Eine Auswahl von Projekten aus Industrie, Telekommunikation und dem Kulturbereich — was KI in der Produktion tatsächlich bedeutet, jenseits der Demo.
Alle Kunden anonymisiert. Branche, Teamgröße und Ergebnisse sind korrekt.
Ein Hersteller von Präzisionslasertechnologie wollte die visuelle Qualitätsprüfung von Bauteilen automatisieren — mit dem Ziel, die manuelle Prüfung zu reduzieren und Inspektionsergebnisse für Ingenieure und Qualitätsteams zugänglich zu machen.
HerausforderungInspektionsdaten existierten, waren aber isoliert — Bilder und Ergebnisse wurden unstrukturiert gespeichert, was Trendanalysen oder Modelltraining unpraktisch machte. Ingenieure hatten keine Möglichkeit, historische Inspektionsergebnisse abzufragen oder wiederkehrende Fehlermuster zu identifizieren.
Was wir gebaut habenVollständiger MLOps-Lebenszyklus für die Computer-Vision-Modelle: strukturierte Datenpipelines, Modelltrainings-Infrastruktur und ein Svelte-basiertes Image-Explorer-Dashboard, das Ingenieuren interaktiven Zugriff auf Inspektionsergebnisse, Defekt-Heatmaps und Trendanalysen ermöglicht. Modelle wurden mit Monitoring-Hooks bereitgestellt, die Drift in Fehlerratenverteilungen erkannten.
ErgebnisseEin nationaler Telekommunikationsanbieter wollte die Zeit reduzieren, die technische Helpdesk-Mitarbeiter für die Diagnose von Netzwerkbeschwerden aufwenden — Beschwerden, die oft die manuelle Abfrage mehrerer unverbundener Systeme erforderten.
HerausforderungDie durchschnittliche Bearbeitungszeit betrug 27 Stunden. Mitarbeiter zogen manuell Daten aus 5+ Systemen und korrelierten Netzwerkprotokolle, Kundendaten und Fehlerhistorie. Eine einheitliche Diagnoseansicht existierte nicht.
Was wir gebaut habenMINDS — eine KI-gestützte Netzwerkdiagnoseplattform. Datenvorverarbeitungs-Engines aggregierten Signale aus mehreren Quellsystemen in Echtzeit. Backend-API-Microservices lieferten Helpdesk-Mitarbeitern eine einheitliche Diagnoseansicht, ergänzt durch ML-Modelle, die wahrscheinliche Grundursachen und empfohlene Maßnahmen nach historischer Lösungserfolgsrate priorisierten.
ErgebnisseEin Regionalmuseum mit einer Sammlung von über 15.000 Objekten hatte Jahrzehnte inkonsistenter Katalogdatensätze — einige detailliert, viele unvollständig, manche nur als handschriftliche Inventareinträge vorhanden. Das kuratorische Team hatte keine Kapazität, 15.000 Datensätze manuell zu überarbeiten.
HerausforderungDie Standardsuche lieferte schlechte Ergebnisse. Forscher konnten Objekte nicht nach Material, Epoche oder ikonografischem Inhalt finden. Das Museum konnte nicht an gemeinsamen digitalen Katalogen teilnehmen, da ihre Metadaten nicht den Standardschemata (LIDO, Spectrum) entsprachen.
Was wir gebaut habenEine GenAI-gestützte Katalogisierungspipeline: Vision-Language-Modell-Analyse von Objektfotografien zur Erstellung strukturierter Entwurfsdatensätze, LLM-Normalisierung von Freitextbeschreibungen in LIDO-konforme Felder und eine kuratorische Überprüfungsoberfläche. Das kontrollierte Vokabular basierte durchgehend auf dem Getty AAT.
Ergebnisse