Fallstudien zu Empfehlungssystemen und Prognosen

Evidenz geprüft:

Diese Seite sammelt 74 Fallstudien zu Empfehlungssystemen, Forecasting und Prognosen, die von 17 Python-Entwicklungsunternehmen veröffentlicht wurden. Jede Zeile verlinkt auf die Originaldarstellung des Anbieters. Die Ergebnisse sind unternehmenseigene Angaben: Das Unternehmen hat sie veröffentlicht, diese Website hat sie nicht geprüft. Nutzen Sie die Fälle, um Umfang und Umsetzung einzuschätzen, nicht als verifizierte Ergebnisse.

Kennzahl Wert
Fallstudien 74
Unternehmen 17
Vertretene Branchen 15
Fälle mit namentlich genannten Kunden 32 (43%)

Ausgewählte Fallstudien

Projekt Unternehmen Aufgabe Umsetzung Berichtetes Ergebnis Was der Fall belegt
Porsche E-Mobility Smart Assistant DataArt Vorhersagen, wann und wo Fahrer ein Elektrofahrzeug laden müssen, und eine nahegelegene Ladestation empfehlen Entwickelte eine Fahrassistenzlösung, die den Batterieladezustand überwacht, anonymisierte Ladedaten erfasst und speichert und aus Fahrerpräferenzen, Ladenetz, Verkehr, Gebühren und Umgebungsfaktoren ein fahrerspezifisches ML-Modell erstellt Keine Kennzahl veröffentlicht DataArt berichtet von einem funktionierenden Prognose- und Empfehlungsmodell, das für einen Wettbewerb eines Automobilherstellers entwickelt wurde; ein gemessenes Ergebnis wird nicht genannt
Gogo-Datenplattform für Bordkonnektivität N-iX Ausfälle von Antennentechnik vorhersagen, um die No-Fault-Found-Rate bei Hardware für Internet an Bord zu senken Migrierte lokale Daten zu AWS, baute eine einheitliche Datenplattform und eine End-to-End-Pipeline aus mehr als 20 Quellen und wandte dann Gaussian Mixture Model und Regressionsanalyse auf beeinträchtigte Antennendaten an, die mit Wetterdaten korreliert wurden N-iX berichtet von einem Rückgang der No-Fault-Found-Rate um 75 % Ein Predictive-Maintenance-Modell, das an eine benannte operative Kennzahl gekoppelt ist; die Fallstudie veröffentlicht den NFF-Ausgangswert nicht
Cleverbridge-Omnichannel-Anwendung N-iX Personalisierte E-Mail-Kampagnen auf Basis der Abwanderungswahrscheinlichkeit automatisieren Migrierte eine Desktop-App ins Web, überarbeitete die UX, ergänzte BI-Berichte und baute eine AWS-basierte Lösung mit Machine Learning und generativer KI, die Kampagnen anhand von Abwanderungswahrscheinlichkeiten auslöst Keine Kennzahl veröffentlicht N-iX berichtet von churn-basiertem Targeting im Produktivbetrieb; die Fallstudie nennt eine verbesserte Kundenbindung, aber keine Zahl
ComplyAdvantage-Screening-Pipelines Uvik Software Entity Matching und Alert-Scoring neu aufbauen, um Falschmeldungen zu reduzieren, ohne Recall zu verlieren 17-monatiges Programm mit Ingestion von Sanktionsquellen, Transliteration und Fuzzy-Name-Matching sowie Alert-Priorisierung in Python, FastAPI, Elasticsearch, PyTorch, Kafka und PostgreSQL in den AWS-Regionen EU und UK Uvik Software berichtet, dass die Falschmeldungsrate von 94 % auf 31 % sank und die p95-Screening-Latenz von 1,4 Sekunden auf 180 Millisekunden fiel Eine Vorher-nachher-Kennzahl zu Genauigkeit und Latenz, mit genanntem Stack und Team; die Ergebnisse sind unternehmenseigene Angaben
LendSignal Financial Risk-Scoring-Engine Uvik Software Tabellen- und Skript-basierte Kreditprüfung durch eine prüfbare Decisioning-API ersetzen Baute eine Engine in Python und FastAPI, die deterministische Regeln, ML-Modellausgaben, Signale Dritter und Prüfer-Overrides kombiniert, mit Protokollierung von Eingaben, Modellversion, Score und Overrides sowie Drift-Monitoring und erklärbarer Ausgabe Keine Kennzahl veröffentlicht Uvik Software berichtet von einem System aus Modell und API mit Audit- und Drift-Monitoring; die Fallstudie nennt kein gemessenes Ergebnis
ANWB-Personalisierungs-Pipeline Xebia Eine langsame Empfehlungs-Pipeline umstrukturieren, die manuelle Eingriffe erforderte Die Datenpipeline für Empfehlungen umstrukturiert und automatisiert, sodass sie ohne manuelle Schritte läuft Xebia berichtet, dass die Pipeline von einem Lauf alle zwei Wochen mit rund drei Tagen Dauer auf einen täglichen Lauf von wenigen Stunden umgestellt wurde Ein konkretes Vorher-nachher zur Pipeline-Frequenz; die Fallstudie nennt gestiegene Klick- und Konversionsraten, veröffentlicht aber keine Zahl
Reavo-App zur Zahlungsoptimierung Oaks Lab Ein breites 43-seitiges Konzept in ein fokussiertes Produkt verwandeln, das bei einem bestimmten Händler die beste Karte empfiehlt Produktstrategie, Discovery und Wettbewerbsanalyse, Rebranding und Full-Stack-Entwicklung einer mobilen App, die Kredit- und Loyalty-Karten anhand von Standort und verfügbaren Prämien empfiehlt Oaks Lab berichtet von einem vollständigen MVP, das in fünf Monaten geliefert wurde Eine Empfehlungsfunktion vom Konzept bis zum MVP; es wird keine Kennzahl zu Genauigkeit oder Nutzung veröffentlicht
Day-J personalisierte Wellness-App Xmartlabs Eine bestehende iOS-Wellness-App mit personalisierten Empfehlungen überarbeiten Arbeit über den gesamten Produktlebenszyklus über ein Jahr: Produkt-Discovery, UX/UI-Redesign und Designsystem, QA und Mobile-Entwicklung in TypeScript für eine App mit KI-gestützten Empfehlungen und Gewohnheits-Tracking Keine Kennzahl veröffentlicht Xmartlabs berichtet über Empfehlungsfunktionen in einer ausgelieferten Consumer-App; es wird kein Ergebnis zu Engagement oder Genauigkeit genannt
Vidda Solutions Compliance-Ökosystem Innowise Aufbau einer Compliance-Bewertungs-Engine und eines Kurs-Marktplatzes mit verantwortungsvoller KI Aufbau einer Gateway-Website, einer automatisierten Compliance-Bewertungs-Engine und eines Kurs-Marktplatzes mit RAG-basierten Empfehlungen und einer Architektur, die auf DSGVO und DORA vorbereitet ist Keine Kennzahl veröffentlicht Innowise berichtet über eine Empfehlungsfunktion, die unter regulatorischen Vorgaben entwickelt wurde; es wird kein gemessenes Ergebnis genannt

Fallstudien: Empfehlungs-, Prognose- und Vorhersagesysteme

Fallstudie Unternehmen Kunde Branche Art der Arbeit Genannter Stack Was entwickelt wurde
Fallstudie: Plattform zur Screening von Finanzkriminalität Uvik Software ComplyAdvantage Fintech & Finanzdienstleistungen KI / ML / LLM Python, FastAPI, AWS, Kubernetes, PostgreSQL Neuaufbau von Entity-Matching, Sanktionsdaten-Ingestion und Alert-Scoring für eine Plattform zur Screening von Finanzkriminalität.
Yacht-Scoring-Plattform Scopic Yacht Scoring Sonstige / nicht angegeben Modernisierung oder Migration React, Node.js, AWS, PostgreSQL Neuaufbau einer Plattform zur Verwaltung von Segelregatten mit Echtzeit-Scoring
Fallstudie: Risk-Scoring-Engine für Fintech Uvik Software LendSignal Financial Fintech & Finanzdienstleistungen Neuproduktentwicklung Python, FastAPI, AWS Aufbau einer auditierbaren Risk-Scoring-Engine, die Regeln, ML-Modelle und Override-Workflows kombiniert.
Softwareproduktentwicklung für Schibsted – Media Corporation – N N-iX Schibsted Medien & Unterhaltung Modernisierung oder Migration React, AWS, Kubernetes Migration mehrerer Websites in eine Plattform mit Empfehlungs-Engine
ANWB nutzt MLOps für Personalisierung im großen Maßstab Xebia ANWB Reisen & Gastgewerbe KI / ML / LLM AWS, LLM / GenAI Umstrukturierung und Automatisierung der ML-Empfehlungspipeline für personalisierte Mitgliederangebote
Marktforschung mit Omnichannel erweitern – N N-iX Cleverbridge E-Commerce & Einzelhandel Modernisierung oder Migration AWS, LLM / GenAI Migration einer Desktop-Lösung ins Web mit neuer UX und KI-gesteuerten personalisierten E-Mail-Kampagnen
Big-Data-Entwicklung für Integrate Vention Integration Marketing & Werbung Modernisierung oder Migration AWS, Kubernetes Modernisierte AdTech-Services, migrierte die App auf Golang in AWS und entwickelte Analyse- und Personalisierungsfunktionen.
Ein britisches Telekommunikationsunternehmen fit für die KI-Einführung machen Neoteric 4com Telekommunikation KI / ML / LLM Python, GCP Validierte eine KI-Hypothese für das Lead-Management mit prädiktiven Modellen in einem AI Sprint.
Blockchain-basierte Loyalty-App für 3M DataArt 3M Fertigung & Industrie Entwicklung eines neuen Produkts Azure Blockchain-basierte Loyalty-App zur Erfassung regionaler Nachfrage und Kundeninteraktion
Fallstudie: Migration der E-Commerce-Website für Intersport DataArt Intersport E-Commerce & Einzelhandel Modernisierung oder Migration LLM / GenAI Migrierte eine bestehende E-Commerce-Website auf einen modernen Stack mit CMS und Personalisierung
Fallstudie: Verbesserung und Automatisierung der Suche in Sicherheitsdokumenten mit RAG DataArt Security Compass SaaS & Technologie KI / ML / LLM LLM / GenAI Entwickelte eine RAG-Lösung, die Sicherheitsbedrohungen und Gegenmaßnahmen empfiehlt
DataArt-Kunde: Security Compass DataArt Security Compass SaaS & Technologie KI / ML / LLM LLM / GenAI RAG-basierte Suche in Sicherheitsdokumenten und Automatisierung der Empfehlung von Gegenmaßnahmen
The Parking Spot: Fallstudie zur KI-basierten Nachfrageprognose DataArt The Parking Spot Reisen & Gastgewerbe KI / ML / LLM Azure Entwickelte einen Azure-basierten KI-Dienst zur Nachfrageprognose, der das Revenue Management an allen Parkstandorten speist.
N-iX Kundenporträt: Gogo – N N-iX Gogo Logistik & Transport Datenplattform oder Data Engineering AWS Migrierte Lösungen in die Cloud und entwickelte eine einheitliche Datenplattform mit Predictive Analytics
Fallstudie zu einem KI-gestützten Compliance-Ökosystem Innowise Vidda Solutions SaaS & Technologie Entwicklung eines neuen Produkts LLM / GenAI Aufbau eines KI-Compliance-Ökosystems mit Bewertungs-Engine, Kursmarktplatz und RAG-Empfehlungen
LiDAR Trophy Scanning App Scopic Trophy Scan Sonstige / nicht angegeben Entwicklung eines neuen Produkts AWS Entwicklung einer iOS-App zum Scannen von Trophäen per LiDAR mit Cloud-Speicher und Bewertungsalgorithmen
Fallstudie Reavo Oaks Lab Reavo Fintech & Finanzdienstleistungen Entwicklung eines neuen Produkts React Entwicklung einer mobilen App zur Zahlungsoptimierung, die anhand von Standort und Prämien die besten Karten empfiehlt.
On-Demand-Gesundheitsplattform Five Jars YMCA Gesundheitswesen & Life Sciences Entwicklung eines neuen Produkts React Entwicklung einer On-Demand-Plattform für Gesundheit und Wellness mit individuellem CMS für Online-Workouts.
Mind Alcove Matrix Media Solutions Mind Alcove Gesundheitswesen & Life Sciences Entwicklung eines neuen Produkts AWS KI-gestützte Plattform für mentales Wohlbefinden mit personalisierter Selbstfürsorge, Stimmungsverfolgung und Tagebuchfunktion.
Xmartlabs | Our Work – Day-J: Harnessing The Power of Personalized Wellness Xmartlabs Day-J Gesundheitswesen & Life Sciences Entwicklung eines neuen Produkts React Entwicklung einer iOS-Wellness-App mit Gewohnheitsverfolgung, Fachpersonen und KI-Empfehlungen.
Xmartlabs | Our Work Xmartlabs Window E-Commerce & Einzelhandel Entwicklung eines neuen Produkts React Mode-Entdecker-App mit personalisierter Suche und automatisierter Kuratierung
3M-Kunde DataArt 3M Fertigung & Industrie Entwicklung eines neuen Produkts — Entwicklung einer blockchainbasierten Loyalty-App zur Analyse von Nachfragemustern und Kundenbindung
Fallstudie DataArt: Porsche E DataArt Porsche AG Automobilindustrie KI / ML / LLM — Entwicklung eines E-Mobility-Smart-Assistant zur Vorhersage des Ladebedarfs und Empfehlung nahegelegener Ladestationen
IIC-INTERSPORT-Kunde DataArt IIC-INTERSPORT International Corporation E-Commerce & Einzelhandel Entwicklung eines neuen Produkts — Entwicklung eines universellen Designsystems und Migration einer E-Commerce-Website mit CMS und Personalisierung.
N-iX bietet ThickButtons Dienstleistungen zur Entwicklung mobiler Apps – N N-iX ThickButtons SaaS & Technologie Neuproduktentwicklung — Vollzyklische Entwicklung einer prädiktiven Android-Tastaturanwendung
Überarbeitung der iOS-Apps für Urban Vention Urban Sonstiges / nicht angegeben Betreuung und Erweiterung eines laufenden Produkts — Neu gestaltete und modernisierte iOS-Apps für eine Buchungsplattform für Massagen auf Abruf
Kunst zum Leben erweckt: die KI-gestützte Innovation von Chroma Coloring Book Scopic Chroma Coloring Book Medien & Unterhaltung KI / ML / LLM — KI-Funktion für generative Kunst, die aus Eingabeaufforderungen personalisierte Ausmalseiten erstellt
Automatisierte Tests für eine datengetriebene Recruiting-Plattform Codoid Journeyfront SaaS & Technologie Betreuung und Erweiterung eines laufenden Produkts — Automatisierte Tests für eine Recruiting-Plattform einschließlich SSO, E-Mail-Validierung und prädiktiver Scoring-Algorithmen.
Fallstudie: Mobiry Integrio Systems Mobiry Marketing & Werbung KI / ML / LLM — Entwicklung einer KI-gestützten Loyalty-Plattform mit Integrationen und einer prädiktiven Engine für Verbraucherverhalten.
Fallstudie LLUNA Oaks Lab LLUNA Sonstiges / nicht angegeben Neuproduktentwicklung — Entwicklung eines Produkts zum Erstellen und Analysieren personalisierter Beschäftigungsvereinbarungen.
Video-Automatisierungstool | Fallstudie zu Time Five Jars YMCA of the North Sonstiges / nicht angegeben Sonstiges — Automatisiertes Tool zur Videoaufbereitung für eine Plattform für Inhalte auf Abruf
All-in-one-Digitalplattform für das Wohlbefinden in der Gemeinschaft Five Jars YMCA360 Gesundheitswesen & Life Sciences Neuproduktentwicklung — All-in-one-Digitalplattform für Wellness mit Videos auf Abruf und Live-Übertragungen
DataArt-Fallstudie: Machine Learning zur Prognose von Umsatz und ROI an Verkaufsstellen – Fallstudie DataArt Kunde nicht genannt Sonstiges / nicht angegeben KI / ML / LLM AWS, Azure, GCP, Spark Machine-Learning-Lösung zur Prognose von Umsatz und ROI an Verkaufsstellen für ein Tabakunternehmen
Effektive Produktbedarfsprognose im Einzelhandel mit UI-Design – N N-iX Kunde nicht genannt E-Commerce & Einzelhandel Betreuung und Erweiterung eines laufenden Produkts Python, Flask, React, AWS Entwickelte eine intuitive Benutzeroberfläche für eine Anwendung zur Bedarfsprognose im Einzelhandel
Predictive Analytics & ML für E-Commerce Uvik Software Kunde nicht genannt E-Commerce & Einzelhandel KI / ML / LLM Python, AWS Entwickelte eine Predictive-Analytics-Plattform, die Einkauf und Produktempfehlungen anhand von Verkaufsdaten personalisiert.
ML-gestützte Churn-Vorhersage im E-Commerce – N N-iX Kunde nicht genannt E-Commerce & Einzelhandel KI / ML / LLM React, AWS Entwickelte eine ML-basierte Churn-Vorhersage für Marketingkampagnen im E-Commerce
Entwicklung einer Omnichannel-Plattform für EdTech Innowise Kunde nicht genannt Bildung Datenplattform oder Data Engineering AWS, Airflow Entwickelte eine EdTech-Plattform mit Datenpipelines und ML für Mentor-Empfehlungen.
Die Chance in Prediction Markets nutzen: Eine DataArt-Fallstudie DataArt Kunde nicht genannt Fintech & Finanzdienstleistungen Entwicklung eines neuen Produkts React Startete eine CFTC-regulierte Prediction-Market-Plattform, integriert in ein Wett-Ökosystem
Fallstudie: System zur Überwachung des Energieverbrauchs für Real DataArt Kunde nicht genannt Fertigung & Industrie KI / ML / LLM Spark Entwickelte ein IoT-Modell zur Vorhersage des Energieverbrauchs mit Spark MLib
Fallstudie: Reisevertriebsnetzwerk DataArt Kunde nicht genannt Reisen & Gastgewerbe Betreuung und Erweiterung eines laufenden Produkts Spark Erweiterte ein Reisevertriebssystem um Personalisierung und Echtzeit-Empfehlungen
DataArt-Fallstudie: Reduzierung von Anlagenstillstand und Wartungskosten mit einem AWS DataArt Kunde nicht genannt Fertigung & Industrie KI / ML / LLM AWS Entwickelte eine AWS-basierte Plattform für Predictive Maintenance, die Förderbandstillstand und Wartungskosten reduziert
KI-gestützte Produktempfehlungen für eine Medienplattform – N N-iX Kunde nicht genannt Medien & Unterhaltung KI / ML / LLM LLM / GenAI Ergänzte generative KI-Produktempfehlungen und verbesserte die Suche auf einem Marktplatz
Verbesserung der Genauigkeit von Absatzprognosen im Einzelhandel – N N-iX Kunde nicht genannt E-Commerce & Einzelhandel KI / ML / LLM Snowflake Verbessertes ML-Absatzprognosemodell für die Produktallokation eines globalen Modehändlers
Kundenstory – Fortschrittliche generative KI für E Accelerance Kunde nicht genannt E-Commerce & Einzelhandel KI / ML / LLM LLM / GenAI Generative KI für personalisierte Produktempfehlungen im E-Commerce
Kundenstory – KI & ML steigern die Effizienz in der Papierherstellung Accelerance Kunde nicht genannt Fertigung & Industrie KI / ML / LLM AWS KI- und ML-gestützte vorausschauende Wartung für Maschinen in der Papierherstellung
KI-gestützte Abonnementplattform für Wellness Five Jars Kunde nicht genannt Gesundheitswesen & Life Sciences Entwicklung eines neuen Produkts LLM / GenAI Headless-Abonnementplattform mit KI-Wellness-Assistent und Empfehlungssystem
Xebias Agentic Fraud Intelligence hilft einem US-Lebensversicherer, berechtigte Ansprüche am selben Tag freizugeben – mit jeder Entscheidung dokumentiert Xebia Kunde nicht genannt Fintech & Finanzdienstleistungen KI / ML / LLM — Agentic Fraud Intelligence bewertet Ansprüche, um berechtigte Ansprüche am selben Tag freizugeben
KI-Personalisierung steigert den Umsatz eines Versicherungsvergleichsportals DataArt Kunde nicht genannt Fintech & Finanzdienstleistungen KI / ML / LLM — ML-Pipeline für die Echtzeit-Inhaltspersonalisierung auf einer Versicherungsplattform entwickelt
On-Demand-Zahlungslösungen für das Hospitality-Management – N N-iX Kunde nicht genannt Reisen & Gastgewerbe Entwicklung eines neuen Produkts — On-Demand-Zahlungs-App mit Zugriff auf bereits verdientes Gehalt und Visa-Karte entwickelt
KI-Tests für eine Plattform zur Immobilienpreisvorhersage Codoid Kunde nicht genannt Immobilien KI / ML / LLM — KI-Plattform zur Immobilienpreisvorhersage getestet, dabei Modellgenauigkeit und Datenkonsistenz der Benutzeroberfläche validiert.
Tests der Datenintegrität in Live-Sportvorhersagesystemen Codoid Kunde nicht genannt Medien & Unterhaltung Support und Weiterentwicklung eines Live-Produkts — Echtzeit-Sportvorhersagesystem validiert, einschließlich Transaktionen, KYC und Datenkonsistenz.
Performance-Tests für eine eLearning-App Codoid Kunde nicht genannt Bildung Support und Weiterentwicklung eines Live-Produkts — Performance- und Lasttests einer eLearning-Plattform mit Empfehlungen zur Infrastrukturoptimierung
Fehlerfreie QA für eLearning-Inhalte im Bahnbereich Codoid Kunde nicht genannt Logistik & Transport Support und Weiterentwicklung eines Live-Produkts — QA-Validierung interaktiver eLearning-Kurse zu Compliance im Bahnbereich auf Genauigkeit und Bewertung
Kundenstory – KI-Innovation im globalen Gesundheitswesen Accelerance Kunde nicht genannt Gesundheitswesen & Life Sciences KI / ML / LLM — KI zur Vorhersage von Ausfällen bei Augenlaser-Operationsgeräten zur Reduzierung von Ausfallzeiten
Kundenstory – Kreativität im Social Commerce Accelerance Kunde nicht genannt E-Commerce & Einzelhandel Support und Weiterentwicklung eines Live-Produkts — Skalierung einer Social-Commerce-Plattform für personalisierte Creator-Merchandise
Kundenstory Accelerance Kunde nicht genannt Logistik & Transport KI / ML / LLM — Entwicklung eines digitalen Vertriebsassistenten zur Automatisierung von Lead-Scoring, Lead-Nurturing und Follow-ups
Kundenstory – Machine Learning für Callcenter Accelerance Kunde nicht genannt Sonstiges / nicht angegeben KI / ML / LLM — Deep-Learning-Modell prognostiziert Anrufvolumen zur Optimierung der Callcenter-Besetzung
Kundenstory Accelerance Kunde nicht genannt Sonstiges / nicht angegeben KI / ML / LLM — Algorithmus auf Basis akustischer Sensoren prognostiziert Lüfterausfälle für Predictive Maintenance
Kundenstory – Predictive Maintenance in der Papierproduktion Accelerance Kunde nicht genannt Fertigung & Industrie KI / ML / LLM — Deep-Learning-Modell auf SageMaker prognostiziert Wartungsbedarf von Papiermaschinen
Kundenstory – Predictive Maintenance mit ML Accelerance Kunde nicht genannt Fertigung & Industrie KI / ML / LLM — Cloudbasiertes Deep Learning für Predictive Maintenance bei einem Papierhersteller
Kundenstory – Intelligente Hochwassersteuerung in Europa Accelerance Kunde nicht genannt Öffentlicher Sektor & Behörden KI / ML / LLM — KI-Modell zur Vorhersage städtischer Überschwemmungen anhand von Grundwasser-, Kanal- und Wetterdaten
Unterstützung eines Digital-Transformation-Accelerators im Finanzsektor Scalo Kunde nicht genannt Fintech & Finanzdienstleistungen Personalverstärkung (Team Augmentation) — Verstärkte Entwicklungskapazität für KYC- und Anti-Betrugs-Softwarelösungen im Finanzbereich.
Test von Betrugserkennungssoftware für Banken Scalo Kunde nicht genannt Fintech & Finanzdienstleistungen Betreuung und Erweiterung eines laufenden Produkts — Automatisiertes Testframework für ein Betrugserkennungssystem im Bankwesen mit Java und Selenium.
Datenvisualisierung in Power BI macht das Banking persönlicher Scalo Kunde nicht genannt Fintech & Finanzdienstleistungen Datenplattform oder Data Engineering — Power-BI-Dashboards aus Altdatenbeständen der Bank für personalisierte Kundeninsights erstellt
KI zur Optimierung von Energiespeichern Apriorit Kunde nicht genannt Energie & Versorgungswirtschaft KI / ML / LLM — KI-gestütztes Smart-Grid-System entwickelt, das Energiepreise prognostiziert und das Laden und Entladen von Batterien steuert.
KI-gestütztes LMS für Pharma-Mitarbeitende Apriorit Kunde nicht genannt Gesundheitswesen & Life Sciences KI / ML / LLM — KI-gestütztes LMS geliefert, das personalisierte Kurse und Quiz erstellt, DSGVO-konform ist und in das bestehende LMS integriert wurde.

66 von 74 Fallstudien werden angezeigt (ausgewogen über die Unternehmen verteilt; Themenseiten führen mehr pro Thema auf). Branche, Typ und Zusammenfassung sind die Klassifizierung dieser Seite durch das Verzeichnis; der Stack nennt die Technologien, die auf der Seite genannt werden. Ergebnisse sind unternehmenseigene Angaben.

Nach Branche

Branche Fälle
E-Commerce & Einzelhandel 12
Fintech & Finanzdienstleistungen 11
Fertigung & Industrie 8
Sonstige / nicht angegeben 8
Gesundheitswesen & Life Sciences 7
SaaS & Technologie 5
Logistik & Transport 4
Reisen & Gastgewerbe 4
Medien & Unterhaltung 4
Energie & Versorgungswirtschaft 2
Automobil 2
Bildung 2
Marketing & Werbung 2
Öffentlicher Sektor & Verwaltung 1
Telekommunikation 1
Immobilien 1

Nach Art der Arbeit

Art der Arbeit Fälle
KI / ML / LLM 32
Entwicklung eines neuen Produkts 20
Betreuung und Erweiterung eines laufenden Produkts 9
Modernisierung oder Migration 6
Datenplattform oder Data Engineering 5
Personalverstärkung (Team Augmentation) 1
Sonstige 1

Wie sehen Empfehlungs- und Prognoseprojekte in der Praxis aus?

Die Arbeit teilt sich in zwei Formen. Die eine ist eine Empfehlungs- oder Scoring-Funktion innerhalb eines Produkts: DataArt entwickelte einen Porsche E-Mobility Smart Assistant, der vorhersagt, wann und wo ein Fahrer laden muss, und eine nahegelegene Ladestation empfiehlt, und Oaks Lab entwickelte die mobile App Reavo, die anhand von Standort und Prämien die beste Kredit- oder Kundenkarte bei einem bestimmten Händler empfiehlt. Die andere ist eine Prognosepipeline hinter einem bestehenden Betrieb: N-iX wandte Gaussian Mixture Model und Regressionsanalyse auf Gogo-Antennendaten an, um Geräteausfälle vorherzusagen, und Xebia baute die Empfehlungspipeline von ANWB so um, dass sie täglich statt alle zwei Wochen läuft.

Der Umfang umfasst in der Regel den Datenpfad, nicht nur das Modell. N-iX migrierte zunächst die On-Premise-Datenlösungen von Gogo zu AWS und baute eine einheitliche Datenplattform, die strukturierte und unstrukturierte Daten aus mehr als 20 Quellen sammelte, bevor die eigentliche Modellarbeit begann. Das ComplyAdvantage-Programm von Uvik Software umfasste über 17 Monate die Aufnahme von Sanktionsquellen, Namensabgleich und die Priorisierung von Warnmeldungen. Auftraggeber sollten davon ausgehen, dass Datenaufnahme, Abgleich- oder Scoring-Logik und die Serving-Schicht im selben Leistungsverzeichnis stehen.

Fall Unternehmen Vorhersage- oder Empfehlungsaufgabe Berichtetes Ergebnis
Porsche E-Mobility Smart Assistant DataArt Ladebedarf nach Zeit und Ort vorhersagen; eine Station empfehlen Keine Kennzahl veröffentlicht
Gogo In-Flight-Internet N-iX Antennenausfälle vorhersagen, um die No-Fault-Found-Rate zu senken Das Unternehmen berichtet einen Rückgang der No-Fault-Found-Rate um 75 %
ANWB-Personalisierung Xebia Mitgliederempfehlungen schneller generieren Das Unternehmen berichtet, dass die Pipeline täglich in wenigen Stunden läuft, zuvor etwa drei Tage alle zwei Wochen
ComplyAdvantage-Screening Uvik Software Entity-Matching und Alert-Scoring Das Unternehmen berichtet Falsch-Positive von 94 % auf 31 %
Reavo Oaks Lab Karte nach Händlerstandort und Prämien empfehlen Das Unternehmen berichtet, dass das MVP in fünf Monaten geliefert wurde

Welche Probleme tauchen in diesen Fällen immer wieder auf?

Drei Probleme wiederholen sich. Das erste ist ein Matcher oder Modell, das auf ein Ziel auf Kosten eines anderen abgestimmt ist: Uvik Software berichtet, dass der Matcher von ComplyAdvantage allein auf Recall abgestimmt war, sodass 94 von 100 Alerts falsch waren und Analysten sie manuell bereinigten. Das zweite ist eine Pipeline, die zu langsam ist, um nützlich zu sein: Xebia berichtet, dass die ANWB-Empfehlungen etwa drei Tage dauerten und alle zwei Wochen einmal liefen, sodass sie oft zu spät kamen, um relevant zu sein. Das dritte ist eine Entscheidung, die nicht überprüfbar ist: Der Fall LendSignal Financial von Uvik Software beschreibt Modelländerungen, die schwer zu überprüfen waren, bevor die Scoring-Engine Regeln, Modellausgaben und Überschreibungen in einer API zentralisierte.

Die Vorhersagequalität hängt von Daten ab, die der Kunde bereits besitzt. N-iX korrelierte Daten zu beeinträchtigten Antennen mit Wetterbedingungen, um echte Fehler von No-Fault-Found-Ausbauten zu trennen. Der Porsche-Assistent von DataArt erfasst und speichert anonymisierte Ladedaten, um aus Präferenzen, Ladenetz, Verkehr und Gebühren ein fahrerspezifisches Modell zu erstellen. Ein Käufer ohne diese Historie sollte fragen, welche Daten nach Ansicht des Anbieters vorhanden sein müssen, bevor das Modell trainiert werden kann.

Wer gehört zum Team, und wie lange dauert die Arbeit?

Die Teamzusammensetzung variiert mit der Größe des Systems. Das ComplyAdvantage-Pod von Uvik Software bestand aus einem Tech Lead, drei Senior Python Engineers, einem ML-Engineer und einem Data Engineer über 17 Monate. Das Projekt LendSignal Financial nutzte laut Fallstudie einen Tech Lead, einen Senior ML-Engineer, zwei Senior Backend Engineers und einen DevOps Engineer über 6-9 Monate vom Kickoff bis zur Produktion.

Die Zeitrahmen in der Bibliothek reichen von einem fünfmonatigen MVP bei Oaks Lab für Reavo bis zum 17-monatigen Screening-Programm bei Uvik Software. Five Jars berichtet von einem ungewöhnlich komprimierten Start der On-Demand-Gesundheitsplattform YMCA: Das Briefing kam am 12. März, das Team wurde zusammengestellt, und eine erste Version ging am 17. März mit 100+ Videos von 20+ Trainern online. Dieser Fall ist ein Plattformstart und kein Vorhersagesystem, und der Zeitrahmen spiegelt eine Pandemie-Reaktion wider, keinen normalen Liefermaßstab.

Was unterscheidet eine Empfehlungsfunktion von einem Vorhersagesystem, auf das sich ein Unternehmen verlassen kann?

Der Unterschied liegt darin, was nach der Ausgabe des Modells geschieht. Die Engine von LendSignal Financial bei Uvik Software protokolliert für jede Entscheidung Eingaben, angewandte Regeln, Modellversion, Score und jede menschliche Überschreibung und unterstützt Drift-Erkennung sowie erklärbare Ausgaben. Das ist das Muster, nach dem ein regulierter Käufer suchen sollte. Eine Empfehlungsfunktion wie die Kartenempfehlung von Reavo oder die Wellness-Hinweise von Day-J braucht Engagement-Daten, um besser zu werden; ein Vorhersagesystem, das in die Kreditvergabe oder das Screening einfließt, braucht Nachvollziehbarkeit.

Fragen Sie jeden Anbieter, welches der beiden er gebaut hat. Der Porsche-Assistent von DataArt wird als Fahrassistenzlösung beschrieben, die den Batterieladestand überwacht und den besten Zeitpunkt und Ort zum Laden vorhersagt, ohne veröffentlichte Kennzahl zur Vorhersagegenauigkeit. Die Gogo-Arbeit von N-iX berichtet einen Rückgang der No-Fault-Found-Rate um 75 %, ein messbares operatives Ergebnis. Die Lücke zwischen diesen beiden Beschreibungen ist die Lücke zwischen einem nachgewiesenen Konzept und einem Produktionssystem mit verfolgtem Ergebnis.

Wie man eine Fallstudie liest

Signal Warum es wichtig ist Was Sie den Anbieter fragen sollten
Kunde genannt 32 der 74 Fälle in dieser Bibliothek nennen den Kunden. Ein genannter Kunde kann kontaktiert oder überprüft werden; ein ungenannter nicht. „Kunde nicht genannt“ in der Tabelle bedeutet, dass der Fall nicht erkennen lässt, für wen die Arbeit war. Können wir mit diesem Kunden sprechen oder mit einer Referenz aus derselben Branche? Wenn der Kunde nicht genannt werden kann, warum nicht?
Zeitrahmen angegeben Ein Fall mit Daten oder einer angegebenen Dauer zeigt, dass die Arbeit geliefert wurde, nicht nur geplant war. Ein Fall ohne Zeitrahmen könnte einen Pilot beschreiben, der nie ausgeliefert wurde. Wann begann und endete das Projekt? Wurde es im ursprünglichen Zeitplan geliefert, und was hat sich geändert?
Kennzahl mit Ausgangswert Ein Ergebnis wie „X um Y reduziert“ sagt ohne den Ausgangswert wenig aus. „Keine Kennzahl veröffentlicht“ in der Tabelle bedeutet, dass der Fall kein messbares Ergebnis berichtet. Wie hoch war der Wert vor dem Projekt? Wie wurde er gemessen, über welchen Zeitraum, und wer hat ihn gemessen?
Stack aufgeführt Der Stack zeigt, ob der Anbieter Python verwendet hat und welche Bibliotheken, Frameworks und Infrastruktur zum Einsatz kamen. Er zeigt auch, ob die Arbeit zu Ihrer eigenen Umgebung passt. Welche Python-Bibliotheken und Frameworks haben Sie verwendet, und welche Teile hat Ihr Team selbst gebaut und welche integriert?
Unabhängige Bewertung vorhanden Eine veröffentlichte Bewertung, ein Kundenzitat auf einer Drittanbieter-Website oder eine genannte Referenz sind Belege außerhalb der eigenen Fallseite des Anbieters. Die eigene Darstellung des Anbieters ist eine unternehmenseigene Aussage. Gibt es eine Bewertung oder Referenz, die wir außerhalb Ihrer Website prüfen können? Wo wurde sie veröffentlicht?
Noch in Produktion Ein Modell oder System, das noch läuft, hat die schwierigere Prüfung bestanden: Monitoring, Retraining und Wartung nach dem Launch. Ein Fall, der bei der Lieferung endet, zeigt dies nicht. Läuft das System noch? Wer wartet es jetzt, und wie oft wird das Modell neu trainiert?

Häufige Fragen

Welche Unternehmen haben Fallstudien zu Empfehlungssystemen veröffentlicht?

Xebia hat eine Fallstudie zur ANWB-Personalisierungspipeline veröffentlicht, DataArt eine Fallstudie zum Porsche E-Mobility Smart Assistant und Oaks Lab eine Fallstudie zur Kartenempfehlungs-App von Reavo. Xmartlabs nennt KI-gestützte Empfehlungen in seiner Arbeit an der Wellness-App Day-J. Jedes Ergebnis wird von dem Unternehmen berichtet, das es veröffentlicht hat, und nicht von diesem Verzeichnis geprüft.

Was umfasst ein Empfehlungs- oder Vorhersageprojekt üblicherweise?

Die veröffentlichten Fälle zeigen drei wiederkehrende Formen: den Neuaufbau einer Datenpipeline, die Empfehlungen speist, wie Xebia es für ANWB tat; das Hinzufügen eines Vorhersagemodells zu vorhandenen operativen Daten, wie N-iX es für Gogo tat; und den Aufbau einer Scoring- oder Matching-Engine als Produkt, wie Uvik Software es für LendSignal Financial und ComplyAdvantage tat. Der Umfang umfasst üblicherweise Datenaufnahme, Modellarbeit und Integration.

Wie prüfe ich, ob das Ergebnis einer Vorhersage-Fallstudie glaubwürdig ist?

Achten Sie auf einen genannten Kunden, eine angegebene Ausgangsbasis und eine Kennzahl, die der Kunde ohnehin verfolgen würde. Uvik Software berichtet für ComplyAdvantage von einer Falsch-Positiv-Rate, die von 94 % auf 31 % sinkt, und N-iX berichtet für Gogo von einem Rückgang der No-Fault-Found-Rate um 75 %. Beides sind vom Unternehmen veröffentlichte Zahlen. Fragen Sie den Anbieter, wie die Ausgangsbasis gemessen wurde und ob das System noch läuft.

Kann ein kleines Team ein Empfehlungssystem liefern?

Die in diesen Fällen veröffentlichten Teamgrößen sind unterschiedlich. Uvik Software beschreibt für das ComplyAdvantage-Programm ein Pod aus einem Tech Lead, drei Senior-Python-Engineers, einem ML-Engineer und einem Data Engineer sowie ein kleineres eingebettetes Pod für die LendSignal-Financial-Engine. Xebia veröffentlicht für die ANWB-Pipeline keine Teamgröße. Fragen Sie jeden Anbieter nach den namentlich benannten Rollen in Ihrem Projekt.

Decken diese Fallstudien MLOps und Monitoring ab oder nur die Modellerstellung?

Mehrere decken die operative Seite ab. Xebia hat die ANWB-Pipeline so umstrukturiert, dass Empfehlungen täglich statt alle zwei Wochen laufen, und Uvik Software beschreibt Drift-Monitoring und Modellversionierung in der LendSignal-Financial-Engine. Fragen Sie, ob Monitoring, Retraining und Alerting Teil des gelieferten Umfangs waren oder beim Kundenteam lagen.

Siehe auch

Shortlist anfordern

Python Machine Learning
Diese Website bewirbt die Leistungen von Uvik Software. Uvik Software steht als Empfehlung der Redaktion an erster Stelle, mit einer Redaktionsbewertung, die die Meinung der Redaktion wiedergibt und kein Evidenz-Score ist. Alle anderen Unternehmen sind nach dem in unserer Methodik beschriebenen Evidenz-Score geordnet. Methodik · Über uns