KI-Entwicklung · von der Idee zum System

KI, die wirklich funktioniert — nicht nur demonstriert.

Lernplattformen, Custom-Chatbots, Trading-Systeme: Wir entwickeln KI-Lösungen, die in der Praxis bestehen — sauber integriert, DSGVO-konform und mit messbarem Geschäftswert. Keine Demo, kein Hype, keine Black-Box.

Projekt anfragen Was wir bauen
Was wir bauen

Vier Bereiche, in denen KI für unsere Kunden echten Unterschied macht.

Wir setzen LLMs, Machine Learning und klassische KI-Methoden ein — abgestimmt auf das, was dein Use-Case wirklich braucht. Keine Lösung von der Stange, sondern Architektur die zu deinem Datenstand passt.

— learning_path.json
Grundlagen JavaScript 100%
Async & Promises 100%
React Hooks (KI-Empfehlung) 62%
State-Management —
— 01 / Bildung & E-Learning

Lernplattformen, die mitdenken.

Adaptive Lernsysteme erkennen, was dein Nutzer schon kann — und schlagen automatisch vor, wo der nächste sinnvolle Schritt liegt. Statt linearer Kurse: dynamische Pfade, die sich an Vorwissen, Lerngeschwindigkeit und Schwächen anpassen.

  • Adaptive Pfade auf Basis von Lernverhalten und Wissenstests
  • LLM-gestützte Tutoren, die Fragen im Kontext der Lernmaterialien beantworten
  • Auto-Generierung von Quizzes, Übungen und Zusammenfassungen aus deinen Inhalten
  • Detailliertes Progress-Tracking & Analytics für Lehrende
RAG Vector DBs OpenAI / Anthropic API Custom Embeddings
— 02 / Conversational AI

Chatbots & Assistenten, die deine Sprache sprechen.

Custom KI-Assistenten, die mit deinem Wissen trainiert sind — Support-Bots, interne Knowledge-Search, Sales-Begleiter. Mit Retrieval-Augmented Generation greifen sie auf deine Dokumente, Tickets und Datenbanken zu, statt zu halluzinieren.

  • RAG-Pipelines mit eigenen Wissensquellen — Dokumente, Datenbanken, APIs
  • Multi-Channel: Web-Widget, WhatsApp, MS Teams, Slack-Integration
  • Multimodal: Text, Bild-Analyse und Voice (Whisper / TTS)
  • DSGVO-konform & on-premise möglich (Llama / Mistral)
LangChain Pinecone / Weaviate Llama 3 Mistral Whisper
— support_bot.session
Wie lange läuft mein Vertrag noch?
Bis 31.12.2026. Ich sehe in deinem Konto: 14 Monate, monatliche Kündigungsfrist.
Kann ich das Paket wechseln?
— EUR/USD · 1H · live
BUY (12) SELL (4) HOLD
— 03 / Algorithmic Trading

KI-Systeme für den Börsenhandel.

Algo-Trading-Systeme mit ML-Modellen — vom Signal-Detector bis zum vollautomatischen Strategie-Bot. Wir setzen auf reproduzierbares Backtesting, sauberes Risk-Management und transparente Logik statt Black-Box-Ratschläge.

  • Echtzeit-Marktanalyse mit ML-Modellen (Klassifikation & Time-Series)
  • Signal-Generation mit Confidence-Scoring und Multi-Indikator-Logik
  • Vollständiges Backtesting-Framework mit Out-of-Sample-Validierung
  • Integration in MetaTrader, Interactive Brokers, Binance, Bybit
  • Risk-Management: Position-Sizing, Drawdown-Limits, Stop-Loss-Automatik
Python PyTorch MetaTrader 5 Interactive Brokers Pandas / NumPy
— 04 / Custom KI-Lösungen

Wenn dein Use-Case maßgeschneidert sein muss.

Du hast einen Anwendungsfall, der nicht in die üblichen Kategorien passt? Bilderkennung für Qualitätskontrolle, Dokumenten-Klassifikation, Vorhersage-Modelle für deine Geschäftsdaten — wir bauen es. Discovery, Architektur, Training, Deployment, Wartung.

  • Discovery-Workshop: was bringt KI in deinem Kontext wirklich Mehrwert?
  • Datenanalyse & Vorbereitung — Cleansing, Labelling, Augmentation
  • Modell-Auswahl: Open-Source (Llama, Mistral) oder Cloud (OpenAI, Anthropic, Azure)
  • Production-Deployment mit Monitoring, Logging und Re-Training-Pipelines
  • Wartung & iterative Verbesserung statt „Liefer-und-vergessen"
PyTorch TensorFlow FastAPI Docker / K8s AWS / Azure
— architecture.yml
FastAPI Endpoint /api/predict
Inference Layer PyTorch
Vector Store Pinecone
Source DB PostgreSQL
Tech & Stack

Tools, mit denen wir bauen.

Wir setzen auf bewährte Bausteine — und wählen pro Projekt, was zur Anforderung passt. Nicht das hippste Framework, sondern das, was wartbar bleibt.

— Modelle & LLMs

OpenAI GPT-4 Anthropic Claude Llama 3 Mistral Gemini

— Frameworks

PyTorch TensorFlow LangChain LlamaIndex scikit-learn

— Daten & Vector

Pinecone Weaviate Qdrant PostgreSQL Redis

— Deployment

FastAPI Docker Kubernetes AWS Azure
Wie wir vorgehen

Vier Phasen — vom ersten Gespräch bis zum produktiven System.

01

Discovery

Workshop: was ist dein eigentlicher Use-Case? Welche Daten gibt es? Wo lohnt sich KI — und wo wäre ein Skript ehrlicher?

02

Prototyp

Schneller, schmaler Prototyp mit deinen echten Daten. Du siehst nach 2-3 Wochen, ob das Modell deine Erwartungen trifft.

03

Training & Integration

Iteratives Training, Fine-Tuning und Anbindung an deine Systeme — Frontend, API, Datenbanken, externe Services.

04

Deployment & Care

Production-Setup mit Monitoring. Wir bleiben dran: Re-Training, Modell-Drift überwachen, neue Features ergänzen.

Häufige Fragen

Die Antworten, die wir vor Projektstart fast immer geben. Wenn deine Frage hier nicht dabei ist — einfach durchrufen.

Frage stellen
Wie sicher sind unsere Daten? +

Sehr ernste Frage, sehr ehrliche Antwort: Es kommt drauf an, wo das Modell läuft. Bei Cloud-LLMs (OpenAI, Anthropic) gehen Daten zum Anbieter — wir konfigurieren aber alle API-Calls so, dass sie nicht zum Training verwendet werden. Wenn das nicht reicht, deployen wir Open-Source-Modelle (Llama, Mistral) komplett auf deiner Infrastruktur. Dann verlässt kein Datenpunkt dein Unternehmen.

Welche LLMs setzt ihr ein? +

Wir wählen pro Projekt das passende Modell. Für höchste Qualität bei nicht-sensiblen Daten meist Anthropic Claude oder OpenAI GPT-4. Für DSGVO-kritische Use-Cases Open-Source-Modelle wie Llama 3 oder Mistral, die wir on-premise oder in der EU hosten. Für spezialisierte Domänen oft Fine-Tuning auf einem kleineren Base-Modell.

Wie viel kostet ein KI-Projekt? +

Pauschal lässt sich das nicht sagen — KI-Projekte unterscheiden sich stark in Datenstand, Integrationstiefe und Komplexität. Wir machen es so: Im Discovery-Workshop schauen wir uns deinen Use-Case und deine Daten an und nennen dir danach einen Festpreis. Transparent, nicht nach Stunden-Bauchgefühl.

Können wir mit unseren bestehenden Daten trainieren? +

In den meisten Fällen ja — egal ob CSV, PDF-Berge, Datenbanken oder Tickets. Was wir vorher klären: Datenqualität, Format, Mengen, Labelling-Aufwand. Bei wenig Daten setzen wir oft auf Few-Shot-Learning oder RAG, da brauchst du gar kein Training. Bei großen, sauberen Datenmengen lohnt sich Fine-Tuning eher.

Was, wenn das Modell falsche Antworten gibt? +

Halluzinationen sind real — wir bauen Systeme, die das minimieren: Source-Citations, Confidence-Scores, Fallback auf "weiß ich nicht", Human-in-the-Loop-Workflows für kritische Antworten. Bei Trading-Systemen kommen Risk-Limits dazu, die einen schiefliegenden Algorithmus stoppen, bevor er Schaden anrichtet.

Macht ihr auch reine Beratung ohne Entwicklung? +

Ja. Wir helfen Teams, die intern entwickeln, mit Architektur-Reviews, Modell-Auswahl, Vendor-Vergleich und Sparring. Halb- oder Tagessätze nach Aufwand.