Wir bauen KI-Systeme, die konkrete Probleme lösen. Keine Demos, keine Buzzwords. Seit 2019 entwickeln wir in Basel Modelle für Logistik, Pharma und Finanzdienstleister.
Projekt besprechenVier Kernbereiche, in denen wir messbare Ergebnisse liefern.
Wir trainieren Modelle auf Ihren historischen Daten: Nachfrageprognosen, Churn-Vorhersagen, Qualitätskontrolle in der Produktion. Ein typisches Forecasting-Modell für einen Logistiker mit 200 000 Sendungen pro Monat steht nach acht Wochen. Die Prognosegenauigkeit liegt in der Regel 18 bis 32 Prozent über der bisherigen Planung mit Tabellenkalkulationen.
Dokumente klassifizieren, Rechnungen extrahieren, E-Mails routen: Wir verbinden OCR, NLP und regelbasierte Logik zu Workflows, die ohne manuelle Eingriffe laufen. Ein Versicherer in Zürich spart damit 1 400 Arbeitsstunden pro Quartal.
Firmeninterne Wissensdatenbanken, Kundenservice-Bots, automatische Zusammenfassungen von Sitzungsprotokollen. Wir setzen auf fine-getunte Open-Source-Modelle, die auf Ihrer eigenen Infrastruktur laufen. Ihre Daten verlassen nie Ihr Rechenzentrum.
Bevor ein Modell trainiert werden kann, müssen die Daten stimmen. Wir auditieren Ihre bestehende Pipeline, identifizieren Lücken und bauen eine saubere Grundlage. Das dauert typischerweise zwei bis vier Wochen und umfasst Datenqualitätsberichte, Schema-Design und ETL-Architektur.
Fünf Schritte vom Erstgespräch bis zum produktiven System.
Wir hören zu. In einem halbtägigen Workshop klären wir, welches Geschäftsproblem gelöst werden soll, welche Daten vorhanden sind und wie der Erfolg gemessen wird.
Unser Data-Engineering-Team prüft Qualität, Vollständigkeit und Zugänglichkeit Ihrer Daten. Sie erhalten einen schriftlichen Bericht mit konkreten Empfehlungen.
Innerhalb von vier bis sechs Wochen steht ein funktionierender Prototyp. Sie testen ihn mit echten Daten und geben Feedback, bevor wir weiterarbeiten.
Wir integrieren das Modell in Ihre bestehende IT-Landschaft: API-Anbindung, Monitoring-Dashboard, automatisierte Retraining-Pipelines. Alles dokumentiert.
Modelle veralten. Wir überwachen die Performance, passen Schwellenwerte an und trainieren bei Bedarf neu. Optional als monatliches Retainer-Modell.
Ein Basler Pharma-Grosshändler verlor jährlich rund CHF 2,3 Mio. durch Überbestände und gleichzeitige Fehlmengen bei kritischen Medikamenten. Wir haben ein Ensemble-Modell aus Gradient Boosting und LSTM-Netzwerken gebaut, das Bestellmengen pro SKU und Filiale auf Wochenbasis vorhersagt.
Das Modell berücksichtigt saisonale Schwankungen, Grippewellen-Indikatoren des BAG und Lieferzeiten der Hersteller. Nach sechs Monaten im Einsatz:
Antworten auf das, was uns Kunden vor dem ersten Projekt am häufigsten fragen.
Schreiben Sie uns eine Nachricht oder rufen Sie direkt an. Wir melden uns innerhalb eines Arbeitstags.
634 Rämistrasse, 4051 Basel, Basel-Stadt, Switzerland