KI in der Praxis – echte Projekte, echte Ergebnisse.

Herausforderung

Manuelle visuelle Inspektionen mit 8–12% Fehlerquote und inkonsistente Qualitätsstandards über mehrere Produktionslinien. Hoher Personalaufwand bei gleichzeitig steigenden Qualitätsanforderungen der Kunden.

Lösung

Entwicklung eines Echtzeit-Bilderkennungssystems auf Basis eines fine-getunten YOLO-Modells, deployed auf NVIDIA Jetson Edge-Devices direkt an der Produktionslinie. Automatische Klassifikation und Sortierung fehlerhafter Teile mit unter 200ms Inferenzzeit.

Ergebnis

Falschablehnungsrate unter 1%, Inferenzzeit <200ms pro Bauteil. Jährliche Einsparungen von ca. 300.000 EUR durch reduzierte Nacharbeit und weniger Kundenreklamationen.

Herausforderung

Keine Echtzeit-Überwachung von Sensordaten über die Maschinenflotte hinweg. Rein reaktive Wartungsstrategie mit über 120 Stunden ungeplanter Ausfallzeit pro Jahr und hohen Folgekosten.

Lösung

Aufbau einer IIoT-Plattform mit MQTT-basierter Sensordaten-Ingestion, Zeitreihenanalyse in TimescaleDB und ML-basierter Anomalieerkennung. React-Dashboard für Echtzeit-Monitoring und automatische Wartungsempfehlungen.

Ergebnis

MVP in 6 Monaten live, 50 Kund:innen im ersten Jahr angebunden. Reduktion ungeplanter Ausfälle um 40% und signifikante Senkung der Wartungskosten durch vorausschauende Planung.

Herausforderung

Unternehmen arbeiten mit Daten aus verschiedenen Quellen, in denen dieselben Entitäten unterschiedlich geschrieben, abgekürzt oder formatiert sind. Manuelles Matching ist fehleranfällig, zeitaufwändig und skaliert nicht.

Lösung

Entwicklung einer SaaS-Plattform für semantisches Entity Matching mit Sentence Transformers. LSH-basierte Blocking-Strategien ermöglichen die Verarbeitung von 100.000+ Datensätzen. Benutzerfreundliches Next.js-Frontend für Review und Validierung.

Ergebnis

Matching-Genauigkeit von über 95% bei drastisch reduziertem manuellem Aufwand. Einsatz bei mehreren Unternehmen zur Stammdatenbereinigung, Duplikaterkennung und Datenintegration.

Herausforderung

Trotz gespeicherter Maschineneinstellungen traten signifikante Farbabweichungen im Druckprozess auf. Die Kalibrierung war zeitaufwändig und kostspielig durch zahlreiche Trial-and-Error-Zyklen.

Lösung

ML-basiertes Vorhersagemodell mit XGBoost, das auf Basis von Materialparametern, Umgebungsbedingungen und historischen Druckdaten optimale Maschineneinstellungen berechnet. 3D-Visualisierung des Farbraums mit Three.js zur intuitiven Qualitätskontrolle.

Ergebnis

Delta-E konsistent unter 1.5, Trial-and-Error-Zyklen um 70% reduziert. Deutliche Materialeinsparungen und schnellere Produktionsanlaufzeiten bei gleichzeitig höherer Farbkonsistenz.

Herausforderung

Die Erstellung von CAD-Modellen erfordert spezialisierte Software-Kenntnisse und ist zeitintensiv. Erste Designiterationen könnten deutlich schneller ablaufen, wenn natürlichsprachliche Beschreibungen direkt in parametrische Modelle übersetzt werden.

Lösung

Entwicklung eines LLM-basierten Text-zu-CAD-Konverters, der natürlichsprachliche Designbeschreibungen in ausführbaren CadQuery-Code übersetzt. Fine-Tuning auf einem eigenen Datensatz mit tausenden parametrischen 3D-Modellen. Web-Frontend mit Live-3D-Vorschau.

Ergebnis

Funktionierender Prototyp, der einfache bis mittlere mechanische Bauteile aus Textbeschreibungen generiert. Deutliche Beschleunigung der frühen Designphase und Senkung der Einstiegshürde für parametrisches CAD-Design.

Herausforderung

Unternehmenswissen liegt verstreut in Dokumenten, Wikis, E-Mails und Datenbanken. Mitarbeitende verbringen einen erheblichen Teil ihrer Arbeitszeit mit der Suche nach Informationen, die bereits im Unternehmen vorhanden sind.

Lösung

RAG-basierte Wissensplattform mit Multi-Source-Ingestion (PDFs, Confluence, SharePoint, Datenbanken). Hybrid-Search-Ansatz aus BM25 und Dense Retrieval für höchste Relevanz. Rollenbasierte Zugriffskontrolle und Quellenangaben für jede Antwort.

Ergebnis

Durchschnittliche Suchzeit für Fachinformationen um über 60% reduziert. Nachweisbar höhere Antwortqualität durch zitierfähige Quellenangaben. Einsatz bei mehreren mittelständischen Unternehmen als interne Wissensplattform.

Herausforderung

Rund 2.000 Anrufe pro Woche, davon 65% wiederkehrende Standardanfragen. Durchschnittliche Wartezeit von 4:30 Minuten, hohe Personalkosten im 1st Level Support und sinkende Kundenzufriedenheit.

Lösung

Entwicklung eines Voice Bots mit Whisper für Speech-to-Text, GPT-4 für kontextbasierte Antwortgenerierung und ElevenLabs für natürliche Sprachausgabe. Integration in die bestehende Twilio-Telefonanlage mit nahtloser Übergabe an menschliche Agents bei komplexen Anfragen.

Ergebnis

60% der Anfragen vollautomatisch gelöst. Wartezeit auf unter 30 Sekunden gesenkt. Kundenzufriedenheit (CSAT) bei 4.2/5.0 – auch für Bot-gelöste Anfragen.

Herausforderung

Tausende eingehende Dokumente pro Woche – Lieferscheine, Rechnungen, Zolldokumente – in unterschiedlichen Formaten und Sprachen. Manuelle Erfassung war fehleranfällig, langsam und ein wesentlicher Engpass in der Auftragsabwicklung.

Lösung

Pipeline aus Azure Document Intelligence für Strukturerkennung und LLM-basierter Datenextraktion. Celery-basierte asynchrone Verarbeitung für hohen Durchsatz. Automatische Klassifikation, Feldextraktion und Validierung gegen ERP-Stammdaten.

Ergebnis

Automatisierungsgrad von über 85% bei der Dokumentenerfassung. Bearbeitungszeit pro Dokument von durchschnittlich 8 Minuten auf unter 30 Sekunden reduziert. Fehlerquote um 70% gesenkt.

Herausforderung

Nachfrageprognosen basierten auf manuellen Schätzungen und einfachen Durchschnittswerten. Das führte zu hohen Lagerbeständen bei Langsamdrehern und gleichzeitig Lieferengpässen bei stark nachgefragten Produkten.

Lösung

Hybrides Forecasting-Modell aus Prophet für Saisonalität und Trends und LightGBM für kurzfristige Nachfrageschwankungen. Automatisierte Pipeline mit Airflow, Datenintegration über Snowflake und interaktives Streamlit-Dashboard für den Einkauf.

Ergebnis

Forecast-Accuracy (MAPE) um 35% verbessert. Lagerbestände um 18% reduziert bei gleichzeitiger Steigerung der Lieferfähigkeit auf über 97%. ROI innerhalb von 6 Monaten erreicht.