Wir führen Sie durch den gesamten Prozess der Einführung von Machine Learning und KI in Ihre Produkte: Auswahl der richtigen ML-Algorithmen, Implementierung Ihrer Datenstrategie und Umsetzung des ML-Algorithmus für Ihr Produkt.
Convolutional Neural Networks, Reinforcement Learning, Apriori Algorithm, oder NLP? Supervised Learning, oder Unsupervised Learning?
Maschinelles Lernen bietet eine Vielzahl von Optionen. Unsere Experten untersuchen Ihren spezifischen Bedar, die Voraussetzungen für die Optimierung der Vorhersage- & Analysegenauigkeit (z.B. gute Lichtverhältnisse für Bilder), besprechen und definieren den technischen Ansatz zur Umsetzung Ihres ML-basierten Produkts, oder Ihres Geschäftsmodells.
Sei es „Predictive Maintenance“, oder „Anomaly Detection“ auf der Produktionslinie: Daten mit Sensoren und Edge-Devices sammeln, anbinden, konvertieren, in Echtzeit klassifizieren und visualisieren sind die Bausteine unserer Lösungen.
Wir beraten im Umgang mit großen Datenmengen, der Speicherung (falls erforderlich), der Verarbeitung sensibler Daten (z.B. Anonymisierung, Pseudonymisierung) und bei der Definition von Hardwareanforderungen.
Wir greifen auf umfangreiches Wissen auf dem Gebiet der Verarbeitung von Computer-Videostreams und der Bildverarbeitung zurück.
Mit zahlreichen Partnern für Computer Vision und z.B. Etikettier-Lösungen sind wir eine gute Wahl für ML basierte Prozessverbesserung und Workflow-Automatisierung.
In kleineren Projekten kann die Anomalie-Erkennung in der Produktionslinie implementiert werden, bei welcher das neuronale Netzwerk mit Beispielbildern der Anomalie trainiert werden muss. Bei größeren Projekten sind möglicherweise A/B-Tests für die Positionierung der Kamera und/oder Lichtverhältnisse erforderlich, sowie ein Algorithmus zur Auswahl der Fotos mit den besten Eigenschaften für hohe Genauigkeitsraten.
Wenn Ihr Workflow einem bestimmten Muster folgt, oder als Routineaufgabe klassifiziert werden kann, kann er prinzipiell automatisiert werden. Wir analysieren die verfügbaren Daten und ermitteln die Genauigkeitsindikatoren für die Workflow-Automatisierung. Wir erarbeiten eine Datenstrategie, um die Ergebnisse kontinuierlich zu verbessern.
Die Verwendung von Vorhersagemethoden ermöglicht es uns, optimale Entscheidungen vorzuschlagen und deren Ergebnisse zu optimieren: sei es Maschinenauslastung, Wartungszeit (Predictive Maintenance) oder das Energiemanagement von Elektrogeräten.
Speech-to-Text, Text-to-Speech, Sprach- & Sprechererkennung, Stimmungsanalyse: Benötigen Sie dies auf Englisch, Deutsch, Polnisch oder Französisch? Benötigen Sie diese Services Cloud- oder Edge-basiert?
Wir geben Ihnen einen Überblick über die Möglichkeiten und Einschränkungen von NLP-basierten Funktionen in Ihrer Software. Sie haben viele Möglichkeiten und wir können Ihnen bei der Auswahl helfen und die Ideen in Ihrem Produkt oder in Ihrem Workflow umsetzen.
Wir verfügen über umfassendes Fachwissen zu Daten aus Quellen wie Wearables, Sensoren in Autos oder Datenströmen von AR-Brillen. Gleichzeitig verfügen wir über Experten auf dem Gebiet von Bluetooth, 4G, Ethernet usw. Wir wissen, wie die Latenz minimiert und große Datenströme wie HD-Videoströme von AR-Brillen verwaltet werden können.
Wir helfen Ihnen auch bei der Auswahl der IoT-Cloud-Plattform, die Ihren Anforderungen und Ihrem Budget am besten entspricht, sei es AWS, Azure IoT, Mindsphere, Teamviewer IoT oder Cumulocity.
Infotainment System for Tier 1 OEM
Unserer Kunde ist ein wichtiger Akteur in der Baubranche. Für jeden RfP erhalten sie eine Anforderungsspezifikation im GAEB-Format, mit zwischen 500 und 5.000 Positionszeilen. Einige Positionen erfordern langjährig erworbene technische Kenntnisse, andere erfordern die Verwendung von Standardbaumaterial.
Wir haben für unseren Kunden einen Machine-Learning-Algorithmus mit Tausenden von RfP-Artikeln und Baustoffauswahlen trainiert.
Ergebnis: Ingenieure können Projekte viel schneller kalkulieren, Termine problemlos einhalten und dank dieses Zeitgewinns Angebote optimieren.
On-Premise Hosting
Benutzer laden eine Datei im GAEB-Format hoch, die 500 bis 5 000 Anforderungselemente umfasst.
Basierend auf einem trainierten ML-Algorithmus erhält der Anwender einen Überblick über die Anforderungspositionen, die einem Standard-Baustoffartikel zugeordnet sind. Das Vertrauensniveau wird angezeigt. Der Benutzer kann Vorschläge genehmigen, ablehnen, oder überschreiben
Das Training des ML-Algorithmus wird regelmäßig mit aktuellen Daten aus der Abteilung für Kostenkalkulation aktualisiert.
