Top Machine Learning Agenturen in Deutschland

• Titel: Vorausschauende Wartung von U-Bahn-Fahrzeugen
• Auftraggeber: Metro do Porto
• Expertise: Künstliche Intelligenz
• Schwerpunkte: Maschinelles Lernen

Beschreibung

Erstellung eines prädiktiven Wartungssystems für die Metro do Porto durch die Vorhersage von Fehlern an U-Bahn-Fahrzeugen, die zu ungeplanten Ausfahrten führen, um die vorbeugende Wartung zu unterstützen.

Es wurden Daten aus Fahrzeugprotokollen, Fahrzeugausfahrten von Gleisen sowie das Register der an jedem Fahrzeug durchgeführten Wartungsarbeiten verwendet.

Herausforderung

Wir mussten mit multimodalen Daten (Protokolle und Sensordaten) arbeiten, die den Aufbau zweier separater Pipelines für die Datenverarbeitung erforderten. Gemeinsam mit dem Unternehmen mussten wir die Schwierigkeiten und Auswirkungen der Vorhersage von Problemen auf Fahrzeug- oder Komponentenebene verstehen.

Lösung

Wir haben ein Multiview-Modell erstellt, das Daten aus allen verfügbaren Quellen kombiniert, darunter:

• Zeitdaten aus dem Auftreten von Ereignissen jedes Typs.
• Textdaten zur Beschreibung der Ereignisse.

Wir validierten die Leistung von zwei Arten von Zielen, die Ausfälle auf Fahrzeugebene vorhersagen würden:

• Zeit bis zum Ereignis: Regressionsmodell, das die Zeit bis zur nächsten Ausfahrt vorhersagt.
• Ausfahrt in <K Tagen: Klassifizierungsmodell, das die Wahrscheinlichkeit schätzt, dass eine Ausfahrt in den nächsten K Tagen stattfindet.

Ergebnisse

Bei der Durchführung von Geschäftssimulationen untersuchten wir den Anstieg der Erkennung von Fehlern, die sonst in den nächsten K-Tagen aufgetreten wären.

Wir stellten fest, dass die Verwendung eines Modells, das auf einem 3-Tage-Fenster für die Vorhersage von mittelfristigen Fehlern (7-14 Tage) trainiert wurde, für das Unternehmen am besten geeignet war.

• Titel: Umsatzprognosen
• Auftraggeber:
• Expertise: Künstliche Intelligenz
• Schwerpunkte: Maschinelles Lernen, Musteranalyse und -erkennung, Mustervorhersage

Beschreibung

Unsere Algorithmen für maschinelles Lernen zur Absatzprognose werden derzeit in zwei Märkten eines der größten Getränkehersteller der Welt eingesetzt. Wir haben Prognosen auf Produktionsebene erstellt, die unter Verwendung der bewährten MLOps-Verfahren sowohl für den On-Trade-Bereich (Restaurants, Cafés usw.) als auch für den Off-Trade-Bereich (Einzelhandel) eingesetzt wurden. Wir haben eine erhebliche Verbesserung des aktuellen MAPE (Mean Average Percentage Error) erreicht, insbesondere im On-Trade-Geschäft.

Lösung

Wir haben sowohl SARIMAX- als auch Prophet-Modelle getestet. Die Modelle werden neu trainiert, um eine Überanpassung zu vermeiden und signifikante Änderungen der Verbrauchernachfrage zu erfassen. Wir haben Verkäufe, Wetter, Fußballspiele, Feiertage und andere Faktoren zur Erfassung der Verbrauchernachfrage verwendet.

Ergebnisse

Wir haben für beide Unternehmen Modelle für mehr als 250 SKUs bereitgestellt. Es ist unmöglich, diese Modelle ohne geeignete MLOps-Techniken und funktionierende CI/CD-Pipelines in Angriff zu nehmen und zu verwalten.

• Titel: KI-basiertes Callcenter
• Auftraggeber:
• Expertise: Künstliche Intelligenz
• Schwerpunkte: Chatbots, Maschinelles Lernen, Sprach- und Textverarbeitung

Beschreibung

Innowise ist stolz darauf, eine hochmoderne, KI-basierte Callcenter-Lösung vorzustellen, die speziell für ein führendes Telekommunikationsunternehmen entwickelt wurde. Da sich die Telekommunikationsbranche in raschem Tempo weiterentwickelt, hat der Kundensupport eine entscheidende Rolle bei der Aufrechterhaltung der Kundenzufriedenheit und -treue eingenommen. Innowise, ein renommierter Technologie-Innovator, hat die Kraft der künstlichen Intelligenz (KI) genutzt, um das Kundenservice-Erlebnis für Telekommunikationsunternehmen zu revolutionieren.

• Titel: Betrugsaufdeckung im Gesundheitswesen
• Auftraggeber:
• Expertise: Künstliche Intelligenz
• Schwerpunkte: Maschinelles Lernen, Sprach- und Textverarbeitung

Beschreibung

In diesem Projekt zur Erkennung von Betrug durch maschinelles Lernen haben wir ein Softwareunternehmen beraten, das Betrug im Gesundheitswesen verhindern wollte, indem es feststellte, welche medizinischen Ansprüche betrügerisch waren. Zum Beispiel könnte eine Person angeben, dass sie ein gebrochenes Bein hat und einen Antrag stellen, obwohl kein solcher Schaden an ihrem Körper entstanden ist. Wir haben eine umfassende Dokumentation für ein Softwaresystem entwickelt, das eine solche Erkennung durchführen kann. Dabei kamen verschiedene Techniken des maschinellen Lernens zum Einsatz, wie Random Forest, logistische Regression und Deep Learning. Bei diesem Projekt für einen Kunden in Südafrika wurde Python und der dazugehörige technische Stack eingesetzt. Wir haben die Implementierung nicht entwickelt, weil wir uns nicht auf die Vertragsbedingungen für dieses Projekt einigen konnten.

• Titel: Zedkira | Tiefes Gesicht
• Auftraggeber: Ilyes Ouhadj
• Expertise: Künstliche Intelligenz
• Schwerpunkte: Bildverarbeitung, Maschinelles Lernen, Musteranalyse und -erkennung

Beschreibung

DeepFace, unser eigenes SaaS-Produkt, bietet eine leichtgewichtige Online-Schnittstelle und eine robuste API für fortschrittliche Gesichtserkennung, Verifizierung und Analyse von Gesichtsmerkmalen. Diese hochmoderne Plattform wurde entwickelt, um genaue und aufschlussreiche Informationen über Gesichtsattribute, einschließlich Alter, Geschlecht, Emotionen und Gesichtsausdrücke, zu liefern. Ob für Sicherheitsanwendungen, Personalisierung oder einfach nur zur Unterhaltung, die Gesichtserkennungsfunktionen von DeepFace bieten eine unvergleichliche Genauigkeit und Leistung.

Herausforderung

Die Herausforderung bei der Entwicklung von DeepFace bestand darin, fortschrittliche Gesichtsanalysefunktionen zu integrieren und gleichzeitig eine leichte und benutzerfreundliche Anwendung zu gewährleisten. Ziel war es, eine Plattform zu entwickeln, die nicht nur durch ihre Genauigkeit besticht, sondern auch eine nahtlose Schnittstelle für die Nutzer bietet. Die Herausforderung bestand darin, komplexe Algorithmen zur Gesichtserkennung, -verifizierung und Attributanalyse zu implementieren und dabei ein hohes Maß an Geschwindigkeit und Präzision zu gewährleisten.

Lösung

Um diese Herausforderungen zu meistern, hat das DeepFace-Projekt eine zweifache Lösung gewählt:

Erstens konzentrierte sich unser Entwicklungsteam auf die Implementierung von hochmodernen Algorithmen für die Gesichtserkennung und nutzte die neuesten Fortschritte in der Bildverarbeitungstechnologie. Dadurch wurde sichergestellt, dass DeepFace Gesichter in Bildern genau erkennen kann, um verschiedene Anwendungsfälle zu bedienen, darunter Sicherheitsanwendungen und personalisierte Benutzererfahrungen.

Zweitens wurde die Gesichtsverifizierungsfunktion mit besonderem Augenmerk auf Genauigkeit und Geschwindigkeit entwickelt. Hochentwickelte Algorithmen wurden eingesetzt, um Gesichter in zwei Bildern zu vergleichen und ihre Ähnlichkeit mit hoher Präzision zu bestimmen. Die leichtgewichtige Online-Schnittstelle wurde auf Benutzerfreundlichkeit ausgelegt, so dass die Benutzer die Identität von Personen mühelos überprüfen können.