Lösungen / Start-ups
Wir bauen das Machine Learning in Ihrem Produkt, damit Ihr Team alles andere weiter ausliefern kann.
Diese Szenarien sind Beispiele. Keines beschreibt einen Kunden.
Detailhandel und E-Commerce
Was wir bauen würden
Eine hybride Suche, die Stichwortsuche mit mehrsprachiger semantischer Suche über den Katalog kombiniert, damit eine Anfrage die richtigen Produkte findet, in jeder Sprache und Formulierung. Sie läuft neben der heutigen Suchmaschine und wird anhand echter Suchprotokolle abgestimmt.
OpenSearch, BGE-M3, Python
Detailhandel und E-Commerce
Was wir bauen würden
Ein Service-Agent, der jedes Ticket liest, die Bestellung und die Rückgaberegeln nachschlägt und die Antwort in der Sprache der Kundschaft entwirft. Routineantworten gehen nach einer kurzen Prüfung hinaus; Rückerstattungen und Ausnahmen warten auf eine Person, mit bereits zusammengefasstem Fall.
LangGraph, Zendesk API, FAISS
Detailhandel und E-Commerce
Was wir bauen würden
Eine Content-Pipeline, die aus Lieferantendaten Produktseiten auf Deutsch, Französisch, Italienisch und Englisch erstellt, nach Ihrem Leitfaden für die Tonalität und Ihrem Glossar. Die Redaktion prüft jede Serie neben den Quelldaten, bevor sie veröffentlicht wird.
Mistral, Akeneo API, Python
Banken und Finanzen
Was wir bauen würden
Ein Scoring-Modell, das aus früheren Entscheiden der Analysten lernt, offene Alarme nach Risiko ordnet und die Transaktionen hinter jedem Score zeigt. Die heutigen Regeln bleiben in Kraft, das Modell legt die Reihenfolge fest, in der Menschen hinschauen, und seine Drift wird jeden Monat geprüft.
XGBoost, SHAP, MLflow, Airflow
Pharma und Life Sciences
Was wir bauen würden
Ein Literatur-Agent, der jede Woche PubMed zu den Themen jedes Teams abfragt, Abstracts nach dessen Kriterien sichtet und eine kurze Übersicht mit Links verschickt, samt dem Grund, weshalb jede Publikation ausgewählt wurde. Die Wissenschaftler bewerten die Auswahl, und das schärft die Sichtung der folgenden Woche.
PubMed API, BGE-M3, LangGraph, Microsoft Teams
Oft beginnt es mit einem Notebook oder einem Prototyp, der auf einem Laptop läuft, und einer Roadmap, die ihn in Produktion braucht. Wir machen daraus einen Dienst mit Tests, Evaluation und Monitoring oder bauen ihn von Grund auf und übergeben ihn Ihren Entwicklern in einem Zustand, in dem sie ihn weiterentwickeln können.
Ein Senior ML Engineer von unserer Seite, zusammen mit Ihren Gründern oder Ihrem Lead Developer, in Ihrem Repository und Ihren Werkzeugen.
Ein Festpreis pro Meilenstein oder eine feste Anzahl Tage pro Monat, wenn Sie laufende ML-Kapazität statt eines Projekts brauchen.
Meist entscheidet jemand aus dem Gründerteam, so kann der erste Meilenstein bald nach der Einigung über den Umfang beginnen.
Ein Prototyp auf Ihren eigenen Daten in wenigen Wochen, mit den Zahlen, die zeigen, ob er gut genug für die Auslieferung ist.
Ja. Wir arbeiten in Ihrem Repository, folgen Ihren Konventionen und Ihrem Review-Prozess und hinterlassen Tests und Dokumentation, die Ihr Team pflegen kann.
Meist beginnt man mit einem Modell per API und misst. Fine-Tuning oder eigenes Hosting lohnt sich, wenn Kosten, Latenz oder Datenregeln es verlangen, und wir zeigen Ihnen die Zahlen vor dieser Entscheidung.
Ja. Manche Start-ups brauchen einige Tage ML-Arbeit pro Monat statt eines Projekts. Wir übernehmen das Machine Learning auf Ihrer Roadmap, und Ihr Team behält die Verantwortung für das Produkt.
Ihnen, sobald die Arbeit bezahlt ist. Werkzeuge, die wir aus früheren Arbeiten mitbringen, bleiben unsere, und Sie erhalten eine Lizenz, sie in dem zu nutzen, was wir für Sie gebaut haben.
Manchmal, für den Forschungsteil. Innosuisse kann die Arbeit einer Schweizer Forschungsinstitution fördern, mit dem Start-up als Umsetzungspartner; unsere eigene Arbeit wird separat verrechnet. Wir sagen Ihnen, ob Ihr Projekt passt.
Wir beginnen mit einer Machbarkeitsstudie auf Ihren eigenen Daten, damit Sie Ergebnisse sehen, bevor etwas versprochen wird.