KI-Softwarelösungen & Services

KI-Software, wie wir den Begriff verwenden, bezieht sich auf Systeme, bei denen maschinell gelernte Komponenten das Verhalten oder Entscheidungen wesentlich beeinflussen – Empfehlungssysteme, Vision-Systeme, Prognosemodelle, Klassifikatoren, Expertensysteme, Konversationsagenten, Entscheidungshilfen und generative KI-Workflows. Die interessante Arbeit liegt selten im Algorithmus. Sie liegt in der Datenverarbeitung, der Orchestrierung, den menschlichen Übergaben, den Fehlermodi und der Art und Weise, wie sich das System an den Rändern seiner Trainingsverteilung verhält.

Wir entwerfen KI-Software von Tag eins an mit drei Zielgruppen im Blick: den Benutzer, der damit interagiert, den Operator, der sie am Laufen hält, und den Prüfer, der sie erklären muss. Jede dieser Zielgruppen hat legitime Bedürfnisse, die oft im Konflikt stehen, und die Bewältigung dieser Spannungen macht den größten Teil der Designarbeit aus. Ein Modell, das die Genauigkeit auf Kosten der Erklärbarkeit maximiert, ist nicht immer das richtige Modell, und ein System, das in einem Notebook wunderbar funktioniert, aber in der Produktion nicht beobachtet werden kann, ist überhaupt kein System.

Unser Leistungsumfang umfasst routinemäßig: Trainings- und Evaluierungspipelines; Feature Engineering und Feature Stores; Serving-Infrastruktur (Batch, Micro-Batch und Echtzeit); Modellregister, Lineage und Rollback; Überwachung von Genauigkeit, Latenz, Drift und Kosten; benutzeroberflächenbasierte Schnittstellen und APIs; und die für die Governance-Überprüfung erforderlichen Dokumentationspakete. Wir arbeiten gleichermaßen gerne in Cloud-, On-Premise- oder Hybridumgebungen.

• Prädiktive und präskriptive Modelle
• Computer-Vision-Pipelines
• Naturalsprachliche und Suchsysteme
• Empfehlungs- und Personalisierungssysteme
• Generative KI-gestützte Workflows
• Entscheidungsunterstützungs- und Expertensysteme

Jedes Engagement beginnt mit einer schriftlichen Hypothese: welche Entscheidung das System informieren oder automatisieren wird, wie die Kosten eines Fehlers aussehen und welche Verbesserung gegenüber dem Status quo als Erfolg zählen wird. Ohne dies driften Projekte zu der Metrik, die am einfachsten zu optimieren ist, anstatt zu der, die wirklich zählt. Damit hat jeder spätere Kompromiss einen Bezugspunkt.

Wir charakterisieren dann die Daten – ihre Herkunft, Aktualität, Verzerrungen und Lücken – bevor wir uns auf einen Modellierungsansatz festlegen. Eine überraschende Anzahl von KI-Projekten in Unternehmen scheitert nicht, weil das Modell schlecht war, sondern weil die Trainingsdaten die Produktionsrealität nicht widerspiegelten. Wir investieren unverhältnismäßig viel in das Datenverständnis, um Überraschungen im weiteren Verlauf zu minimieren, und wir sind gerne bereit, ein Projekt zu pausieren, wenn die Datengrundlage zu dünn ist, um eine Fortsetzung zu rechtfertigen.

Die Modellierung selbst ist iterativ und rigoros evidenzgesteuert. Wir beginnen mit starken, einfachen Baselines: hier eine logistische Regression, dort ein gradientenverstärkter Baum, eine gut abgestimmte Heuristik, wo sie ausreicht. Erst wenn diese klar übertroffen werden, greifen wir auf komplexere Architekturen zurück. Dabei bewerten wir die Metriken, die den geschäftlichen Kosten von Fehlern entsprechen, nicht nur der akademischen Konvention.

Die Produktionsreife wird als erstklassiges Engineering-Ergebnis behandelt. Modelle werden verpackt und versioniert, hinter einer stabilen Schnittstelle bereitgestellt und auf Drift sowie auf die operativen Signale (Latenz, Kosten, Fehlerraten), die echte Systeme erfordern, überwacht. Die Übergabe am Ende eines Engagements umfasst Runbooks, Dashboards, Umschulungspläne und die architektonischen Entscheidungen, die zukünftige Betreuer kennen müssen.

“Modelle sind einfach. Produktionsreife, beobachtbare, regierbare Modelle sind das Ziel.”

Qualität in KI-Software ist ein mehrdimensionales Problem. Die Vorhersagegenauigkeit ist die sichtbarste Dimension, aber auch die Zuverlässigkeit unter Last, die Latenz im 99. Perzentil, die Robustheit gegenüber Verteilungsverschiebung, die Fairness über Kohorten hinweg, die Erklärbarkeit individueller Entscheidungen und die Betriebskosten der Inferenz sind alle wichtig – manchmal sogar wichtiger. Wir behandeln jede davon als messbare, überwachte Eigenschaft des Systems, nicht als eine hoffnungsvolle Anforderung.

Wir achten besonders auf die Governance. Die meisten regulierten Branchen erwarten heute, dass KI-gesteuerte Entscheidungen vom Input zum Output nachvollzogen werden können, dass wesentliche Modelländerungen vor der Freigabe überprüft werden und dass ein Mensch sinnvoll eingreifen kann, wenn das System falsch liegt. Wir integrieren diese Anforderungen in die Architektur, anstatt sie nachträglich anzubringen, da letzteres selten ein Audit überlebt.

Sicherheit und Datenschutz sind ebenfalls integriert. Datenminimierung, Verschlüsselung während der Übertragung und im Ruhezustand, rollenbasierter Zugriff auf Features und Vorhersagen sowie eine klare Trennung von Trainings- und Bereitstellungsumgebungen sind Standard. Wo personenbezogene Daten betroffen sind, arbeiten wir mit Ihren Datenschutz- und Rechtsteams zusammen, um die rechtmäßige Grundlage zu bestätigen und die Kontrollen – Pseudonymisierung, differenzieller Datenschutz, synthetische Daten – zu implementieren, die der Anwendungsfall erfordert.

Unsere KI-Softwarepraxis erstreckt sich über Fertigungs-, Einzelhandels- und Konsumgüter-, Finanzdienstleistungs-, Telekommunikations-, Gesundheits-, Energie-, Logistik-, öffentlich-rechtliche Dienstleistungs- und Berufsbranchen. Der gemeinsame Nenner ist nicht die Branche, sondern die Problemstellung: eine wiederkehrende Entscheidung, die in großem Maßstab getroffen wird, bei der bessere Informationen das Ergebnis erheblich verbessern würden und wo Daten verfügbar sind – oder gemacht werden könnten –, um daraus zu lernen.

In der Fertigung arbeiten wir typischerweise an Qualitätsinspektion, vorausschauender Wartung, Ertragsoptimierung und bedarfsgesteuerter Planung. Im Einzelhandel an Sortiment, Preisgestaltung, Nachfrage und Personalisierung. Im Finanzdienstleistungsbereich an Risikobewertung, Betrugserkennung, Dokumentenverständnis und Betriebsautomatisierung. Im Gesundheitswesen an Triage-Unterstützung, Dokumenten-Workflows, Bildverarbeitungshilfe und Betriebsplanung. In jedem Fall ist die Technologie ein Mittel; das Ziel ist ein leiseres, zuverlässigeres Geschäft.

Wir freuen uns gleichermaßen, zu einem einzelnen Arbeitsstrom innerhalb eines bestehenden Programms beizutragen oder eine vollständige End-to-End-Lieferung zu übernehmen. Die Form des Engagements ist weniger wichtig als die Klarheit des Ergebnisses, das wir anstreben.

Die meisten Engagements beginnen mit einer kurzen Entdeckungsphase mit festem Umfang – typischerweise zwei bis sechs Wochen –, die eine schriftliche Machbarkeitsbewertung, eine empfohlene Architektur, eine Kostenschätzung und einen Zeitplan sowie eine klare Go/No-Go-Empfehlung liefert. Wir berechnen diese Phase, verpflichten uns jedoch, Ihnen ehrlich zu sagen, wenn wir der Meinung sind, dass das Projekt nicht weiterverfolgt werden sollte. Ein signifikanter Teil der Entdeckungen endet genau dort, und das ist ein Merkmal des Modells, kein Fehler.

Wenn das Projekt fortgesetzt wird, gehen wir in eine Lieferphase über, die in kurzen, demonstrierbaren Inkrementen organisiert ist. Wir bevorzugen gemischte Teams, in denen unsere Ingenieure und Ihre zusammenarbeiten; dies schützt vor Wissenskonzentration, gibt Ihrem Team einen glaubwürdigen Weg zur Eigenverantwortung und deckt Integrationsrealitäten viel früher auf. Wir verwenden Ihre Tools, wo möglich, Ihre Code-Review-Standards, wo sie existieren, und Ihre Implementierungspipelines, wo immer dies sinnvoll ist.

Nach dem Start bieten wir schlanke Managed-Service-Vereinbarungen an, die Überwachung, Umschulung und kleinere Verbesserungen umfassen und an Ihre Bedürfnisse angepasst sind. Viele Kunden ziehen es vor, die operative Verantwortung selbst zu übernehmen; wir sind mit beiden Modellen zufrieden und gestalten das System so, dass es beide unterstützt.