Wir hatten 14 000 Kundenanfragen pro Monat, die manuell sortiert wurden. Confident AI Tech hat ein Klassifikationsmodell gebaut, das 89 % der Anfragen korrekt zuordnet. Unsere Sachbearbeiter sparen jetzt rund 35 Stunden pro Woche. Das Projekt war in neun Wochen abgeschlossen, zwei Wochen früher als geplant.
Artificial Intelligence in der Praxis – Kundenstimmen
Was unsere Kunden über die Zusammenarbeit sagen und welche Ergebnisse sie erzielt haben.
Erfahrungsberichte
Direkte Rückmeldungen von Projektverantwortlichen, die mit uns gearbeitet haben.
Ich war skeptisch, ob KI bei unserer kleinen Produktionsmenge überhaupt Sinn ergibt. Im Workshop hat das Team ehrlich gesagt, dass zwei unserer drei Ideen nicht lohnenswert sind. Die dritte Idee haben sie dann umgesetzt: ein Bilderkennungssystem, das Lackierfehler erkennt. Seit sechs Monaten läuft es fehlerfrei.
Die Zusammenarbeit war unkompliziert. Besonders geschätzt habe ich, dass der Entwickler auch im Workshop dabei war. Es gab keinen Informationsverlust zwischen Beratung und Umsetzung. Einziger Kritikpunkt: Die Dokumentation hätte etwas ausführlicher sein können, aber auf Nachfrage wurde sie schnell ergänzt.
Unser Lagerbestand war chronisch zu hoch. Das Nachfrage-Prognosemodell von Confident AI Tech hat die Überbestände um 22 % reduziert, ohne dass es zu Lieferengpässen kam. Die monatlichen Reports zeigen genau, wo das Modell treffsicher ist und wo es noch Unsicherheiten gibt. Diese Transparenz ist mir wichtig.
Wir brauchten eine Lösung, die Arztberichte automatisch codiert. Das Modell erreicht eine Genauigkeit von 93 % bei den häufigsten 200 Codes. Vor der Einführung haben zwei Mitarbeitende ganztags codiert. Jetzt prüfen sie nur noch die Fälle, bei denen das Modell unsicher ist. Das sind etwa 15 % der Berichte.
Ich hatte vorher mit zwei anderen Anbietern gesprochen, die beide viel versprochen haben. Confident AI Tech war der einzige, der im Erstgespräch gesagt hat, dass unser zweiter Anwendungsfall mit den vorhandenen Daten nicht realisierbar ist. Diese Ehrlichkeit hat mich überzeugt, den ersten Anwendungsfall mit ihnen umzusetzen. Ergebnis: 12 % weniger Retouren in drei Monaten.
Fallstudien
Zwei Projekte im Detail: Ausgangslage, Vorgehen und messbares Ergebnis.
Nachfrageprognose für einen Distributeur in Bern
Ein Distributeur mit 8 000 Artikeln hatte regelmässig Überbestände bei saisonalen Produkten und gleichzeitig Engpässe bei Schnelldrehern. Die bisherige Planung basierte auf Erfahrungswerten und Excel-Tabellen.
Wir haben ein Gradient-Boosting-Modell trainiert, das Wetterdaten, Feiertage, historische Abverkäufe und Lieferzeiten der Zulieferer berücksichtigt. Das Modell liefert wöchentliche Bestellvorschläge pro Artikel.
Visuelle Qualitätskontrolle bei einem Pharmahersteller
Ein Hersteller von Injektionslösungen prüfte jede Ampulle manuell auf Partikel und Risse. Bei 120 000 Einheiten pro Tag war das fehleranfällig und teuer. Zwei Prüferinnen arbeiteten in Schichten, und die Fehlerquote lag bei 0,4 %.
Wir haben ein Convolutional Neural Network (CNN) entwickelt, das Kamerabilder der Ampullen in Echtzeit analysiert. Das System erkennt Partikel ab 0,1 mm Grösse und Mikrorisse, die dem menschlichen Auge entgehen. Die Fehlerquote sank auf 0,05 %. Die beiden Prüferinnen kontrollieren jetzt nur noch die vom System markierten Ausreisser.
Ihr Projekt könnte das nächste sein
Erzählen Sie uns, was Sie vorhaben. Wir sagen Ihnen ehrlich, ob und wie KI helfen kann.
Erstgespräch vereinbarenOder rufen Sie direkt an: +41 32 351 46 33