etwa Kundenabwanderung oder Nachfrageprognose, reichen oft einige hundert bis wenige tausend saubere Datensätze. Bilderkennungsmodelle brauchen mehr, typischerweise mehrere tausend annotierte Bilder. Im Discovery-Workshop prüfen wir Ihre vorhandenen Daten und sagen Ihnen, ob die Menge und Qualität für Ihr Ziel ausreicht. Falls nicht, helfen wir beim Aufbau einer Datenstrategie.

Nein. Wir können auf Ihrer Infrastruktur arbeiten, per VPN oder direkt vor Ort. Wenn Sie es bevorzugen, richten wir eine verschlüsselte Umgebung in Ihrer Cloud ein. Sensible Daten verlassen Ihr System nie. Vor Projektbeginn unterzeichnen wir eine Vertraulichkeitsvereinbarung (NDA).

Die meisten unserer Modelle entstehen in Python mit PyTorch oder scikit-learn. Für Datenverarbeitung setzen wir auf Apache Spark oder Pandas, je nach Datenvolumen. APIs bauen wir mit FastAPI, und für die Orchestrierung nutzen wir Docker und Kubernetes. Wenn Ihr Unternehmen bereits ein bestimmtes Tech-Stack hat, passen wir uns an.

KI-Modelle sind keine statischen Softwareprodukte. Die Welt ändert sich, und damit ändern sich auch die Daten. Wir überwachen die Modellleistung über ein Dashboard, das Ihnen Metriken wie Genauigkeit, Latenz und Datenverteilung zeigt. Wenn die Performance sinkt, trainieren wir das Modell mit aktuellen Daten nach. Im Enterprise-Paket ist das monatliche Re-Training enthalten. Im Professional-Paket bieten wir 30 Tage Support nach Go-Live.

Ja. Jedes Projekt wird mit vollständiger Dokumentation und kommentiertem Quellcode ausgeliefert. Wir bieten im Professional-Paket vier Stunden Schulung für Ihr internes Team an. Wenn Sie später eigene Data Scientists einstellen, können diese nahtlos an unserem Code weiterarbeiten. Es gibt keinen Vendor-Lock-in.

Ja. Der Grossteil unserer Kommunikation läuft über Videocalls und geteilte Repositories. Wir haben Kunden in Deutschland, Österreich und Frankreich. Persönliche Treffen in Lausanne sind möglich, aber nicht zwingend. Die Zeitzone (CET/CEST) funktioniert gut für europäische Kunden.

Für einzelne Beratungssessions oder Code-Reviews rechnen wir CHF 220 pro Stunde ab. Eine typische Session dauert ein bis zwei Stunden. Sie können uns zum Beispiel bitten, ein bestehendes ML-Modell zu evaluieren, eine Architekturentscheidung zu besprechen oder eine Datenbank-Strategie zu prüfen. Buchen Sie einfach über unser Kontaktformular.

Der gesamte Code, den wir speziell für Ihr Projekt schreiben, gehört Ihnen. Das regeln wir vertraglich. Wir behalten uns lediglich das Recht vor, allgemeine Methoden und Frameworks, die nicht projektspezifisch sind, in anderen Projekten wiederzuverwenden. Ihre Geschäftsdaten, Modellgewichte und projektspezifischen Konfigurationen bleiben ausschliesslich in Ihrem Besitz.

Ihre Frage war nicht dabei?

Schreiben Sie uns direkt. Wir antworten in der Regel am selben Werktag.

Kontaktdaten

14198 Melonenstrasse, 1003 Lausanne, Vaud, Schweiz

Telefon: +41 21 727 24 27

E-Mail: [email protected]

Person am Schreibtisch beim Verfassen einer Nachricht

Weiterführende Ressourcen

Falls Sie sich tiefer in die Materie einlesen möchten, empfehlen wir folgende Ansätze:

Beginnen Sie mit einer internen Bestandsaufnahme. Welche Daten sammeln Sie bereits? Wo liegen sie? Wie aktuell sind sie? Diese Fragen sind der Ausgangspunkt für jedes KI-Projekt. Viele Unternehmen stellen dabei fest, dass sie mehr Daten haben, als sie dachten, aber oft in verschiedenen Systemen verstreut.

Sprechen Sie mit den Personen, die täglich mit den Daten arbeiten. Sachbearbeiter, Lageristen, Kundenberater: Sie kennen die Muster, die ein Algorithmus lernen soll, oft intuitiv. Dieses Wissen ist für das Feature Engineering entscheidend.

Setzen Sie sich realistische Ziele. Ein Modell, das in 80 % der Fälle richtig liegt, kann trotzdem enormen Wert schaffen, wenn die Alternative manuelles Raten ist. Perfektion ist selten nötig und fast nie erreichbar.

Wenn Sie bereit sind, den nächsten Schritt zu gehen, kontaktieren Sie uns für ein unverbindliches Erstgespräch. Wir schauen uns Ihre Situation an und sagen Ihnen, ob und wie KI helfen kann.