KI-Entwicklung · Machine Learning
Predictive Analytics und Machine Learning: Prognosen, die Entscheidungen verbessern
Mit Predictive Analytics wird aus Deinen Daten ein Blick nach vorn: wie viel Ware Du nächsten Monat brauchst, welche Anlage bald ausfällt, welcher Kunde abzuspringen droht. Wir entwickeln Machine-Learning-Modelle für den Mittelstand, messen sie ehrlich an Deiner heutigen Planung und bringen die Ergebnisse dorthin, wo entschieden wird: in ERP, Instandhaltung und Vertrieb.
Zufriedene Kunden der Suchhelden GmbH
Das Wichtigste in Kürze
Was ist Predictive Analytics?
Predictive Analytics, auf Deutsch prädiktive Analyse, wertet Daten aus der Vergangenheit aus, um Wahrscheinlichkeiten für die Zukunft zu berechnen. Ein Modell lernt Muster, etwa wie Absatz, Wetter, Aktionen und Feiertage zusammenhängen, und wendet sie auf neue Daten an. Das Ergebnis ist eine Prognose mit Bandbreite oder ein Risikowert pro Fall.
Der Unterschied zu klassischem Reporting und Business Intelligence: BI zeigt, was passiert ist. Predictive Analytics schätzt, was passieren wird. Und anders als eine Simulation, die Was-wäre-wenn-Szenarien durchspielt, rechnet ein Prognosemodell mit dem, was die Daten wahrscheinlich machen. Die Entscheidung trifft weiter ein Mensch, aber früher und mit besserer Grundlage.
Descriptive: Was ist passiert?
Berichte und Dashboards zeigen Umsatz, Ausfälle und Lagerbestände der Vergangenheit.
Diagnostic: Warum ist es passiert?
Ursachen finden: Welche Faktoren hängen mit dem Einbruch im März oder dem Lagerausfall zusammen?
Predictive: Was wird passieren?
Machine-Learning-Modelle schätzen Mengen, Risiken und Zeitpunkte für die kommenden Wochen und Monate.
Prescriptive: Was sollten wir tun?
Aus der Prognose wird eine Empfehlung, etwa eine Bestellmenge oder ein Wartungstermin, die ein Mensch freigibt.
Einordnung
Machine Learning, Statistik oder generative KI?
Seit ChatGPT denken viele bei KI an Sprachmodelle. Für Prognosen ist aber meist klassisches Machine Learning das richtige Werkzeug. Es analysiert, klassifiziert und prognostiziert und liefert als Ergebnis einen Wert, eine Kategorie oder eine Wahrscheinlichkeit. Seine Grenze: Es erkennt nur, was es in den Daten gelernt hat.
Wir beginnen immer mit dem einfachsten Verfahren, das funktioniert. Oft ist das ein statistisches Modell, das saisonale Muster sauber abbildet. Es ist zugleich die Messlatte für alles Aufwendigere. Erst wenn Machine Learning messbar besser ist, lohnt sich der zusätzliche Aufwand. Generative KI kommt dazu, wenn Ergebnisse erklärt oder Texte erzeugt werden sollen, etwa ein Wartungsbericht zur Ausfallprognose. Mehr zu allen Bausteinen unter KI-Entwicklung.
Statistik und Zeitreihen
Trend, Saison und Feiertage. Robust, gut erklärbar und oft schon gut genug für Absatz- und Bedarfsprognosen.
Machine Learning
Regression, Entscheidungsbäume und Gradient Boosting für viele Einflussfaktoren gleichzeitig, etwa Preise, Aktionen und Wetter.
Deep Learning
Neuronale Netze für Bilder, Schwingungssignale und große Datenmengen. Grundlage von Computer Vision.
Generative KI als Ergänzung
Erklärt Prognosen in Worten, fasst Wartungsberichte zusammen oder beantwortet Fragen an die eigenen Zahlen.
Einsatzfelder
Wofür Predictive Analytics im Unternehmen eingesetzt wird
Wir ordnen Anwendungsfälle nach der Frage, die sie beantworten, nicht nach der Technik dahinter.
Bedarfsprognose und Demand Forecasting
Wie viel verkaufen wir pro Artikel und Standort in den nächsten Wochen? Grundlage für Einkauf, Lager, Produktion und Personalplanung. Weniger Fehlmengen, weniger totes Kapital im Lager.
02Predictive Maintenance
Welche Anlage fällt wahrscheinlich bald aus? Wartung nach Zustand statt nach Kalender, Ersatzteile rechtzeitig bestellen, Stillstände planen statt erleiden.
03Computer Vision und Qualitätsprüfung
Ist das Bauteil in Ordnung? Kameras und Bilderkennung prüfen Oberflächen, Maße und Vollständigkeit, auch dort, wo Menschen ermüden.
04Anomalieerkennung
Was ist ungewöhnlich? Auffällige Buchungen, Abweichungen in Prozessdaten, plötzliche Verbrauchsspitzen. Das Modell meldet, ein Mensch prüft.
05Predictive Analytics im Vertrieb
Welche Kunden springen wahrscheinlich ab, welche Leads schließen eher ab? Der Vertrieb kümmert sich zuerst um die Fälle mit dem größten Hebel.
06Planung, Preise und Auslastung
Auftragseingang, Energiebedarf, Lieferzeiten oder Personalbedarf vorhersagen, damit Kapazitäten zur Nachfrage passen.
Instandhaltung
Predictive Maintenance: Wartung nach Zustand statt nach Kalender
Predictive Maintenance, die vorausschauende Wartung, erkennt aus Sensor- und Maschinendaten, wann sich ein Ausfall anbahnt. Typische Vorboten sind steigende Schwingungen, höhere Temperaturen, veränderter Stromverbrauch oder häufigere Warnmeldungen. Das Modell lernt, wie diese Signale vor früheren Störungen aussahen, und schlägt Alarm, bevor es wieder so weit ist.
Wichtig ist, was am Ende herauskommt: eine Ausfallwahrscheinlichkeit für die nächsten Tage, eine geschätzte Restlaufzeit, ein Hinweis auf die vermutliche Ursache und eine Empfehlung, die als Auftrag im Instandhaltungssystem landet. Die Rückmeldung der Techniker, ob der Alarm berechtigt war, fließt zurück ins Modell. So wird es mit jedem Einsatz besser.
Sensordaten
Schwingung, Temperatur, Druck, Strom, Akustik. Oft vorhanden, sonst nachrüstbar.
Steuerungs- und Maschinendaten
Betriebsstunden, Lastwechsel, Fehlercodes aus SPS, SCADA, MES oder Datenhistorie.
Wartungshistorie
Dokumentierte Störungen, Reparaturen und getauschte Teile. Ohne sie kann das Modell nicht lernen, was ein Ausfall ist.
Anlagenstammdaten
Typ, Alter, Standort, Einsatzbedingungen. Sie helfen, Erkenntnisse auf gleiche Anlagen zu übertragen.
Der Vergleich
Reaktiv, vorbeugend oder vorausschauend warten?
Die drei Wartungsstrategien schließen sich nicht aus. Die meisten Betriebe kombinieren sie je nach Anlage.
| Reaktive Wartung | Vorbeugende Wartung | Predictive Maintenance | |
|---|---|---|---|
| Auslöser | Ausfall | festes Intervall oder Betriebsstunden | tatsächlicher Zustand laut Daten |
| Stillstand | ungeplant | geplant, teils unnötig | geplant, wenn er nötig wird |
| Ersatzteile | im Notfall beschaffen | oft zu früh getauscht | rechtzeitig und gezielt |
| Voraussetzung | keine | Wartungsplan | Sensordaten und Störungshistorie |
| Passt für | günstige, unkritische Teile | Anlagen mit gut planbarem Verschleiß | kritische Anlagen mit teuren Ausfällen |
Für die Anbindung an Maschinen und Fertigungssysteme arbeiten wir mit der passenden Produktionssoftware zusammen oder entwickeln die Schnittstellen selbst. Sensordaten, Steuerungen und Wartungssysteme bleiben, wo sie sind.
Bilder auswerten
Computer Vision und Bilderkennung
Computer Vision bringt Software das Sehen bei. Mit Kameras und Deep Learning werden Prüf- und Erfassungsaufgaben automatisiert, die heute Menschen am Band oder am Schreibtisch erledigen.
Qualitätsprüfung
Kratzer, Risse, Lackfehler, falsche Maße oder fehlende Teile erkennen, direkt in der Linie. Auffällige Teile gehen an einen Menschen zur Nachprüfung.
Erkennen und Zählen
Waren beim Wareneingang zählen, Paletten prüfen, Typenschilder und Zählerstände ablesen, Füllstände überwachen.
Dokumente und Formulare
Scans und Fotos von Lieferscheinen oder Formularen auslesen. Das ist ein eigenes Feld, mehr dazu unter KI-Dokumentenverarbeitung.
Bei Computer-Vision-Projekten entscheidet die Aufnahme über den Erfolg: gleichmäßiges Licht, feste Kameraposition und genügend Beispielbilder, auch von seltenen Fehlern. Deshalb prüfen wir vor dem ersten Modell, ob die Bilder für die Aufgabe taugen.
Welche Prognose würde Euch am meisten helfen?
Im kostenlosen Erstgespräch prüfen wir Deinen Anwendungsfall und sagen Dir offen, ob Deine Daten dafür reichen.
Voraussetzungen
Welche Daten brauchst Du für Predictive Analytics?
Die häufigste Frage und der häufigste Grund, warum Projekte scheitern. Als Faustregel gilt: Das Modell kann nur lernen, was in Deinen Daten schon einmal vorgekommen ist.
✓Bedarfs- und Absatzprognose
- Absatz oder Verbrauch je Artikel und Zeitraum, ideal mehrere Jahre, mindestens ein voller Saisonzyklus
- Aktionen, Preisänderungen, Lieferengpässe und Sondereffekte
- Optional externe Daten: Feiertage, Ferien, Wetter, Branchenindizes
✓Predictive Maintenance
- Sensor- und Steuerungsdaten mit Zeitstempel
- Dokumentierte Störungen und Ausfälle, idealerweise mit Ursache
- Wartungs- und Reparaturhistorie aus dem Instandhaltungssystem
Fehlen Daten, ist das selten das Ende. Oft ist der erste Schritt, Quellen zusammenzuführen und sauber abzulegen, zum Beispiel in einer Datenplattform, oder Sensoren nachzurüsten und einige Monate Daten zu sammeln.
Ehrlich gesagt
Wann Predictive Analytics nicht passt
✕Eher kein Prognoseprojekt, wenn …
- weniger als ein Jahr Historie vorliegt und sich Saisonverläufe nicht zeigen
- niemand seine Planung ändern würde, egal was die Prognose sagt
- eigentlich ein besserer Bericht gesucht wird. Dafür reicht Business Intelligence
- Ausfälle so selten sind, dass das Modell kaum Beispiele zum Lernen hat
✓Gute Zeichen
- eine Entscheidung wiederholt sich oft: bestellen, einplanen, warten, nachfassen
- Fehlentscheidungen kosten spürbar Geld: Fehlmengen, Überbestand, Stillstand
- die Daten liegen digital vor und lassen sich verknüpfen
- ein Fachbereich will die Prognose wirklich nutzen
Make or Buy
Fertige Software oder eigenes Modell?
Für viele Prognoseaufgaben gibt es Predictive-Analytics-Tools und Module in ERP- oder Wartungssoftware. Wir prüfen zuerst, ob sie für Dich reichen.
Prognosemodul im ERP
Gut für Standardfälle mit sauberen Stammdaten. Grenzen bei vielen Einflussfaktoren, externen Daten und Sonderfällen.
Predictive-Maintenance-Software
Plattformen für gängige Maschinentypen. Passend, wenn Deine Anlagen dazu passen und die Daten in die Anbieter-Cloud dürfen.
Eigenes Modell
Wenn die Prognose zum Kerngeschäft gehört, Daten aus mehreren Systemen kommen oder Standardmodelle nicht genau genug sind. Du bekommst die Rechte am Quellcode.
Vorgehen
So entsteht Dein Prognosemodell
Kurze Schritte mit klaren Entscheidungspunkten. Nach jedem Schritt kannst Du aufhören, wenn es sich nicht lohnt. Umgesetzt wird von unserem Team; für Spezialthemen wie Computer Vision oder Sensorik holen wir Expertinnen und Experten aus unserem Netzwerk in Berlin dazu.
Ziel festlegen
Welche Entscheidung soll besser werden? Wie weit voraus, auf welcher Ebene, und was kostet ein Fehler in beide Richtungen? Daraus entsteht das Erfolgskriterium.
Daten-Check
Welche Daten gibt es, wie vollständig sind sie, was fehlt? Am Ende steht eine klare Aussage, ob ein Modell möglich ist.
Messlatte bauen
Eine einfache Vergleichsprognose und Deine heutige Methode. Jedes Modell muss beide schlagen.
Modell und Rücktest
Wir trainieren Modelle und testen sie an vergangenen Zeiträumen, die sie nicht kannten. So siehst Du vorher, wie gut sie gewesen wären.
Parallelbetrieb
Das Modell läuft neben der heutigen Planung. Planer dürfen übersteuern, wir protokollieren, wann und warum. Erst dann geht es live.
Betrieb
Einbindung in ERP, Instandhaltung oder CRM, Überwachung der Genauigkeit, Neutraining bei Bedarf.
Kennzahlen
Erfolg messen: Genauigkeit in Euro, nicht nur in Prozent
Eine Prognose ist so viel wert wie die bessere Entscheidung, die sie ermöglicht. Diese Werte legen wir vor dem Start fest und messen sie vorher und nachher.
Abweichung zur Wirklichkeit
Wie weit liegt die Prognose daneben, im Vergleich zur Messlatte und zur bisherigen Planung?
Fehlerkosten
Was kosten zu hohe und zu niedrige Prognosen? Überbestand bindet Kapital, Fehlmengen kosten Aufträge.
Fehlalarme und verpasste Ausfälle
Bei Predictive Maintenance zählen beide: Zu viele Alarme ignoriert das Team, verpasste Ausfälle kosten Stillstand.
Stillstand und Verfügbarkeit
Ungeplante Stillstandsstunden und Anlagenverfügbarkeit vor und nach der Einführung.
Lager und Lieferfähigkeit
Lagerbestand, Fehlmengen und Lieferfähigkeit bei Bedarfsprognosen.
Nutzung
Wie oft folgen Planer der Prognose, wie oft übersteuern sie? Viele Übersteuerungen zeigen, wo das Modell nachlernen muss.
Betrieb
MLOps: damit Dein Modell auch nächstes Jahr stimmt
Ein Machine-Learning-Modell ist nie fertig. Märkte, Sortimente und Maschinen ändern sich, und mit ihnen die Daten. Fachleute nennen das Drift: Das Modell wird schleichend ungenauer, ohne dass es jemand merkt. MLOps, kurz für Machine Learning Operations, ist der geregelte Betrieb, der genau das verhindert.
Wir richten den Betrieb so ein, dass Du jederzeit siehst, wie gut das Modell gerade ist, und es neu trainiert wird, bevor die Qualität spürbar sinkt. Das Modell läuft in einer EU-Cloud, in einem deutschen Rechenzentrum oder auf eigenen Servern. Technisch nutzen wir dieselben Methoden wie bei DevOps und CI/CD in der Softwareentwicklung.
Überwachung
Genauigkeit, Eingangsdaten und Laufzeiten werden laufend gemessen, mit Warnung bei Abweichungen.
Neutraining
Automatisch nach Zeitplan oder wenn die Qualität sinkt. Ein neues Modell geht nur live, wenn es besser ist als das alte.
Versionierung
Daten, Code und Modellstände sind nachvollziehbar. Jede Prognose lässt sich einem Modellstand zuordnen.
Datenstrecke
Daten fließen automatisch aus ERP, Maschinen und anderen Quellen ins Modell, ohne Handarbeit.
Kosten
Was kostet ein Machine-Learning-Projekt?
Eine seriöse Zahl gibt es erst nach dem Daten-Check. Die Datenlage bewegt die Kosten stärker als die Wahl des Verfahrens: Liegen saubere Daten an einem Ort, ist ein erstes Modell schnell gebaut. Müssen Quellen zusammengeführt, bereinigt oder Sensoren nachgerüstet werden, steckt dort der größte Aufwand.
Bei KI-Helden hast Du zwei Wege. Im Retainer sind wir die unkomplizierte KI-Abteilung Deines Unternehmens – ohne die Nachteile einer eigenen Abteilung: kein Recruiting, keine Fixkosten, keine Einarbeitung, kein Ausfallrisiko. Abgerechnet wird ein Stundenkontingent, monatlich kündbar, auch für Betrieb und Neutraining. Ein abgegrenztes Vorhaben setzen wir auch als Einzelprojekt um, zu 85 € pro Stunde. Bei uns zahlst Du nur die Stunden, die wirklich anfallen, und eine erste Demo ist oft kostenlos. Dazu kommen laufende Kosten für Rechenleistung, die wir vorab schätzen.
Datenlage
Anzahl und Zustand der Quellen, fehlende Historie, Nachrüstung von Sensoren.
Umfang
Ein Modell für eine Anlage oder Artikelgruppe oder viele Modelle für Standorte und Sortimente.
Integration
Ausgabe als Dashboard oder direkt zurück in ERP, Instandhaltung und Steuerung.
Betrieb
Überwachung, Neutraining, Rechenleistung und Weiterentwicklung über die Laufzeit.
Recht und Datenschutz
Datenschutz und EU AI Act bei Prognosemodellen
Maschinendaten sind meist unkritisch. Sobald Prognosen Menschen betreffen, etwa Kunden beim Abwanderungsrisiko oder Mitarbeiter in der Personalplanung, gelten die Regeln der DSGVO. Bestimmte Anwendungen, zum Beispiel bei Personalentscheidungen oder Kreditwürdigkeit, stuft der EU AI Act als hochriskant ein, mit zusätzlichen Pflichten. Hinweis: Diese Informationen sind keine Rechtsberatung. Rechtsgrundlage ist die KI-Verordnung (EU) 2024/1689.
- Nur die Daten nutzen, die für die Prognose nötig sind
- Personenbezogene Daten anonymisieren oder pseudonymisieren, wo es geht
- Hosting in der EU oder auf eigenen Servern
- Entscheidungen über Menschen trifft immer ein Mensch
- Modelle auf Verzerrungen prüfen und Gründe für Prognosen erklärbar machen
- Betriebsrat früh einbinden, wenn Mitarbeiterdaten betroffen sind
Aus Fehlern lernen
Typische Fehler in Predictive-Analytics-Projekten
- Mit dem Modell statt mit der Entscheidung anfangen: Ohne klare Frage entsteht ein genaues Modell, das niemand braucht.
- Keine Messlatte: 90 % Genauigkeit klingt gut, ist aber wertlos, wenn die heutige Planung schon 88 % schafft.
- Datenqualität unterschätzen: Fehlende Störungsmeldungen oder falsch gebuchte Aktionen verderben jedes Modell.
- Ergebnis bleibt im Dashboard: Landet die Prognose nicht im ERP oder im Wartungsplan, ändert sich nichts.
- Einzelzahl statt Bandbreite: Wer die Unsicherheit nicht sieht, verliert beim ersten Ausreißer das Vertrauen.
- Kein Betrieb geplant: Ohne Überwachung und Neutraining veraltet das Modell still und leise.
Warum KI-Helden
Aus der Praxis, für die Praxis.
Keine lange Vertragsbindung. Volle Flexibilität, volle Kostenkontrolle.
Retainer auf Stundenbasis oder Einzelprojekt zu 85 € pro Stunde.
Modellunabhängig und immer am neuesten Stand – keine Bindung an ein Lizenzmodell.
Persönlicher Ansprechpartner, Jour-Fixe-Calls und dediziertes Umsetzungsteam.
Kostenlose KI-Erstberatung – einfach anfragen.
Wir schauen uns Deinen Anwendungsfall und Deine Daten an und sagen Dir ehrlich, ob sich ein Prognosemodell lohnt. Wenn ein fertiges Tool reicht oder die Daten noch nicht so weit sind, sagen wir Dir das genauso klar.
Fragen & Antworten
Häufige Fragen zu Predictive Analytics und Machine Learning
KI-Helden in Osnabrück
Heinrichstraße 14c49080 Osnabrück
- Montag bis Donnerstag
- 08:30–17:00 Uhr
- Freitag
- 08:30–15:00 Uhr
- Samstag und Sonntag
- Geschlossen
Was ist Predictive Analytics einfach erklärt?
Predictive Analytics nutzt historische Daten, Statistik und Machine Learning, um abzuschätzen, was wahrscheinlich passieren wird: wie viel nächsten Monat verkauft wird, welche Maschine bald ausfällt oder welcher Kunde kündigen könnte. Das Ergebnis ist keine Gewissheit, sondern eine Wahrscheinlichkeit oder eine Bandbreite, mit der Du früher und besser entscheiden kannst.
Was ist der Unterschied zwischen Predictive Analytics und Forecasting?
Forecasting ist ein Teil von Predictive Analytics: die Vorhersage einer Menge über die Zeit, etwa Absatz, Auftragseingang oder Energiebedarf. Predictive Analytics umfasst zusätzlich Vorhersagen über einzelne Fälle, etwa ob ein bestimmter Kunde abspringt, ob eine Rechnung auffällig ist oder ob ein Bauteil in den nächsten Wochen ausfällt.
Was ist der Unterschied zwischen Predictive und Preventive Maintenance?
Bei der vorbeugenden Wartung (Preventive Maintenance) wird nach festen Intervallen gewartet, egal wie es der Anlage geht. Bei der vorausschauenden Wartung (Predictive Maintenance) wird nach dem tatsächlichen Zustand gewartet: Ein Modell erkennt aus Sensordaten, wann ein Ausfall wahrscheinlich wird. In der Praxis kombiniert man beides und setzt Predictive Maintenance dort ein, wo ein Ausfall teuer ist.
Wie viele Daten brauche ich für ein Prognosemodell?
Das hängt von der Frage ab. Für eine Absatzprognose sind mehrere Jahre Historie ideal, damit Saisonverläufe erkennbar sind, mindestens aber ein voller Jahreszyklus. Für Predictive Maintenance braucht es Sensordaten und dokumentierte Ausfälle oder Störungen, aus denen das Modell lernen kann. Im Daten-Check zu Beginn sagen wir Dir, ob Deine Daten reichen oder was zuerst gesammelt werden muss.
Wie genau sind die Vorhersagen?
Das lässt sich erst nach einem Test mit Deinen Daten seriös sagen. Wir messen jedes Modell an einer einfachen Vergleichsprognose und an Deiner heutigen Methode, und zwar an vergangenen Zeiträumen, die das Modell nicht kannte. Geht ein Modell nur live, wenn es diese Messlatte schlägt, weißt Du vorher, was es bringt. Prognosen geben wir mit Bandbreite aus, damit die Unsicherheit sichtbar bleibt.
Lohnt sich Predictive Analytics auch für mittelständische Unternehmen?
Ja, wenn es eine wiederkehrende Entscheidung gibt, die von einer besseren Vorhersage profitiert, und genügend Daten dazu vorliegen. Ein einzelner, gut gewählter Anwendungsfall wie die Bedarfsprognose für den Einkauf oder die Zustandsüberwachung der wichtigsten Anlage reicht für den Start. Eine eigene Data-Science-Abteilung brauchst Du dafür nicht.
Wie lange dauert es bis zum ersten produktiven Modell?
Das hängt vor allem vom Zustand der Daten ab. Liegen sie sauber vor, kann ein erstes Modell nach wenigen Wochen im Parallelbetrieb laufen. Müssen Daten erst zusammengeführt oder Sensoren nachgerüstet werden, dauert es länger. Den Zeitplan für Deinen Fall bekommst Du nach dem Daten-Check.
Was ist MLOps, und warum brauche ich das?
MLOps steht für Machine Learning Operations, also den geregelten Betrieb von ML-Modellen: Versionierung, automatisches Neutraining, Überwachung der Genauigkeit und sichere Auslieferung neuer Modellstände. Das ist nötig, weil sich Daten und Märkte ändern. Ein Modell, das niemand überwacht, wird mit der Zeit schlechter, ohne dass es jemand merkt.
Können wir die Modelle in unseren bestehenden Systemen nutzen?
Ja, das ist das Ziel. Prognosen landen dort, wo entschieden wird: im ERP, in der Warenwirtschaft, im Instandhaltungssystem, im CRM oder in einem Dashboard. Für die Fertigung binden wir Steuerungen, SCADA, MES oder Datenhistorien an. Ein Modell, dessen Ergebnis man in einer separaten Datei suchen muss, wird nicht genutzt.
Brauchen wir eigene Server oder Data Scientists?
Nein. Modelle laufen in einer EU-Cloud, in einem deutschen Rechenzentrum oder auf Wunsch auf Deinen eigenen Servern. Training, Betrieb und Weiterentwicklung übernimmt unser Team, für Spezialthemen zusammen mit Expertinnen und Experten aus unserem Netzwerk in Berlin. Intern brauchst Du eine Person aus dem Fachbereich, die den Prozess kennt und die Ergebnisse bewertet.
Was kostet ein Machine-Learning-Projekt?
Die Kosten hängen vor allem von der Datenlage, der Zahl der Modelle, der Integration in Deine Systeme und dem laufenden Betrieb ab. Pauschalpreise wären unseriös. Bei KI-Helden arbeitest Du entweder mit einem Retainer auf Stundenbasis, monatlich kündbar, oder beauftragst ein einmaliges Projekt zu 85 € pro Stunde. Du zahlst nur die Stunden, die wirklich anfallen. Eine erste Demo ist oft kostenlos.
Was ist Computer Vision, und wo hilft sie im Unternehmen?
Computer Vision ist der Teil von Machine Learning, der Bilder und Videos auswertet. Im Unternehmen prüft sie zum Beispiel Bauteile auf Fehler, zählt und erkennt Waren, liest Typenschilder oder Zählerstände ab und prüft, ob Verpackungen vollständig sind. Voraussetzung sind gleichmäßige Aufnahmen und genügend Beispielbilder, auch von Fehlerfällen.