Schritt für Schritt zum fertigen Modell
Ein typisches Projekt dauert sechs bis zwölf Wochen. Kleinere Vorhaben (etwa ein Proof of Concept auf einem vorhandenen Datensatz) schaffen wir oft in drei bis vier Wochen. Die folgende Übersicht zeigt den Standardablauf. Abweichungen besprechen wir im Erstgespräch.
Erstgespräch und Problemdefinition
In einem ein- bis zweistündigen Gespräch klären wir, welches Geschäftsproblem Sie lösen wollen. Wir fragen nach vorhandenen Daten, bestehenden Systemen und den Personen, die mit dem Ergebnis arbeiten werden. Am Ende dieses Gesprächs wissen beide Seiten, ob ein KI-Projekt sinnvoll ist oder ob eine einfachere Lösung ausreicht.
Dieses Gespräch ist kostenlos. Wir führen es wahlweise bei uns im Büro an der Uraniastrasse, bei Ihnen vor Ort oder per Videocall.
Datenanalyse und Machbarkeitsstudie
Wir erhalten Zugang zu einem repräsentativen Ausschnitt Ihrer Daten. Unser Team prüft Qualität, Vollständigkeit und Verteilung. Typische Fragen in dieser Phase: Wie viele gelabelte Beispiele gibt es? Gibt es systematische Lücken? Welche Merkmale korrelieren mit der Zielgrösse?
Ergebnis: ein Bericht (ca. 10 Seiten) mit einer klaren Empfehlung, welcher Modelltyp geeignet ist, welche Genauigkeit realistisch ist und wie viel Aufwand das Training erfordert. Dauer: eine bis zwei Wochen.
Prototyp und Validierung
Wir trainieren ein erstes Modell auf Ihren Daten. Dabei testen wir mehrere Architekturen und Hyperparameter-Konfigurationen. Den besten Kandidaten validieren wir auf einem Testset, das Sie vorher nicht gesehen haben.
Sie erhalten Zugang zu einem interaktiven Dashboard, auf dem Sie Vorhersagen des Modells mit echten Fällen vergleichen können. So sehen Sie konkret, wo das Modell richtig liegt und wo es Fehler macht. Dauer: zwei bis vier Wochen.
Iteration und Feinabstimmung
Auf Basis Ihres Feedbacks verbessern wir das Modell. Das kann bedeuten: zusätzliche Features einbeziehen, die Trainingsdaten bereinigen, die Entscheidungsschwelle anpassen oder ein anderes Modell ausprobieren. In der Regel brauchen wir zwei bis drei Iterationsrunden, bis die vereinbarten Zielwerte erreicht sind.
Integration und Deployment
Das fertige Modell wird in Ihre bestehende Infrastruktur eingebettet. Wir liefern eine REST-API oder ein SDK, je nach Anwendungsfall. Wenn Sie Azure, AWS oder GCP nutzen, deployen wir direkt in Ihre Cloud-Umgebung. Für On-Premise-Setups erstellen wir Docker-Container.
Parallel richten wir ein Monitoring ein: Dashboards, die Modellgenauigkeit, Latenz und Datenverteilung in Echtzeit anzeigen. So erkennen Sie sofort, wenn sich die Eingabedaten verändern und das Modell nachtrainiert werden muss.
Übergabe und Wissenstransfer
In einem halbtägigen Workshop schulen wir Ihr IT-Team im Umgang mit dem System. Wir übergeben die vollständige Dokumentation: Architekturentscheidungen, Trainings-Pipeline, Monitoring-Anleitung und ein Runbook für häufige Probleme.
Nach der Übergabe bieten wir optional einen Support-Vertrag an (monatlich kündbar), der regelmässige Modell-Checks und Nachtraining umfasst. Viele Kunden nutzen diesen Service in den ersten sechs Monaten und übernehmen danach die Pflege selbst.
Beispiel aus der Praxis
Ein Zulieferer für die Uhrenindustrie im Kanton Neuenburg hatte ein Problem: Die visuelle Qualitätskontrolle seiner Gehäuseteile war zeitaufwendig und fehleranfällig. Zwei Mitarbeitende prüften jedes Teil unter einer Lupe. Bei hoher Auslastung stieg die Fehlerquote auf bis zu 3 %.
Wir haben ein Computer-Vision-Modell trainiert, das Kratzer, Dellen und Farbabweichungen auf hochauflösenden Bildern erkennt. Die Kamera wurde direkt über dem Förderband montiert. Das Modell klassifiziert jedes Teil in unter 200 Millisekunden als «in Ordnung» oder «Nacharbeit».
Nach acht Wochen Projektlaufzeit war das System produktiv. Die Fehlerquote sank auf 0,4 %. Die beiden Mitarbeitenden prüfen jetzt nur noch die vom Modell markierten Teile und können sich den Rest der Zeit anderen Aufgaben widmen.
Was Sie für ein Projekt mitbringen sollten
Nicht jedes Unternehmen hat ein Data-Science-Team. Das ist kein Problem. Aber ein paar Voraussetzungen helfen, damit das Projekt schnell vorankommt:
Daten: Mindestens einige hundert Beispiele für das, was das Modell lernen soll. Bei Bildklassifikation reichen oft 500 gelabelte Bilder pro Kategorie für einen brauchbaren Prototyp. Bei Zeitreihen brauchen wir in der Regel Daten aus mindestens zwölf Monaten.
Ansprechperson: Jemand in Ihrem Unternehmen, der das Fachgebiet kennt und Entscheidungen treffen kann. Diese Person muss kein IT-Wissen haben, aber sie muss beurteilen können, ob eine Modellvorhersage in der Praxis sinnvoll ist.
Infrastruktur: Zugang zu einer Cloud-Umgebung oder einem lokalen Server, auf dem das Modell laufen soll. Falls Sie noch keine Infrastruktur haben, helfen wir bei der Einrichtung. Wir empfehlen in den meisten Fällen Azure Switzerland North, weil die Daten dann in der Schweiz bleiben.
Haben Sie Fragen zum Ablauf? Schreiben Sie uns oder rufen Sie an: +41 44 266 52 45.