Kein Modell von der Stange

Fertige KI-Dienste kennen euer Geschäft nicht. Sie wissen nicht, wie eure Aufträge aussehen, welche Kennzahlen zählen und was in eurer Branche normal ist.

GlasseLabs entwickelt Modelle auf euren Daten — auf die konkrete Fragestellung zugeschnitten, mit dokumentierter Funktionsweise.

Erst rechnen, dann bauen

Nicht jede Fragestellung braucht maschinelles Lernen. Manches lässt sich mit einer sauberen Auswertung schneller, günstiger und verlässlicher lösen.

Wir prüfen zuerst, ob genug verwertbare Daten vorhanden sind und ob sich der Aufwand lohnt. Wenn nicht, sagen wir das.

Anwendungsfälle

Wofür sich ML eignet

Prognosen

Absatz, Auslastung oder Bedarf auf Basis historischer Daten abschätzen — statt Bauchgefühl.

Anomalieerkennung

Abweichungen in Mess-, Log- oder Transaktionsdaten finden, bevor daraus ein Schaden wird.

Klassifikation

Dokumente, Anfragen oder Bauteile automatisch einordnen und weiterleiten.

Wartungsbedarf

Aus Sensor- und Betriebsdaten ableiten, wann eine Anlage voraussichtlich Aufmerksamkeit braucht.

Datenaufbereitung

Verteilte, unsaubere Datenbestände zusammenführen und in eine auswertbare Form bringen.

Individuelle Algorithmen

Rechenverfahren für Aufgaben, für die es keine passende Standardsoftware gibt.

Eignung

Wann maschinelles Lernen die falsche Antwort ist

Der schnellste Weg, Geld zu verbrennen, ist ein ML-Projekt für ein Problem, das keines ist. Diese Einordnung machen wir vor jedem Angebot.

Wenn …	Dann eher	Warum
die Regel eindeutig formulierbar ist	klassische Programmierung	Ein Modell zu trainieren, das eine bekannte Regel nachbaut, ist teurer und ungenauer.
nur die Frage „wie war es bisher?" zählt	Auswertung / Bericht	Für Rückblicke braucht es keine Vorhersage, sondern saubere Zahlen.
die Daten den Fall gar nicht enthalten	erst Daten erheben	Ein Modell kann nichts lernen, was in den Daten nicht vorkommt.
jede Entscheidung juristisch begründbar sein muss	nachvollziehbare Verfahren	Komplexe Modelle sind schwer erklärbar. Erklärbarkeit ist ein Auswahlkriterium, kein Nachgedanke.
Muster gesucht werden, die niemand kennt	maschinelles Lernen	Genau dafür ist es gebaut: Zusammenhänge finden, die sich nicht von Hand formulieren lassen.
Vorhersagen laufend gebraucht werden	maschinelles Lernen	Einmalige Fragen beantwortet eine Analyse. Wiederkehrende rechtfertigen ein Modell im Betrieb.

Vorgehen

Von der Frage zum Betrieb

Jeder Schritt endet mit einer Entscheidung, nicht mit einer Rechnung über das Gesamtprojekt. Nach der Datenprüfung wisst ihr, ob es überhaupt weitergeht.

Woran ML-Projekte scheitern

Nach unserer Erfahrung fast nie an den Modellen, sondern an den Daten: verteilt über mehrere Systeme, uneinheitlich erfasst, mit Lücken in genau dem Zeitraum, der interessant wäre.

Datenprüfung

Welche Daten liegen vor, in welcher Qualität, in welchem Umfang? Ergebnis ist eine schriftliche Machbarkeitsaussage — auch wenn sie „nein" lautet.
Prototyp

Ein erstes Modell an echten Daten, gemessen gegen eine vorher festgelegte Vergleichsgröße. Ohne diesen Vergleichswert lässt sich hinterher nicht sagen, ob das Modell etwas taugt.
Bewertung

Gemeinsame Entscheidung anhand der Zahlen: weitermachen, nachschärfen oder abbrechen. Abbrechen ist ein legitimes Ergebnis.
Einbindung

Das Modell wandert dorthin, wo die Entscheidung tatsächlich fällt — in eure Abläufe und Systeme, nicht in ein separates Werkzeug, das niemand öffnet.
Betrieb

Überwachung der Modellgüte und Nachtraining, wenn sich die Daten verändern. Modelle veralten — anders als klassische Software tun sie das leise.

Datenbedarf

Was wir von euch brauchen

Vor dem ersten Gespräch müsst ihr nichts vorbereiten. Für die Datenprüfung sind diese vier Punkte relevant.

Die Fragestellung

Was soll das Ergebnis später beantworten — und wer trifft damit welche Entscheidung?

Zugang zu den Daten

Ein Export reicht für den Anfang. In welchem Format, klären wir vorher.

Jemand, der die Daten kennt

Eine Person, die erklären kann, was die Spalten bedeuten. Das spart mehr Zeit als jede Technik.

Ein Vergleichsmaßstab

Wie gut ist die heutige Lösung? Ohne diesen Wert ist jedes Ergebnis unbewertbar.

Begriffe

Vokabeln, die in ML-Angeboten vorkommen

Damit ihr Angebote — auch die von anderen — einordnen könnt.

Trainingsdaten: Die historischen Daten, aus denen ein Modell seine Regeln ableitet. Ihre Qualität begrenzt das Ergebnis nach oben.
Overfitting: Das Modell hat die Trainingsdaten auswendig gelernt statt das Muster dahinter. Es glänzt im Test und versagt im Betrieb.
Baseline: Der Vergleichswert, gegen den gemessen wird — oft das bisherige Vorgehen. Ein Modell ohne Baseline ist unbewertbar.
Feature: Ein einzelnes Merkmal, das in das Modell eingeht, etwa Betriebsstunden oder Wochentag.
Drift: Die Wirklichkeit verändert sich, das Modell nicht. Die Vorhersagen werden schleichend schlechter, ohne dass etwas ausfällt.
Proof of Concept: Bewusst kleiner Machbarkeitsnachweis vor der eigentlichen Umsetzung — der Punkt, an dem ein Abbruch noch günstig ist.

Häufige Fragen

GlasseLabs im Detail

Wie viele Daten braucht ein Modell?

Das hängt stark von der Fragestellung ab. Für einfache Prognosen können einige tausend saubere Datensätze reichen, für komplexe Zusammenhänge deutlich mehr. Entscheidender als die Menge ist meist die Qualität und dass die Daten den zu lernenden Fall überhaupt enthalten.

Was ist der Unterschied zwischen KI, ML und Datenanalyse?

Datenanalyse wertet Vorhandenes aus. Maschinelles Lernen leitet aus Daten Regeln ab, um Neues einzuschätzen. „KI“ ist der Oberbegriff, der beides und mehr umfasst. Wir wählen das, was zur Aufgabe passt — nicht das mit dem größten Namen.

Was passiert mit personenbezogenen Daten?

Wo möglich, arbeiten wir mit anonymisierten oder pseudonymisierten Daten. Ist ein Personenbezug unvermeidbar, wird die Verarbeitung vertraglich geregelt und auf das Notwendige begrenzt.

Gehört uns das Ergebnis?

Eure Daten bleiben eure Daten. Welche Rechte am entwickelten Modell und am Code an euch übergehen, wird im Vertrag festgehalten und vorher besprochen.

Was, wenn sich herausstellt, dass es nicht funktioniert?

Dafür ist der Prototyp da: Er ist bewusst klein gehalten, damit ein Abbruch früh und günstig möglich ist. Das Ergebnis der Datenprüfung bekommt ihr auch dann schriftlich — es ist für sich genommen bereits verwertbar.

Wie lange dauert so ein Projekt?

Die Datenprüfung ist eine Sache von Tagen bis wenigen Wochen, je nachdem wie zugänglich die Daten sind. Ein Prototyp braucht typischerweise einige Wochen. Verlässlich wird die Aussage erst nach der Datenprüfung — vorher wäre jede Zahl geraten.

Setzt ihr auf große Sprachmodelle?

Nur wenn die Aufgabe es verlangt — etwa bei Texten. Für Prognosen, Anomalien und Klassifikation auf strukturierten Daten sind kleinere, erklärbare Verfahren meist genauer, günstiger und leichter zu betreiben. Die Wahl richtet sich nach der Aufgabe, nicht nach der Schlagzeile.

Ist eure Fragestellung geeignet?

Beschreibt uns kurz das Problem und die vorhandenen Daten — wir melden uns mit einer Einschätzung.

Machbarkeit prüfen

GlasseLabs: maschinelles Lernen auf euren Daten