Referenzen
Erfolgreiche KI Projekte unserer Kund:innen
Innovative Lösungen mit Know-how und Herzblut
Wir entwickeln KI-Lösungen für die unterschiedlichsten Kund:innen und Branchen. So unterschiedlich die Projekte auch sein mögen, so haben sie doch eines gemeinsam: In Ihnen stecken unser breitgefächertes Know-how und unsere ganze Leidenschaft.
Wikipedia
Wie wir Wikipedia 2018 dabei geholfen haben, das Spendenziel von 9 Millionen Euro zu erreichen.
So kurz war die Wikipedia-Spendenkampagne noch nie: In Rekordzeit von nur 46 Tagen haben wir dazu beigetragen, das Spendenziel zu erreichen.
Problemstellung
Wikimedia Deutschland e.V – der Verein hinter der deutschsprachigen Wissensdatenbank Wikipedia – ist zur Fortführung seiner Projekte rund um das Thema „Freies Wissen“ auf Spendengelder angewiesen. Dazu ruft er einmal im Jahr über die Website, Banner und E-Mails zu einer Spendenkampagne auf. Die Kampagne muss fortlaufend optimiert und auf Signifikanz überprüft werden. Hierfür ist eine Auswertung der Nutzer:innendaten notwendig.
Hier kommt Limebit zum Einsatz
Wikimedia hat Limebit 2018 mit der Analyse der Daten beauftragt. Wir haben große Datenmengen verarbeitet, ausgewertet und dokumentiert, um tagesaktuell auf Entwicklungen der Kampagne reagieren zu können und Handlungsanweisungen für das Fundraising-Team abzuleiten zu können. Zusätzlich werteten wir die Daten der E-Mail-Kampagnen aus, um zu ermitteln, welche Formulierung und welche Spendenaufforderung am erfolgreichsten war.
Zum Abschluss des Projektes haben wir das Fundraising-Team dabei beraten, wie das Vorgehen zukünftig für noch komplexere Analysen und maschinelles Lernen genutzt werden kann. Beispielsweise um individuelle Spendenaufrufe an Personen zu schicken, die in der Vergangenheit bereits gespendet haben.
Bayer
Wie wir mit Bayer die Wirkungen und Nebenwirkungen von Medikamenten erforschen.
Die Beurteilung der Wirksamkeit von Medikamenten ist aufwändig und teuer. Für Bayer haben wir eine KI-Plattform entwickelt, die die Auswertung von Patient:innendaten vereinfacht und somit Prozesse beschleunigt.
Problemstellung
Die Entwicklung neuer Medikamente ist ein langwieriger und teurer Prozess. Auch wenn es ein Medikament auf den Markt geschafft hat, ist der Prozess noch lange nicht abgeschlossen. Um die Sicherheit und Wirksamkeit eines Medikaments ganzheitlich beurteilen und gewährleisten zu können, werden die Erfahrungen der Anwender:innen permanent evaluiert.
Diese Nutzenbewertung findet über die Datenauswertung von Arztpraxen, Krankenhäusern und Krankenkassen - so genannte Real-World-Data – statt. Die Aufbereitung und Auswertung dieser Daten erfordert methodisches Expert:innenwissen und ist zudem sehr zeitaufwendig. KI-Modelle, wie beispielsweise Deep Learning Algorithmen, können die bestehenden Auswertungsmöglichkeiten optimieren.
Hier kommt Limebit zum Einsatz
Zur Optimierung der Evaluation in der epidemiologischen Forschung wurden wir von Bayer mit der Entwicklung und Umsetzung von KI-Modellen mittels Machine Learning und Deep Learning beauftragt. Die von uns realisierte Lösung wurde in die IT-Struktur von Bayer implementiert und ist dort bereits im Einsatz.
Sie kann innerhalb kürzester Zeit Millionen von Daten analysieren und bewerten. Bei der Umsetzung der Plattform waren uns vor allem die Nutzer:innenfreundlichkeit sowie die verständliche Aufbereitung der Daten wichtig. Die Anwendung soll auch ohne Fachkenntnisse bedient werden können. Denn nicht alle Nutzer:innen sind Digitalexpert:innen, IT-Profis oder Molekularbiolog:innen.
Beratungs- und Projektinhalte
Die erste Projektphase bestand aus der Durchführung mehrerer Workshops, um herauszufinden, wie der klassische Ansatz in der Pharmakoepidemiologie bei Bayer aktuell genutzt wird. Anschließend wurde der aktuelle Forschungsstand zu Machine und Deep Learning erarbeitet und mögliche Wege zur Verbesserung der bisherigen Modelle durch Neuronale Netze und verschiedene Typen regularisierter Regressionen skizziert.
In der zweiten Projektphase haben wir bestehende Modelle erweitert und in ein Python basiertes Machine Learning Framework überführt. Das Machine Learning Framework unterstützt automatische Code-Dokumentation, vollständige Reproduzierbarkeit von Experimenten und Versionierung von Daten-Pipelines und Daten-Quellen. Aufbauend auf dem Framework haben wir ein Simulationsverfahren der Universität Harvard als Python Package implementiert, welches die Performance-Bewertung verschiedener Modelle ermöglicht.
Seit September überführen wir die Implementierung in eine Full-Stack Analyse-Plattform, die auch nicht-technischen Nutzer:innen die Möglichkeit zur Anwendung Künstlicher Intelligenz gibt. Nutzer:innen können über ein User Interface Machine Learning Methoden auf beliebige Datensätze anwenden, benchmarken und jederzeit reproduzieren. Die Plattform kann mit Datensätzen von mehreren Millionen Einträgen umgehen und wird auf der Bayer eigenen Infrastruktur betrieben.
Just Watch
Wie wir für die Kund:innen von JustWatch die besten Filmempfehlungen finden.
Durch die Entwicklung eines intelligenten Empfehlungssystems ist es uns gelungen, jeder einzelnen Kund:in von JustWatch maßgeschneiderte Video-Empfehlungen zu geben.
Problemstellung
Wenn Kund:innen zufrieden sind, kommen sie wieder. Das trifft auch auf Streaming-Anbieter zu. JustWatch, ein internationaler Streaming-Dienstleister, möchte mit personalisierten Nutzungserlebnissen langfristige Kund:innenbindungen aufbauen. Die Lösung:
Intelligente Empfehlungssysteme, die anhand der verfügbaren Nutzer:innendaten sinnvolle und individuelle Filmempfehlungen geben können.
Hier kommt Limebit zum Einsatz
Gemeinsam mit JustWatch haben wir ein smartes Empfehlungssystem entwickelt, das die Interessen der Nutzer:innen analysiert und auf Basis der gesehenen Filme passende Empfehlungen ausliefert. Dank Machine Learning kann die Anwendung innerhalb kurzer Zeit riesige Datenmengen verarbeiten und so besonders genaue Nutzer:innenprofile erstellen. Dabei vergleicht die KI das Nutzer:innenverhalten aller Kund:innen miteinander. So werden entsprechende Muster gefunden, welche sich auf bestimmte Nutzer:innengruppen anwenden lassen – bis hin zu eben individuellen Empfehlungen.
Ein solches Empfehlungssystem kann auf E-Commerce-, Musik-Streaming- oder Video-Streaming-Plattformen implementiert werden.
Open Discourse
Wie wir mittels Data Science die politische Sprache der letzten 70 Jahre analysieren.
Mit der Plattform Open Discourse machen wir den politischen Diskurs seit 1949 sichtbar - und zwar für Mensch und Maschine. Es ist ein internes Forschungsprojekt, das uns besonders am Herzen liegt.
Problemstellung
Die Plenarprotokolle des Deutschen Bundestages liegen teilweise digitalisiert, aber nicht maschinenlesbar vor. Sie sind aus historischer und politikwissenschaftlicher Sicht eine wertvolle Quelle und bergen viele Informationen zur Entwicklung des politischen Diskurses in Deutschland. Um die Daten auswerten und veröffentlichen zu können, ist eine spezielle Aufbereitung erforderlich.
Hier kommt Limebit zum Einsatz
Wir haben mit Werkzeugen aus Deep- und Machine Learning die Plenarprotokolle aufgebrochen und alle Redebeiträge, Zwischenrufe, Rückfragen etc. den jeweiligen Politiker:innen und Fraktionen zugeordnet. Zusätzlich haben wir diese Daten durch weitere Hintergrundinformationen zu allen Politiker:innen und deren Ämtern angereichert.
So umfasst der von uns innerhalb des letzten Jahres verarbeitete Umfang etwa 800.000 Redebeiträge von über 4.200 Redner:innen sowie 2.5 Millionen Reaktionen aus allen Fraktionen seit 1949. Open Discourse verfügt somit über eine Datenbank, die jedes bisher in Plenarsitzungen gesprochene Wort strukturiert abbildet und sowohl für Menschen als auch Maschinen lesbar zur Verfügung stellt. Open Discourse ist die erste und umfangreichste Datenbank mit Plenatprotokollen des Deutschen Bundestages.
Ein Herzensprojekt
Open Discourse ist ein gemeinnützige Projekt der Mitarbeiter:innen der Limebit GmbH. Entstanden ist die Idee aus den Fähigkeiten und Motivationen der Mitarbeiter:innen, in Pausengesprächen und aus den gemeinsamen Vorstellungen von Demokratie.
Wir hoffen, dass durch unsere Vorarbeit datenbasierter Journalismus, Wissenschaft und Zivilbevölkerung profitieren und der erleichterte Zugang zu den Daten dazu anregt, die politische Geschichte des Bundestags auf Basis der verwendeten Sprache unser Politiker:innen zu analysieren.
Wikipedia
Wie wir Wikipedia 2018 dabei geholfen haben, das Spendenziel von 9 Millionen Euro zu erreichen.
So kurz war die Wikipedia-Spendenkampagne noch nie: In Rekordzeit von nur 46 Tagen haben wir dazu beigetragen, das Spendenziel zu erreichen.
Problemstellung
Wikimedia Deutschland e.V – der Verein hinter der deutschsprachigen Wissensdatenbank Wikipedia – ist zur Fortführung seiner Projekte rund um das Thema „Freies Wissen“ auf Spendengelder angewiesen. Dazu ruft er einmal im Jahr über die Website, Banner und E-Mails zu einer Spendenkampagne auf. Die Kampagne muss fortlaufend optimiert und auf Signifikanz überprüft werden. Hierfür ist eine Auswertung der Nutzer:innendaten notwendig.
Hier kommt Limebit zum Einsatz
Wikimedia hat Limebit 2018 mit der Analyse der Daten beauftragt. Wir haben große Datenmengen verarbeitet, ausgewertet und dokumentiert, um tagesaktuell auf Entwicklungen der Kampagne reagieren zu können und Handlungsanweisungen für das Fundraising-Team abzuleiten zu können. Zusätzlich werteten wir die Daten der E-Mail-Kampagnen aus, um zu ermitteln, welche Formulierung und welche Spendenaufforderung am erfolgreichsten war.
Zum Abschluss des Projektes haben wir das Fundraising-Team dabei beraten, wie das Vorgehen zukünftig für noch komplexere Analysen und maschinelles Lernen genutzt werden kann. Beispielsweise um individuelle Spendenaufrufe an Personen zu schicken, die in der Vergangenheit bereits gespendet haben.
Bayer
Wie wir mit Bayer die Wirkungen und Nebenwirkungen von Medikamenten erforschen.
Die Beurteilung der Wirksamkeit von Medikamenten ist aufwändig und teuer. Für Bayer haben wir eine KI-Plattform entwickelt, die die Auswertung von Patient:innendaten vereinfacht und somit Prozesse beschleunigt.
Problemstellung
Die Entwicklung neuer Medikamente ist ein langwieriger und teurer Prozess. Auch wenn es ein Medikament auf den Markt geschafft hat, ist der Prozess noch lange nicht abgeschlossen. Um die Sicherheit und Wirksamkeit eines Medikaments ganzheitlich beurteilen und gewährleisten zu können, werden die Erfahrungen der Anwender:innen permanent evaluiert.
Diese Nutzenbewertung findet über die Datenauswertung von Arztpraxen, Krankenhäusern und Krankenkassen - so genannte Real-World-Data – statt. Die Aufbereitung und Auswertung dieser Daten erfordert methodisches Expert:innenwissen und ist zudem sehr zeitaufwendig. KI-Modelle, wie beispielsweise Deep Learning Algorithmen, können die bestehenden Auswertungsmöglichkeiten optimieren.
Hier kommt Limebit zum Einsatz
Zur Optimierung der Evaluation in der epidemiologischen Forschung wurden wir von Bayer mit der Entwicklung und Umsetzung von KI-Modellen mittels Machine Learning und Deep Learning beauftragt. Die von uns realisierte Lösung wurde in die IT-Struktur von Bayer implementiert und ist dort bereits im Einsatz.
Sie kann innerhalb kürzester Zeit Millionen von Daten analysieren und bewerten. Bei der Umsetzung der Plattform waren uns vor allem die Nutzer:innenfreundlichkeit sowie die verständliche Aufbereitung der Daten wichtig. Die Anwendung soll auch ohne Fachkenntnisse bedient werden können. Denn nicht alle Nutzer:innen sind Digitalexpert:innen, IT-Profis oder Molekularbiolog:innen.
Beratungs- und Projektinhalte
Die erste Projektphase bestand aus der Durchführung mehrerer Workshops, um herauszufinden, wie der klassische Ansatz in der Pharmakoepidemiologie bei Bayer aktuell genutzt wird. Anschließend wurde der aktuelle Forschungsstand zu Machine und Deep Learning erarbeitet und mögliche Wege zur Verbesserung der bisherigen Modelle durch Neuronale Netze und verschiedene Typen regularisierter Regressionen skizziert.
In der zweiten Projektphase haben wir bestehende Modelle erweitert und in ein Python basiertes Machine Learning Framework überführt. Das Machine Learning Framework unterstützt automatische Code-Dokumentation, vollständige Reproduzierbarkeit von Experimenten und Versionierung von Daten-Pipelines und Daten-Quellen. Aufbauend auf dem Framework haben wir ein Simulationsverfahren der Universität Harvard als Python Package implementiert, welches die Performance-Bewertung verschiedener Modelle ermöglicht.
Seit September überführen wir die Implementierung in eine Full-Stack Analyse-Plattform, die auch nicht-technischen Nutzer:innen die Möglichkeit zur Anwendung Künstlicher Intelligenz gibt. Nutzer:innen können über ein User Interface Machine Learning Methoden auf beliebige Datensätze anwenden, benchmarken und jederzeit reproduzieren. Die Plattform kann mit Datensätzen von mehreren Millionen Einträgen umgehen und wird auf der Bayer eigenen Infrastruktur betrieben.
Just Watch
Wie wir für die Kund:innen von JustWatch die besten Filmempfehlungen finden.
Durch die Entwicklung eines intelligenten Empfehlungssystems ist es uns gelungen, jeder einzelnen Kund:in von JustWatch maßgeschneiderte Video-Empfehlungen zu geben.
Problemstellung
Wenn Kund:innen zufrieden sind, kommen sie wieder. Das trifft auch auf Streaming-Anbieter zu. JustWatch, ein internationaler Streaming-Dienstleister, möchte mit personalisierten Nutzungserlebnissen langfristige Kund:innenbindungen aufbauen. Die Lösung:
Intelligente Empfehlungssysteme, die anhand der verfügbaren Nutzer:innendaten sinnvolle und individuelle Filmempfehlungen geben können.
Hier kommt Limebit zum Einsatz
Gemeinsam mit JustWatch haben wir ein smartes Empfehlungssystem entwickelt, das die Interessen der Nutzer:innen analysiert und auf Basis der gesehenen Filme passende Empfehlungen ausliefert. Dank Machine Learning kann die Anwendung innerhalb kurzer Zeit riesige Datenmengen verarbeiten und so besonders genaue Nutzer:innenprofile erstellen. Dabei vergleicht die KI das Nutzer:innenverhalten aller Kund:innen miteinander. So werden entsprechende Muster gefunden, welche sich auf bestimmte Nutzer:innengruppen anwenden lassen – bis hin zu eben individuellen Empfehlungen.
Ein solches Empfehlungssystem kann auf E-Commerce-, Musik-Streaming- oder Video-Streaming-Plattformen implementiert werden.
Open Discourse
Wie wir mittels Data Science die politische Sprache der letzten 70 Jahre analysieren.
Mit der Plattform Open Discourse machen wir den politischen Diskurs seit 1949 sichtbar - und zwar für Mensch und Maschine. Es ist ein internes Forschungsprojekt, das uns besonders am Herzen liegt.
Problemstellung
Die Plenarprotokolle des Deutschen Bundestages liegen teilweise digitalisiert, aber nicht maschinenlesbar vor. Sie sind aus historischer und politikwissenschaftlicher Sicht eine wertvolle Quelle und bergen viele Informationen zur Entwicklung des politischen Diskurses in Deutschland. Um die Daten auswerten und veröffentlichen zu können, ist eine spezielle Aufbereitung erforderlich.
Hier kommt Limebit zum Einsatz
Wir haben mit Werkzeugen aus Deep- und Machine Learning die Plenarprotokolle aufgebrochen und alle Redebeiträge, Zwischenrufe, Rückfragen etc. den jeweiligen Politiker:innen und Fraktionen zugeordnet. Zusätzlich haben wir diese Daten durch weitere Hintergrundinformationen zu allen Politiker:innen und deren Ämtern angereichert.
So umfasst der von uns innerhalb des letzten Jahres verarbeitete Umfang etwa 800.000 Redebeiträge von über 4.200 Redner:innen sowie 2.5 Millionen Reaktionen aus allen Fraktionen seit 1949. Open Discourse verfügt somit über eine Datenbank, die jedes bisher in Plenarsitzungen gesprochene Wort strukturiert abbildet und sowohl für Menschen als auch Maschinen lesbar zur Verfügung stellt. Open Discourse ist die erste und umfangreichste Datenbank mit Plenatprotokollen des Deutschen Bundestages.
Ein Herzensprojekt
Open Discourse ist ein gemeinnützige Projekt der Mitarbeiter:innen der Limebit GmbH. Entstanden ist die Idee aus den Fähigkeiten und Motivationen der Mitarbeiter:innen, in Pausengesprächen und aus den gemeinsamen Vorstellungen von Demokratie.
Wir hoffen, dass durch unsere Vorarbeit datenbasierter Journalismus, Wissenschaft und Zivilbevölkerung profitieren und der erleichterte Zugang zu den Daten dazu anregt, die politische Geschichte des Bundestags auf Basis der verwendeten Sprache unser Politiker:innen zu analysieren.
Wikipedia
Wie wir Wikipedia 2018 dabei geholfen haben, das Spendenziel von 9 Millionen Euro zu erreichen.
So kurz war die Wikipedia-Spendenkampagne noch nie: In Rekordzeit von nur 46 Tagen haben wir dazu beigetragen, das Spendenziel zu erreichen.
Problemstellung
Wikimedia Deutschland e.V – der Verein hinter der deutschsprachigen Wissensdatenbank Wikipedia – ist zur Fortführung seiner Projekte rund um das Thema „Freies Wissen“ auf Spendengelder angewiesen. Dazu ruft er einmal im Jahr über die Website, Banner und E-Mails zu einer Spendenkampagne auf. Die Kampagne muss fortlaufend optimiert und auf Signifikanz überprüft werden. Hierfür ist eine Auswertung der Nutzer:innendaten notwendig.
Hier kommt Limebit zum Einsatz
Wikimedia hat Limebit 2018 mit der Analyse der Daten beauftragt. Wir haben große Datenmengen verarbeitet, ausgewertet und dokumentiert, um tagesaktuell auf Entwicklungen der Kampagne reagieren zu können und Handlungsanweisungen für das Fundraising-Team abzuleiten zu können. Zusätzlich werteten wir die Daten der E-Mail-Kampagnen aus, um zu ermitteln, welche Formulierung und welche Spendenaufforderung am erfolgreichsten war.
Zum Abschluss des Projektes haben wir das Fundraising-Team dabei beraten, wie das Vorgehen zukünftig für noch komplexere Analysen und maschinelles Lernen genutzt werden kann. Beispielsweise um individuelle Spendenaufrufe an Personen zu schicken, die in der Vergangenheit bereits gespendet haben.
Unser Know-how und unsere Leidenschaft konnten wir auch bei diesen Kund:innen erfolgreich mit einbringen
Aus den Bereichen Medical Research, Facility Management, Entertainment, dem Energiesektor u.v.m.
