Mehr Infos über KI
in unserem Buch "Die KI-Revolution"

AI Engineering

AI Engineering bedeutet für uns die ingenieursmäßige Umsetzung von Projekten aus dem Bereich künstlicher Intelligenz. Wir führen das Projekt von der Beschaffung und Vorverarbeitung der Daten (Data Science) über die Entwicklung eines Machine-Learning-Modells hin zum Deployment der fertigen KI-Applikation.

Unser breites Erfahrungsspektrum ermöglicht uns, hochqualitative Ergebnisse aus der Statistik (Data Science), der Entwicklung und Umsetzung von Architekturmodellen für maschinelles Lernen und dem klassischen Software Engineering zu leisten.

Alle unsere Mitarbeiter stammen aus dem Bereich Informatik/Mathematik und verfügen über langjährige Erfahrung in der professionellen Softwareentwicklung. So können wir die planmäßige Umsetzung von Softwareprojekten garantieren. Egal, ob Sie auf Cloud-Technologien oder on-premise Lösungen zurückgreifen möchten. Wir garantieren einen professionellen Engineering-Prozess im Sinne der Softwareentwicklung.

Beratung und Umsetzung

Nach der umfassenden Beratung über wirtschaftlich sinnvolle Einsatzmöglichkeiten von künstlicher Intelligenz, setzen wir die geplanten KI-Projekte auch gerne mit unseren Kunden und Partnern um.

Gerne übernehmen wir auch die Umsetzung von bereits geplanten KI-Projekten als externer Dienstleister.


Unser Team bei we-make.ai besteht aus ausgezeichneten Ingenieuren mit fundiertem fachlichen Hintergrund aus den Bereichen:

...

- künstliche Intelligenz
- Machine Learning
- Data Science und
- Software Engineering

So können wir anspruchsvolle Projekte von der Planung und Konzeption bis hin zur Umsetzung abwickeln.

Bild und Text/Sprache

Im Umfeld von künstlicher Intelligenz und Machine Learning haben wir uns auf diese Bereiche konzentriert:

- Bilderkennung mittels künstlicher Intelligenz

- semantische Sprach- und Textanalyse

(Verstehen von Text und Sprache mittels Deep-Learning-Systemen – NLP Natural Language Processing)

...

Sei es eine Bilderkennung (Computer Vision) mittels Machine Learning und neuronaler Netze zur Erkennung von Ausschussprodukten in der Fertigung oder die Implementierung eines Chatbots für den Einsatz im Kundenservice - unsere Kunden können sich auf eine Umsetzung nach dem Stand der Technik verlassen.

Computer Vision
Die Anwendungs- und Einsatzmöglichkeiten von künstlicher Intelligenz / Artificial Intelligence sind so vielfältig wie die Unternehmen selbst. Im Bereich der Bilderkennung und -analyse (Computer Vision) fallen alle Themen, deren Rohdaten aus Bildern bestehen, seien es Bilder im Zuge der Qualitätssicherung eines Produktionsprozesses oder Bilder von Kunden. Ziel solcher Projekte ist immer die inhaltliche Analyse eines Bildes. Für den menschlichen Anwender eine sehr leichte Aufgabe. Unser Gehirn ist evolutionsbedingt auf eine extrem schnelle Auswertung von Bilddaten, die über die Augen ans Gehirn geliefert werden, ausgelegt. Diese Fähigkeit war überlebenswichtig, denn ein hungriger Säbelzahntiger musste auf einem Bild im Gehirn schnell erkannt werden, um rechtzeitig die Flucht antreten zu können.

Für KI-Systeme stellt die Auswertung von Bildern eine weitaus größere Herausforderung dar, da die Bilder nicht als Ganzes, sondern nur in Form einzelner Pixel analysiert werden können.

Natural Language Understanding
Handelt es sich um Sprache, müssen die Daten ebenfalls vorverarbeitet werden. Gesprochene Sprache wird zuerst in schriftliche Textform transferiert. Die Texte werden für die Eingabe in ein ML-Modell modifiziert und optimiert, um später das bestmögliche Trainingsergebnis erzielen zu können.

Ein häufiger Anwendungsfall von KI-Projekten aus dem Bereich NLU (Natural Language Understanding – Text- und Sprachanalyse) ist die Klassifizierung von Dokumenten. Beispielsweise die vollautomatische interne Verteilung bzw. Weiterleitung von E-Mails auf Basis einer semantischen Inhaltsanalyse.

Data Science
In beiden Bereichen (Natural Language/Computer Vision) müssen die Rohdaten zuerst in eine Form gebracht werden, die das KI-System leichter verarbeiten kann. Die Daten werden auf Konsistenz hin geprüft und validiert. Verteilungen der Daten in einzelne Gruppen werden statistisch analysiert – allesamt Aufgaben aus dem Bereich Data Science (bzw. Datenanalyse).

Integration ins IT-System

Im Endergebnis kann ein KI-System nur so gut sein, wie die Daten, die am vorderen Ende hineinkommen.
Nach der Vorverarbeitung (Preprocessing) der Daten kann eine geeignete Architektur für das Machine-Learning-Modell erarbeitet werden.


Dieses ML-Modell wird dann mit den bereinigten Trainingsdaten trainiert und laufend validiert. Je nach Aufgabenbereich und Ziel des KI-Projekts kann dieses Modell ein bereits vorhandenes sein, das sehr schnell einsetzbar ist, oder ein eigens erstelltes, das punktgenau auf das jeweilige Einsatzgebiet hin optimiert ist.

...

Nach Abschluss des Trainings muss das Modell für die weitere Verwendung konfiguriert werden. Der letzte Schritt ist somit die "Produktivnahme” (= Deployment) des ML-Modells. Das Modell muss in den Kontext eines gesamten IT-Systems integriert werden. Hierbei unterstützen Sie unsere Experten aus dem Software-Engineering-Bereich, die es gewohnt sind, hochperformante Softwareprodukte zu erstellen.