Unsere Kunden berichten, wie KI-Projekte ihren Arbeitsalltag verändert haben. Lesen Sie echte Erfahrungen aus verschiedenen Branchen.
Wir haben mit Ai True Vision ein Modell zur Betrugserkennung entwickelt. Nach drei Monaten im Einsatz hat es 23 % mehr verdächtige Transaktionen erkannt als unser regelbasiertes System. Die Fehlalarmrate ist gleichzeitig um 40 % gesunken, was unseren Analysten viel manuelle Arbeit erspart.
Unser Proof-of-Concept für die automatische Qualitätskontrolle in der Produktion war in fünf Wochen fertig. Das Modell erkennt Oberflächenfehler auf Metallteilen mit einer Genauigkeit von 97,2 %. Vorher haben wir jeden dritten Fehler erst beim Kunden bemerkt.
Wir wollten die Wartezeiten in unserer Notaufnahme besser vorhersagen. Das Team von Ai True Vision hat ein Prognosemodell gebaut, das auf historischen Patientendaten, Wetterdaten und Kalenderinformationen basiert. Die Vorhersagegenauigkeit für den nächsten Tag liegt bei 89 %. Das hilft uns, Personal gezielter einzuplanen.
Die Zusammenarbeit war unkompliziert. Kein Fachjargon ohne Erklärung, klare Meilensteine, wöchentliche Updates. Nach dem Projekt haben sie uns ein komplettes Git-Repository übergeben, mit dem unser eigenes Entwicklerteam weiterarbeiten kann. Das ist nicht selbstverständlich.
Ein Maschinenbauunternehmen in der Ostschweiz hatte mit ungeplanten Ausfällen seiner CNC-Fräsen zu kämpfen. Jeder Stillstand kostete rund CHF 8 000 pro Stunde. Wartungsintervalle waren starr und orientierten sich nicht am tatsächlichen Verschleisszustand.
Wir haben Vibrationsdaten, Temperatursensoren und Spindelstromwerte aus 14 Monaten gesammelt und ein Gradient-Boosted-Tree-Modell trainiert, das den Ausfall einer Spindel bis zu 72 Stunden im Voraus vorhersagt. Die Daten fliessen in Echtzeit über eine MQTT-Schnittstelle in unser Modell.
Eine Versicherungsgesellschaft in Bern verarbeitete täglich rund 2 000 eingehende Dokumente: Schadensmeldungen, Arztberichte, Rechnungen, Korrespondenz. Jedes Dokument musste manuell dem richtigen Geschäftsvorfall zugeordnet werden. Zwei Vollzeitstellen waren allein mit dieser Sortierung beschäftigt.
Wir haben ein Transformer-basiertes NLP-Modell auf 45 000 historisch gelabelten Dokumenten trainiert. Das Modell erkennt den Dokumenttyp und extrahiert gleichzeitig Schlüsselinformationen wie Policennummer, Schadensdatum und Betrag.
Die automatische Klassifikation erreicht eine Genauigkeit von 94,8 %. Nur noch 5 % der Dokumente müssen manuell nachbearbeitet werden. Die beiden Mitarbeiterinnen, die vorher sortiert haben, arbeiten jetzt in der Sachbearbeitung und bearbeiten Fälle inhaltlich. Die Durchlaufzeit eines Schadensfalls sank von 4,2 auf 2,7 Arbeitstage.
