Wofür wir enKI einsetzen
Wir begleiten KI-Projekte jeder Art – von einfachen Chatbots bis zu vollständigen KI-Plattformen.
Bei unseren KI-Projekten setzen wir auf Machine Learning, Computer Vision und generative KI. Wir arbeiten anbieterunabhängig mit proprietären und offenen Modellen, einschliesslich Open-Weight-Modellen und selbst trainierten Modellen. Nicht immer ist das grösste Modell die richtige Wahl: Oft bieten kleinere, lokal betriebene Modelle entscheidende Vorteile. Entscheidend sind der Anwendungsfall, ein angemessener Ressourceneinsatz und die Anforderungen unserer Kunden an die Datenhoheit.
Chatbot mit RAG
Ein Chatbot soll nicht einfach plausibel klingende Antworten geben, sondern die passenden Informationen finden. Dafür haben wir Retrieval-Augmented Generation (RAG) eingesetzt: Das System ruft relevante Inhalte ab und nutzt sie als Grundlage für seine Antworten.
Text-to-Image-Finetuning
Das Bildmodell sollte Ergebnisse liefern, die besser zu den gewünschten Motiven und Eigenschaften passen. Dafür haben wir ein bestehendes Modell mit einem kuratierten Datensatz trainiert. Die generierten Bilder wurden dadurch passender und überzeugender.
Solarmodul-Detektor aus Satellitenbildern
Auf Satellitenbildern sind Solarmodule nicht immer leicht von ähnlichen Flächen wie Dachfenstern zu unterscheiden. Wir haben ein System entwickelt, das mit annotierten Bildern trainiert wurde und Solarmodule zuverlässig erkennt.
Datenextraktion aus unstrukturiertem Text
Wir haben eine Kubeflow-Pipeline aufgebaut, die mit verschiedenen LLMs grosse Textmengen verarbeitet und daraus strukturierte Informationen gewinnt. Dabei wollten wir nicht nur Ergebnisse erhalten, sondern auch wissen, wie verlässlich sie sind. Mit einem Validierungsdatensatz konnten wir die Fehlerquote bestimmen und durch gezielte Anpassungen reduzieren.
Entwicklerschulungen
Wer mit KI entwickelt, sollte verstehen, was dahintersteckt. In unseren Schulungen behandeln wir die Geschichte und die Grundlagen von Machine Learning und KI, die Entwicklung der Sprachverarbeitung (NLP), Embeddings und die Funktionsweise von LLMs. Dazu kommt das heutige Tooling rund um LLMs, etwa Vektordatenbanken und MLOps, mit denen sich Anwendungen entwickeln und im Alltag betreiben lassen.