Elasticbrains Headerbild

Elasticbrains

Plattformen und Software mit KI im Kern aus München

Verifiziert 3 Referenzen

Elasticbrains Alternativen

Vention
4,9
1.001-5.000
Berlin

Software Entwicklung
App Entwicklung
Web Entwicklung
Blockchain & Web3
Chudovo OÜ
4,9
51-200
Castrop-Rauxel

Software Entwicklung
IT-Personaldienstleister
Cloud Services
App Entwicklung

Profilübersicht

Mindestbudget
> 5.000 €
Stundensatz
100 € - 149 €
Unternehmensgröße
2-10
Gründungsjahr
2015
Case Studies
3
Gesprochene Sprachen
Deutsch (German), English (English)

Über Elasticbrains

Bewertungsübersicht

Gesamtbewertung

0,0
0 Rezensionen
Haben Sie bereits mit diesem Anbieter zusammengearbeitet? Anbieter bewerten

Bewertungen

Feedbax Bewertungen

Haben Sie bereits mit diesem Anbieter zusammengearbeitet?

Leistungen

Portfolio

Downloads

Elasticbrains Firmenpräsentation PDF

Projekte

Eigenes Bildmodell für einen Sammlerkatalog

Case Study von Elasticbrains

Eigenes Bildmodell für einen Sammlerkatalog
Vertraulich (Sammlerobjekte)

E-Commerce

Januar 2026
-

Künstliche Intelligenz

Bildverarbeitung, Deep Learning, Machine Learning, Musteranalyse & Mustererkennung


Beschreibung

Ein spezialisiertes Bildmodell ordnet fotografierte Sammlerobjekte in einem großen Katalog zu, dort, wo zugekaufte KI-Modelle scheitern. Den Namen des Kunden nennen wir auf dessen Wunsch nicht.

Herausforderung

Die Objekte im Katalog sehen sich fast gleich. Zugekaufte Modelle halten alles für ähnlich und bewerten in kritischen Fällen die falsche Zuordnung höher als die richtige. Für eine automatische Zuordnung braucht es aber ein Signal, dem man trauen kann.

Lösung

  • Ein vortrainiertes Bildmodell bleibt, wie es ist. Nur ein kleiner Zusatz lernt die feinen Unterschiede.
  • Die Beschriftungen kamen aus vorhandenen Metadaten, niemand musste Bilder von Hand markieren.
  • Das Training dauert Sekunden. Der Betrieb läuft auf normalen Prozessoren, on premise. Die Bilder verlassen das Haus nicht.
  • Jede Verbesserung haben wir über mehrere Testläufe gemittelt. Mehr Trainingsdaten, höhere Auflösung und ein Sprachmodell zum Nachsortieren haben wir getestet und verworfen.

Ergebnisse

  • 53 statt 30 Treffer beim ersten Versuch je 100 Fotos: eigenes Modell gegen Standard-API, gemessen im Kundenprojekt 2026.
  • Auch bei Objekten, die im Training nie vorkamen, wird die Zuordnung besser. Das Modell hat den Unterschied gelernt, nicht die Beispiele.
  • Kein Grafikkarten-Cluster nötig, Betrieb im eigenen Haus.

Haben Sie ein ähnliches Projekt?

Kontaktieren Sie den Anbieter und erhalten Sie zeitnah ein entsprechendes Angebot.


Weitere Case Studies des Anbieters

Standorte

München

Schieggstr. 23d 81479 München (DE) +49 177 5212493
Kontakt aufnehmen
Profil mit KI analysieren
Logo