Regulatorisches Risiko
Der EU AI Act verlangt ab 2026 für Hochrisiko-Systeme eine dokumentierte Erklärbarkeit. Wer jetzt Modelle ohne Audit-Trail baut, muss später teuer nachrüsten oder abschalten.
Warum klassische KI oft scheitert
Viele Unternehmen setzen Machine-Learning-Modelle ein, deren Vorhersagen niemand im Haus erklären kann. Das führt zu drei konkreten Problemen:
Vertrauensverlust bei Kunden
Wenn ein Kreditantrag abgelehnt wird und der Sachbearbeiter nur sagen kann «Das hat die KI entschieden», sinkt die Kundenbindung messbar. In einer Studie der ZHAW (2023) gaben 68 % der Befragten an, automatisierten Entscheidungen ohne Begründung zu misstrauen.
Fehlende Fehlersuche
Ein undurchsichtiges Modell lässt sich bei Drift oder Bias schwer korrigieren. Ihr Data-Team verbringt Wochen mit Debugging, statt neue Features zu liefern.
Unser Vorgehen in vier Schritten
Jedes Projekt beginnt mit einem zweistündigen Workshop bei Ihnen vor Ort oder per Video. Danach arbeiten wir in Sprints von zwei Wochen.
Datenlandschaft kartieren
Wir sichten Ihre vorhandenen Datenquellen, prüfen Qualität, Bias-Potenzial und Datenschutzkonformität. Ergebnis: ein Data-Readiness-Report (PDF, 8–12 Seiten).
Modellarchitektur wählen
Nicht jedes Problem braucht ein tiefes neuronales Netz. Oft reicht ein Gradient-Boosted-Tree mit SHAP-Werten, der in 50 ms antwortet. Wir empfehlen die einfachste Architektur, die Ihre Genauigkeitsanforderung erfüllt.
Erklärungsschicht einbauen
Jede Vorhersage bekommt eine menschenlesbare Begründung: Feature-Beiträge, Kontrafaktuale, Konfidenzintervalle. Ihr Fachteam versteht, warum das Modell so entschieden hat.
Monitoring und Audit
Nach dem Go-live überwachen wir Drift, Fairness-Metriken und Latenz über ein Dashboard, das Ihr Ops-Team selbst bedienen kann. Quartalsberichte inklusive.
Einsatzgebiete
Finanzdienstleistungen
Kreditscoring, Betrugserkennung und AML-Screening mit erklärbaren Entscheidungen. Wir haben für eine Schweizer Regionalbank ein Scoring-Modell gebaut, das 94 % Genauigkeit erreicht und gleichzeitig jeden Entscheid in drei Sätzen zusammenfasst.
Gesundheitswesen
Bildanalyse in der Radiologie, Triagierung in Notaufnahmen, Medikamenten-Interaktionsprüfung. Ärzte akzeptieren KI-Vorschläge eher, wenn sie die Begründung sehen. Unsere Modelle liefern Heatmaps und textuelle Erklärungen parallel zur Diagnose.
Produktion und Logistik
Vorausschauende Wartung, Qualitätskontrolle per Computer Vision, Routenoptimierung. Ein Kunde aus der Lebensmittelindustrie konnte ungeplante Stillstände um 37 % senken, weil das Modell konkret anzeigt, welcher Sensor welche Anomalie meldet.
Öffentliche Verwaltung
Automatisierte Antragsbearbeitung, Ressourcenplanung, Textklassifikation eingehender Bürgeranfragen. Transparenz ist hier nicht optional, sondern gesetzlich vorgeschrieben. Wir dokumentieren jedes Modell so, dass es einer parlamentarischen Anfrage standhält.
Unser Transparenz-Versprechen
Jedes Modell, das wir ausliefern, enthält eine Erklärungsschicht. Das ist keine nachträgliche Dokumentation, sondern ein integraler Bestandteil der Architektur.
Wir veröffentlichen die Audit-Methodik auf Anfrage und lassen externe Prüfer zu. Sie erhalten den vollständigen Quellcode des Erklärungsmoduls, nicht nur eine API.
Unsere Fairness-Tests decken geschützte Merkmale ab: Geschlecht, Alter, Nationalität, Postleitzahl. Wenn ein Modell diskriminiert, erfahren Sie es vor dem Go-live, nicht aus der Zeitung.
Audit-fähig nach EU AI Act Annex IV
Häufige Fragen
Ein Proof-of-Concept steht in vier bis sechs Wochen. Für ein produktionsreifes Modell mit Erklärungsschicht, Tests und Monitoring rechnen wir mit drei bis fünf Monaten, abhängig von der Datenqualität und der Anzahl der Stakeholder, die Freigaben erteilen.
Python ist unsere Hauptsprache. Wir arbeiten mit scikit-learn, XGBoost, PyTorch und Hugging Face Transformers. Für die Erklärungsschicht setzen wir SHAP, LIME und Captum ein. Deployment läuft über Docker und Kubernetes, wahlweise auf Ihrer Infrastruktur oder bei einem Schweizer Cloud-Anbieter.
Nein. Wir können komplett on-premise oder in einem Schweizer Rechenzentrum arbeiten. Für besonders sensible Projekte bringen wir eigene Hardware mit und trainieren vor Ort. Die Daten bleiben unter Ihrer Kontrolle.
Ein Proof-of-Concept beginnt bei CHF 18 000. Produktionsprojekte liegen typischerweise zwischen CHF 60 000 und CHF 250 000. Wir arbeiten mit Festpreisphasen: nach jedem Sprint wissen Sie, was der nächste kostet, bevor Sie ihn freigeben.
Ja. Wir geben halbtägige Workshops für Fachteams (kein Vorwissen nötig) und zweitägige Intensivkurse für Data Scientists, die selbst erklärbare Modelle bauen wollen. Die Workshops finden in Lausanne oder bei Ihnen statt.
Projekt besprechen
Schreiben Sie uns eine Nachricht oder rufen Sie direkt an. Erstgespräche dauern 30 Minuten und sind kostenlos.
2945 Schulstrasse, 1003 Lausanne, Vaud, Switzerland