Wir sind ein kleines, spezialisiertes Team in Fribourg. Gegründet 2019, weil wir gesehen haben, dass viele Schweizer KMU Zugang zu KI-Technologie brauchen, aber keine eigene Forschungsabteilung aufbauen können. Das ist unser Job.
Angefangen hat alles mit einem Projekt für eine Käserei im Greyerzerland. Der Betrieb wollte wissen, ob sich Reifungsprozesse anhand von Sensordaten vorhersagen lassen. Wir haben ein Modell gebaut, das die Reifezeit pro Laib auf zwei Tage genau prognostiziert. Das Ergebnis: weniger Ausschuss, bessere Planung, zufriedenere Abnehmer.
Dieses erste Projekt hat uns gezeigt, dass KI nicht nur für Grosskonzerne funktioniert. Seitdem haben wir mit Logistikfirmen, Spitälern, Versicherungen, Industriebetrieben und Onlinehändlern gearbeitet. Die Branchen sind unterschiedlich, die Grundfrage ist oft dieselbe: Wie machen wir aus vorhandenen Daten bessere Entscheidungen?
Heute beschäftigen wir fünf festangestellte Ingenieure und arbeiten regelmässig mit zwei freiberuflichen Datenwissenschaftlern zusammen. Unser Büro liegt am Lindenhofweg in Fribourg, zehn Gehminuten vom Bahnhof entfernt. Wir arbeiten auf Deutsch, Französisch und Englisch.
Fünf Grundsätze, die unsere Arbeit bestimmen
Wenn ein Regelwerk oder eine einfache SQL-Abfrage Ihr Problem löst, sagen wir das. Wir verkaufen kein Machine-Learning-Projekt, wo keines nötig ist. In etwa einem Drittel unserer Erstgespräche empfehlen wir eine einfachere Lösung. Das spart Ihnen Geld und uns unnötige Komplexität.
Jedes Projekt beginnt mit einem Festpreisangebot für die Analysephase. Erst danach entscheiden Sie, ob es weitergeht. Laufende Kosten kommunizieren wir monatlich, mit einer Aufschlüsselung nach Stunden und Ressourcen. Keine versteckten Posten.
Alle Daten bleiben in der Schweiz, sofern Sie nichts anderes wünschen. Wir arbeiten mit Schweizer Cloud-Anbietern und betreiben für sensible Projekte eigene GPU-Server in einem Rechenzentrum in Bern. DSGVO- und DSG-Konformität sind Pflicht, nicht Kür.
Wir bauen keine Blackboxen. Jedes Projekt enthält eine Dokumentation, die Ihr internes Team versteht: Datenquellen, Modellarchitektur, Schwellenwerte, Fehlermodi. Auf Wunsch schulen wir Ihre Mitarbeitenden, damit sie das System eigenständig betreuen können.
Vor Projektbeginn definieren wir gemeinsam, was Erfolg bedeutet: eine bestimmte Genauigkeit, eine Zeitersparnis in Stunden pro Woche, eine Reduktion der Fehlerquote um einen konkreten Prozentsatz. Wenn das Ziel nicht erreicht wird, passen wir nach oder beenden das Projekt fair.
Fünf Köpfe, zusammen über 40 Jahre Erfahrung in Datenanalyse und Softwareentwicklung
Gründerin und Geschäftsführerin. Studium in Informatik an der EPFL, danach acht Jahre bei einem Medizintechnikunternehmen in Lausanne. Spezialisiert auf prädiktive Modelle im Gesundheitswesen.
Leitender Ingenieur. Master in Machine Learning an der ETH Zürich. Baut die Infrastruktur, auf der unsere Modelle laufen: von der Daten-Pipeline bis zum Monitoring. Vorher bei einem Zürcher Fintech.
Datenwissenschaftlerin. Doktorat in Computerlinguistik an der Universität Bern. Verantwortlich für unsere NLP-Projekte, von der Sentimentanalyse bis zur automatischen Textklassifikation.
Projektleiter und Kundenberater. Zwölf Jahre Erfahrung in der IT-Beratung, davon sechs im Bereich industrielle Automatisierung. Spricht fliessend Deutsch, Französisch und Englisch.
Ergänzt wird das Kernteam durch zwei freiberufliche Spezialisten: eine Computer-Vision-Expertin und ein DevOps-Ingenieur, die wir projektbezogen hinzuziehen. Bei grösseren Vorhaben kooperieren wir mit dem Departement für Informatik der Universität Fribourg.
Drei Gründe, die in Kundengesprächen immer wieder genannt werden.
Wir sitzen in Fribourg, nicht in San Francisco. Wenn ein Workshop vor Ort sinnvoll ist, sind wir in einer Stunde bei den meisten Kunden in der Westschweiz. Für Deutschschweizer Kunden fahren wir nach Bern, Zürich oder Basel. Persönliche Treffen ersetzen keine Datenanalyse, aber sie helfen, die richtigen Fragen zu stellen.
Wir haben Modelle für die Lebensmittelproduktion, den Detailhandel, das Gesundheitswesen und die Finanzbranche gebaut. Diese Breite ist kein Zufall: Methoden aus einem Bereich lassen sich oft auf einen anderen übertragen. Ein Anomalie-Erkennungsmodell, das wir für eine Versicherung entwickelt haben, wurde in angepasster Form auch in der Qualitätskontrolle einer Schokoladenfabrik eingesetzt.
Alles, was wir bauen, gehört Ihnen. Quellcode, trainierte Modelle, Dokumentation. Wenn Sie nach Projektabschluss intern weiterarbeiten oder einen anderen Dienstleister beauftragen möchten, steht dem nichts im Weg. Wir verwenden Open-Source-Frameworks wie PyTorch und scikit-learn, keine proprietären Plattformen.