Data Science Solutions

Unsere Data Scientists identifizieren im engen Austausch mit der Fachseite unserer Kunden Anknüpfungspunkte für KI in Prozessen, Produkten und Dienstleistungen. Dabei priorisieren wir passend zu den Zielen der Kunden, den verfügbaren Daten und Ressourcen. So identifizieren wir Lösungen, die einen direkt messbaren Nutzen generieren und nachhaltig Mehrwert schaffen. Hierzu greifen wir auf etablierte Workshop-Formate wie den AI Design Sprint® zurück.

Das zentrale Element einer KI-Lösung sind ein oder mehrere Machine Learning-Modelle. Bei der Modellierung selektieren wir das passende Verfahren zur Erzeugung eines Modells und bauen darauf aufbauend das Modell. Je nach Verfahren wird das Modell über einen Trainingsprozess mit Hilfe bereitgestellter oder erhobener Daten angepasst und optimiert.

Neben der klassischen Modellierung gibt es noch die Möglichkeit, auf „schlüsselfertige“ Lösungen zurückzugreifen. Unsere Data Scientists überblicken den Markt dieser Lösungen und beraten unsere Kunden dahingehend, wie sie die Time-to-Market durch Einsatz dieser Lösungen reduzieren können. Zusätzlich können wir den Kostenfaktor dieser Lösungen einschätzen und mit dem einer Eigenentwicklung vergleichen.

KI-Lösungen bieten nur dann einen Mehrwert, wenn sie im produktiven Betrieb bestehen. Rund um diesen Themenkomplex hat sich der Bereich MLOps gebildet, welcher die Inbetriebnahme, aber auch das Monitoring und Integrationsleistungen rund um die entwickelte KI-Lösung abdeckt. Unsere Data Scientists kennen bewährte Lösungsansätze, um ein KI-Modell und zugehörigen Quellcode zu kapseln (um es z. B. als Microservice bereitzustellen) sowie geeignete Lösungen für das Monitoring des Gesamtsystem, beispielsweise durch Konzeption eines geeigneten Observability-Stacks. Zudem beraten wir dabei, geeignete Maßnahmen zur Prävention von Problemen wie Data Drift frühzeitig zu erkennen und Gegenmaßnahmen einzuleiten.

1. Business Understanding: Im engen Austausch mit dem Fachbereich konkretisieren wir die Aufgabenstellung und bauen ein tiefes Verständnis des Use-Cases auf.
2. Data Understanding:  Hier stehen erstmals die Daten im Fokus, die wir zunächst sammeln, analysieren und auf ihre Qualität für den Use-Case hin überprüfen und durch hilfreiche externe Daten (z.B. Wetter, Verkehr, Rohstoffpreise) anreichern.
3. Data Preparation: Wir bereiten die identifizierten Daten für die KI-Anwendung vor. Hierbei wählen wir relevante Felder aus, erweitern fehlende Werte bestmöglich und erstellen unabhängige Datensätze für die Auswertung.
4. Modeling: Im Herzstück des Data Science-Projekts wählen wir geeignete Verfahren aus dem Machine Learning aus oder entwickeln ein eigenes Modell. Dieses wird dann trainiert und optimiert.
5. Evaluation: Wir testen das trainierte Modell auf Herz und Nieren. Gemeinsam wählen wir das für die definierte Fragestellung am besten passende Modell aus.

1. Deployment: Wir bereiten das Modell für eine Operationalisierung und den späteren Betrieb vor. Hierbei unterstützen wir die Bereitstellung auf einem lokalen Server oder in der Cloud.
2. Zeigt sich im Monitoring oder bei der Wartung, dass das Modell nicht den gewünschten Effekt hat oder bei gewissen Eingaben nicht optimal funktioniert, wechseln wir zur Weiterentwicklung des Modells wieder auf den Data Science Kreislauf.

1. Integrationsphase: Wir entwickeln einen Service, der auf das Modell zugreifen kann und unterstützen die firmeninterne IT dabei, diesen Service in den bestehenden Workflow zu integrieren.
2. Betrieb: Die spannendste Zeit, denn nun zeigt sich, wie das Modell sich in den Geschäftsprozess oder das Produkt einfügt.
3. Monitoring: Wir überwachen den Betrieb des Modells, insbesondere die Performance, und analysieren die Qualität der Vorhersagen bzw. den Effekt auf den Workflow.
4. Wartung: Treten im Betrieb am Service Probleme auf, werden diese direkt adressiert und der Service so schnell wie möglich gewartet, um einen reibungslosen Betrieb zu gewährleisten.