Datenbasierte Lösungen · ML & Deep Learning
Algorithmen, die in der Praxis wirken
Reale Anwendungsfälle aus Lebensmitteltechnik, Medizin und Ökologie — jedes Modell wird individuell auf Ihre Daten angepasst.
Alle Visualisierungen basieren auf synthetisierten Demonstrationsdaten.
Projekt anfragen
Gradient Boosting (XGBoost)
Allergen-Risikobewertung in Produktrezepturen
Lebensmitteltechnik & Verbraucherschutz. XGBoost bewertet das Kreuzkontaminationsrisiko in gemeinsam genutzten Produktionslinien. SHAP-Werte erklären jede Vorhersage einzeln — auditierbar für Qualitätssicherung und Behörden.
ⓘ Verändern Sie die Produktionsparameter — Risikowert und SHAP-Wasserfall aktualisieren sich automatisch.
Stufe 3 — Standard-CIP
40 % der Laufzeit
SHAP-Wasserfall: Merkmalsbeitrag
Risikowert
0.58
Score 0–1
Einstufung
Mittel
Konfidenz
81 %
Vergleich Basis-Methoden: F1-Score
Entscheidungsbaum (Decision Tree)
Klinisches Mangelernährungs-Screening (MedTech)
Medizintechnik & klinische Entscheidungsunterstützung. Der Baum bildet den validierten NRS-2002-Score nach. Da jede Verzweigung sichtbar ist, erfüllt das Modell die Transparenzanforderungen des EU AI Act für Hochrisiko-Medizinprodukte.
22.0
4.0 %
Entscheidungspfad
Merkmals-Gewichtung (Gini)
Naïve Bayes · Textklassifikation
Automatische Klassifikation von Verbraucherbeschwerden
Verbraucherschutz & Regulatory Affairs. Naïve Bayes klassifiziert eingehende Beschwerdetexte in Prioritätskategorien. Latenz unter 2 ms ermöglicht Echtzeit-Triaging bei tausenden Meldungen täglich.
Kategorie-Wahrscheinlichkeiten
Diagnostische Schlüsselwörter
Präzision
91.4 %
Recall
88.7 %
Latenz
<2 ms
je Dokument
Random Forest · Ökologie
Mikroplastik-Quellen in Gewässerproben klassifizieren
Umweltanalytik & Ökologie. Ein Random Forest klassifiziert Mikroplastikpartikel anhand spektroskopischer und morphologischer Merkmale nach Herkunftsquelle — ohne Vorwissen über die Quellzusammensetzung.
ⓘ Gewässertyp bestimmt das Quellenprofil. Bäume und Partikelgröße zeigen deren Effekt auf OOB-Genauigkeit.
100 Bäume
500 µm
Feature-Wichtigkeit (Radar)
Klassenverteilung im Gewässer
OOB-Genauigkeit
92.3 %
Bäume
100
Quellklassen
6
Support Vector Machine (SVM)
Olivenöl-Authentifizierung mittels NIR-Spektroskopie
Lebensmittelkontrolle & Betrugserkennung. Eine SVM trennt echtes Olivenöl von Panschungen anhand von NIR-Spektren. Verfälschungen ab ~10 % Fremdölanteil erkennbar. Klicken Sie ins Diagramm, um eine Probe zu testen.
ⓘ Mischanteil und Temperatur simulieren reale Prüfbedingungen und verschieben die Entscheidungsgrenze.
15 % Fremdöl
25 °C
Entscheidungsgrenze (PCA)
→ Klick = eigene Probe testen
Präzision
96.1 %
Recall
94.3 %
AUC-ROC
0.982
ROC-Kurve
Convolutional Neural Network (CNN) · Deep Learning
Histologische Gewebequalität in Fleischprodukten
Lebensmitteltechnik & Qualitätssicherung. Ein feinabgestimmtes EfficientNet-B0 klassifiziert histologische Schnittbilder in vier Qualitätsstufen. Die Grad-CAM-Karte macht sichtbar, welche Bildregionen die Entscheidung treiben.
Grad-CAM Aktivierungskarte
Genauigkeit
94.2 %
F1-Score
0.937
Inferenz
38 ms
Confusion Matrix
Klassenwahrscheinlichkeit
Alle Visualisierungen basieren auf realistisch synthetisierten Demonstrationsdaten. Für Ihr Projekt entwickeln wir Modelle individuell angepasst.
Projekt anfragen
