Lösungen / Uhren und Luxus
Systeme für Atelier, Boutique und Servicezentrum, gebaut von einem Ingenieur mit drei Jahren Erfahrung in der Forschungs- und Innovationsabteilung eines Luxuskonzerns.
Diese Szenarien sind Beispiele. Keines beschreibt einen Kunden.
Qualitätskontrolle
Was wir bauen würden
Eine Prüfstation, die jedes Zifferblatt unter fester Beleuchtung fotografiert und Bereiche hervorhebt, die von freigegebenen Teilen abweichen. Die Kontrolleure bestätigen oder verwerfen jede Markierung, und diese Entscheide bilden die Referenz für das nächste Modell-Update.
PyTorch, Anomalib, ONNX Runtime
Boutiquen
Was wir bauen würden
Ein Briefing-Assistent, der Kaufhistorie, Servicedaten und Beraternotizen zum Kunden liest und dann ein einseitiges Briefing in der Sprache des Beraters schreibt, mit einer Quelle für jede Zeile. Er läuft auf Infrastruktur, die das Haus kontrolliert, und speichert selbst nichts.
Mistral, vLLM, Salesforce API
Markenschutz
Was wir bauen würden
Ein Agent, der ausgewählte Marktplätze beobachtet, Angebote anhand von Fotos und Beschreibungen den Referenzen zuordnet und jede sichtbare Seriennummer oder Garantiekarte mit den Zuteilungen an offizielle Konzessionäre abgleicht. Für jedes verdächtige Angebot legt er ein Falldossier an, und das Team entscheidet, was es weiterverfolgt.
Playwright, DINOv2, Python, PostgreSQL
After-Sales
Was wir bauen würden
Ein Annahme-Assistent, der die Fotos und die Beschreibung des Kunden liest, ähnliche frühere Reparaturen findet und einen vorläufigen Kostenvoranschlag mit den wahrscheinlichen Arbeitsschritten und Teilen entwirft. Ein Uhrmacher bestätigt oder korrigiert den Entwurf, und jeder korrigierte Kostenvoranschlag kommt zu den Beispielen für die nächsten hinzu.
PyTorch, FAISS, FastAPI, Salesforce API
Allokationsplanung
Was wir bauen würden
Ein Nachfragemodell, das Wartelisten, Abverkauf in den Boutiquen, Anfragen und lokale Anlässe kombiniert, um die unbeschränkte Nachfrage pro Markt zu schätzen. Die Planer sehen die Schätzung neben ihrer aktuellen Aufteilung und entscheiden selbst über die Zuteilung.
LightGBM, Darts, dbt, Snowflake
Die Uhrenindustrie arbeitet in kleinen Serien, mit nahezu fehlerfreien Teilen und mit einer Kundschaft, die erwartet, wiedererkannt zu werden. Verglichen mit dem Massenmarkt gibt es wenig Daten, und sie sind oft vertraulich. Deshalb braucht es andere Methoden: Anomalieerkennung, die von guten Teilen lernt, Modelle, die im Atelier laufen, und Assistenten, die Kundendaten im Haus behalten.
Eine gute Fertigungslinie produziert sehr wenig Ausschuss. Prüfmodelle lernen deshalb, wie ein korrektes Teil aussieht, und markieren alles, was davon abweicht.
Unveröffentlichte Referenzen und Lieferantendaten bleiben vor Ort. Training und Inferenz laufen auf Hardware in Ihren eigenen Räumen.
Clienteling-Daten beschreiben Kunden, die volle Diskretion erwarten. Assistenten lesen sie deshalb dort, wo sie liegen, und legen ausserhalb Ihrer Systeme keine Kopie an.
Die Systeme zeigen, was einen zweiten Blick verdient. Die Beurteilung bleibt bei den Uhrmachern und Kontrolleuren.
Ja, mit der richtigen Beleuchtung. Der grösste Aufwand steckt in der Aufnahmestation: Lichtwinkel, Kamera und Halterungen. Wir bauen einen Prototyp der Station mit Ihren Teilen, bevor wir irgendetwas trainieren.
Meistens ja. Die Anomalieerkennung trainiert auf guten Teilen und braucht fehlerhafte nur, um zu prüfen, was sie erkennt. Eine Handvoll pro Fehlerart genügt für den Anfang, und der Bestand wächst, wenn die Kontrolleure neue Markierungen bestätigen.
An keinen neuen Ort. Der Assistent liest mit den bestehenden Berechtigungen des Beraters aus Ihrem CRM und läuft auf Servern, die Sie kontrollieren, in der Schweiz oder in der Region, in der die Daten bereits liegen.
Ja. Ein kleineres Haus kann mit einem gezielten Werkzeug beginnen, etwa Kostenvoranschlägen im Kundendienst oder der Prüfung einer einzelnen Komponente, und später weitere hinzufügen. Unsere Seiten für KMU und Grossunternehmen, unten verlinkt, zeigen, wie die beiden Projektarten ablaufen.
Wir beginnen mit einer Machbarkeitsstudie auf Ihren eigenen Daten, damit Sie Ergebnisse sehen, bevor etwas versprochen wird.