Statement | So implementiert Data Spree Machine Learning für seine Kunden

Unser Kampagnenpartner Data Spree entwickelt mit Machine-Learning-Ansätzen Lösungen für individuelle Vorhaben von Unternehmen in der Entwicklung, Produktion, IT und Logistik. Manuel Haß, einer der beiden Geschäftsführer des Berliner Start-ups, erklärt in seinem Blog-Statement die einzelnen Schritte der Umsetzung.

Data Spree-Geschäftsführer Eric Dörheit und Manuel HaßDie Data Spree-Geschäftsführer Eric Dörheit und Manuel Haß sind ausgewiesene Machine-Learning-Spezialisten.
Bild: Data Spree UG

Data Spree realisiert mit Machine-Learning-Ansätzen intelligente Lösungen. Wie gehen Sie und Ihre KI-Spezialisten dabei vor?

Wir realisieren mit Ansätzen aus den Bereichen Bildverarbeitung und Künstlicher Intelligenz (KI) hochspezialisierte Lösungen für unsere Kunden.

Machine-Learning-Projekte stellen die Kunden vor die Herausforderung fallbezogene Daten zu generieren, deren Menge und Qualität den Projekterfolg maßgeblich beeinflussen. Daher sensibilisieren wir unsere Kunden im Rahmen eines Onboarding-Workshops für die Voraussetzungen sowie die Besonderheiten von Machine-Learning-Projekten und evaluieren den konkreten Nutzen über ein Proof of Concept (PoC).

Um die Eintrittsschwelle für Anwender zu senken, bieten wir mit der Data Spree Vision Platform eine intuitive Ende-zu-Ende-Lösung an, die selbst KMU ohne KI-Expertise die Nutzung von Machine Learning ermöglicht. Unsere Kunden nutzen die Plattform, um eigenständig Projekte umzusetzen oder vorhandene Modelle mit neuen Daten zu optimieren.

Die Data Spree Vision Platform bietet ein einheitliches Interface zur Datenaggregation und effizienten Annotation durch mehrere Nutzer. Oftmals bedarf es Unterstützung, zum Beispiel wenn große Datenmengen schwer akquirierbar sind oder bestimmte Attribute nur unzureichend abgebildet werden. Mittels intelligenter Datenaugmentation helfen wir Datensätze zu vergrößern, repräsentativer zu gestalten oder gezielt Edge-Cases zu inkludieren.

Passend zur Aufgabe (Klassifikation, Detektion, semantische Segmentierung) und Anforderung (hohe Genauigkeit, niedrige Latenz, geringe Rechen- und Speicherkapazität) stellen wir modernste Modelle und Trainingsmethoden innerhalb der Plattform zur Verfügung. Die trainierten Modelle werden exportiert oder per Application Programming Interface (API) direkt genutzt. Neue Trainingsdaten erlauben die kontinuierliche Verbesserung der Modelle.

Da abstrakte Kennzahlen nur einen unzureichenden Aufschluss über die komplexen Entscheidungsprozesse der neuronalen Netze geben, öffnen wir zum Projektabschluss die Black Box mit unserem Evaluationsreport und einem Adjourning-Workshop zur Einordnung der Modellergebnisse.

Ähnliche Beiträge