Artificial Intelligence: Häufig gestellte Fragen
Hier beantworten wir die Fragen, die uns Interessenten und Kunden am häufigsten stellen. Falls Ihre Frage nicht dabei ist, schreiben Sie uns gerne.
Das hängt stark vom Umfang ab. Ein Proof-of-Concept, bei dem wir ein erstes Modell auf Ihren Daten trainieren und evaluieren, schaffen wir in der Regel in vier bis sechs Wochen. Darin enthalten sind Datenaufbereitung, Feature Engineering, Modelltraining und eine dokumentierte Auswertung der Ergebnisse.
Geht das Projekt anschliessend in die Produktionsphase, rechnen wir mit weiteren acht bis zwölf Wochen für Integration, Monitoring-Setup und Lasttests. Besonders aufwändige Projekte mit mehreren Modellen oder Echtzeitanforderungen können auch sechs Monate dauern.
Im Idealfall haben Sie bereits strukturierte Daten in einer Datenbank, einem Data Warehouse oder als CSV-Export. Für Bildklassifikation benötigen wir mindestens 500 gelabelte Bilder pro Kategorie, für tabellarische Prognosemodelle empfehlen wir mindestens 10 000 Datensätze.
Haben Sie weniger Daten, prüfen wir, ob Transfer Learning oder synthetische Datenanreicherung sinnvoll ist. Im Erstgespräch klären wir gemeinsam, welche Datenquellen vorhanden sind und ob sie ausreichen.
Ein Proof-of-Concept beginnt bei CHF 15 000. Produktionsprojekte liegen je nach Komplexität zwischen CHF 40 000 und CHF 180 000. Wir arbeiten mit Festpreisphasen: Nach jedem Meilenstein erhalten Sie ein Ergebnis und entscheiden, ob die nächste Phase beauftragt wird.
Laufende Betriebskosten für Hosting, Monitoring und Re-Training berechnen wir separat, typischerweise zwischen CHF 1 500 und CHF 5 000 pro Monat, abhängig von Datenvolumen und Inferenz-Last.
Standardmässig arbeiten wir mit Schweizer Rechenzentren. Wir nutzen Azure Switzerland North oder Google Cloud Zürich, je nach Kundenpräferenz. Auf Wunsch betreiben wir Modelle auch On-Premise in Ihrem eigenen Netzwerk.
Alle Daten werden verschlüsselt übertragen (TLS 1.3) und im Ruhezustand mit AES-256 verschlüsselt. Zugriff erhalten nur Projektmitglieder, die vorher namentlich benannt und vom Kunden freigegeben wurden.
Nein, nicht zwingend. Wir übernehmen die gesamte technische Umsetzung. Hilfreich ist allerdings ein interner Ansprechpartner, der die Geschäftslogik und die Datenquellen kennt. Diese Person muss kein Programmierer sein, sondern jemand, der unsere Fragen zu Prozessen und Datenqualität beantworten kann.
Falls Sie langfristig eigene KI-Kompetenz aufbauen wollen, bieten wir Schulungen an. Typisch sind zwei- bis dreitägige Workshops für Ihre Entwickler, in denen wir das fertige System erklären und die Wartung übergeben.
Den Grossteil unserer Projekte haben wir in der Finanzbranche (Betrugserkennung, Kreditrisikomodelle), im Gesundheitswesen (Bildanalyse, Patientenfluss-Prognosen) und in der Fertigungsindustrie (Qualitätskontrolle, Predictive Maintenance) umgesetzt.
Grundsätzlich arbeiten wir branchenübergreifend, solange ausreichend Daten vorhanden sind. Auch für Logistik, Einzelhandel und Energieversorger haben wir Projekte realisiert.
Im Proof-of-Concept definieren wir gemeinsam eine Zielmetrik, zum Beispiel eine F1-Score-Schwelle von 0.85. Erreichen wir diese nach dem ersten Trainingszyklus nicht, analysieren wir die Fehlerquellen: Liegt es an der Datenqualität, am Labeling oder an der Modellarchitektur?
Wir dokumentieren unsere Erkenntnisse transparent und schlagen konkrete Massnahmen vor, etwa zusätzliche Datenanreicherung oder ein anderes Modellverfahren. Falls sich herausstellt, dass das Problem mit den vorhandenen Daten nicht lösbar ist, kommunizieren wir das offen. Sie zahlen nur für die tatsächlich erbrachte Arbeit.
Ja. Alle Modelle, Trainingsskripte und Dokumentationen gehören nach Projektabschluss Ihnen. Wir arbeiten mit gängigen Frameworks wie PyTorch und scikit-learn, sodass Ihr Team oder ein anderer Dienstleister die Arbeit fortsetzen kann.
Wir liefern ein Git-Repository mit versioniertem Code, eine technische Dokumentation und ein Runbook für den Betrieb. Auf Wunsch führen wir eine Übergabe-Session durch, in der wir Ihr Team einarbeiten.
Technologie-Hintergrund
Unsere Modelle basieren auf aktuellen Forschungsergebnissen aus dem Bereich Deep Learning und klassischem maschinellen Lernen. Für tabellarische Daten setzen wir häufig Gradient-Boosted Trees ein, da sie bei strukturierten Daten oft bessere Ergebnisse liefern als neuronale Netze und gleichzeitig interpretierbar bleiben.
Für Bild- und Textdaten verwenden wir Transformer-Architekturen und Convolutional Neural Networks. Wo es sinnvoll ist, nutzen wir vortrainierte Modelle und passen sie per Fine-Tuning an Ihre Domäne an. Das spart Trainingszeit und reduziert den Bedarf an gelabelten Daten erheblich.
Jedes Modell wird vor der Auslieferung mit einem separaten Testdatensatz evaluiert. Wir dokumentieren Precision, Recall, F1-Score und bei Regressionsmodellen MAE und RMSE. Diese Metriken besprechen wir mit Ihnen, bevor das Modell in Produktion geht.