Magie mit Methode

Unser Anspruch ist hoch. Wir wollen das Beste aus Ihren Daten herausholen und Ihnen ermöglichen, schnell von einer Automatisierung mittels KI zu profitieren. Doch die Qualität einer KI zeigt sich oft erst im Betrieb: Die Zusammensetzung von Daten ändern sich, die Anforderungen wandeln sich mit der Zeit und die KI muss mit anderen Komponenten und Systemen zusammenspielen.

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 AI 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. Diese werden 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.

Der Erfolg einer Data Science Initiative steht und fällt mit der Nutzbarkeit und Qualität Ihrer Daten. Wir beraten und unterstützen Ihre Data Governance mit unserem Know-How in Architecture, Data Quality, Metadata Management und Security.