01
Selbstüberwachtes Backbone, eingefroren
Ein selbstüberwacht vortrainiertes Bild-Modell liefert robuste Grundmerkmale. Es bleibt unverändert - so bewahren wir seine Allgemeinbildung und sparen den teuren Teil des Trainings.
Custom AI · Fine-Tuning · Computer Vision
KI-Modelle auf Ihre Daten trainieren
Generische KI-Modelle sind robust, aber unterscheidungsblind. Sie erkennen, was etwas ist - nicht, welches von vielen nahezu identischen Exemplaren. Wir bauen den spezialisierten Kopf, der auf Ihren eigenen Daten genau diese Feinunterscheidung lernt - messbar besser als jede Standard-API, on premise und DSGVO-konform.
- Messbar besser als generische Modelle
- Effizient: läuft auf CPU, skaliert auf GPU
- On premise · EU-Hosting
Das Problem
Wenn ein generisches Modell die falsche Zuordnung bevorzugt
Bei der Feinunterscheidung nahezu identischer Objekte reicht ein Standard-Modell nicht aus - und zwar nicht wegen fehlender Qualität, sondern wegen seiner Bauart.
Wir haben eine generische Embedding-API an einer konkreten Zuordnungsaufgabe gemessen: Ein fotografiertes Sammlerobjekt soll in einem großen Katalog dem richtigen Eintrag zugeordnet werden. Das Ergebnis war aufschlussreich - die API bewertete die falsche Zuordnung höher als die richtige (0,96 gegenüber 0,91) und lieferte durchweg gesättigte Ähnlichkeitswerte um 0,97.
Ein Wert von 0,97 für fast jedes Paar ist kein Vertrauenssignal - er trägt keine Information mehr. Die Kernthese dahinter: Genau die Domänen-Agnostik, die ein generisches Modell so robust und breit einsetzbar macht, verhindert die scharfe Trennung fast identischer Varianten. Für Computer-Vision-Aufgaben, bei denen es auf feine Unterschiede ankommt, ist ein Standard-Modell strukturell im Nachteil.
Der Ansatz
Eingefrorenes Backbone, schlanker trainierter Kopf
Wir trainieren kein Modell von Grund auf neu. Wir setzen auf ein starkes, vortrainiertes Fundament und lernen nur den entscheidenden letzten Schritt auf Ihren Daten.
02
Schlanker Kopf mit Metric Learning
Darauf sitzt ein selbst trainierter Kopf, der per Metric Learning lernt, ähnliche Objekte zusammen und unähnliche auseinander zu ziehen - genau die Trennschärfe, die dem generischen Modell fehlt.
03
Labels aus vorhandenen Metadaten
Die Trainingslabels stammen aus bereits vorhandenen Metadaten - kein teures manuelles Annotieren. Das Fine-Tuning des Kopfes dauert unter einer Minute; aufwendig ist nur die einmalige Merkmalsextraktion.
04
Suche in der Vektordatenbank
Jedes Objekt wird zu einem kompakten Merkmalsvektor. Gesucht wird darin per Vektordatenbank (PostgreSQL + pgvector, HNSW) - schnell auch bei großen Katalogen.
Die Ergebnisse
Der Kopf macht den messbaren Unterschied
Ein Beispiel aus der Praxis, gleicher Testaufbau, drei Verfahren. Angegeben ist die Trefferquote - der Anteil der Fälle, in denen die richtige Zuordnung unter den ersten Treffern liegt (Top-1, Top-5, Top-12).
| Verfahren | Top-1 | Top-5 | Top-12 |
|---|---|---|---|
| generische Embedding-API | 0,30 | 0,54 | 0,66 |
| Basismodell ohne Training | 0,39 | 0,62 | 0,73 |
| Basismodell + eigener Kopf | 0,53 | 0,75 | 0,84 |
Der stärkste Einzelbefund: Auf Klassen, die im Training nie vorkamen, stieg Top-12 auf 0,93. Der Kopf lernt also keine Beispiele auswendig, sondern echte Unterscheidungsstruktur - er trägt genau dort, wo die generische Lösung scheiterte.
Einsatzfelder
Wofür wir angepasste Modelle einsetzen
Immer dann, wenn ein generisches Modell zu grob unterscheidet und es auf die feinen Unterschiede ankommt. Typische Felder aus unserer Projektarbeit:
→
Visuelle Objekt- und Produkterkennung
Ähnliche Objekte in großen Bild- oder Produktkatalogen zuverlässig zuordnen - dort, wo sich Varianten fast gleichen und Standard-Modelle daran scheitern.
→
Dubletten- und Qualitätsprüfung
Nahezu identische Varianten, Duplikate oder feine Abweichungen erkennen, die dem bloßen Blick und generischen Modellen entgehen.
→
Ähnlichkeitssuche in großen Beständen
Das ähnlichste Objekt in sehr großen Datenbeständen finden - per Vektorsuche, schnell und nachvollziehbar bewertet.
→
Fachspezifische Klassifikation
Bilder, Dokumente oder Signale in Ihre eigenen Kategorien einordnen, wenn generische Modelle die fachlichen Feinheiten nicht kennen.
Messkultur
Was wir verworfen haben - und warum das zählt
Ein belastbares Ergebnis entsteht nicht durch Ausprobieren bis es passt, sondern durch saubere Messung. Diese Befunde gehören zur ehrlichen Bilanz.
Mehr Daten halfen nicht automatisch
Zusätzliche Trainingsdaten hoben die Qualität nicht - ein Befund, der einer verbreiteten Annahme widerspricht. Wir haben es gemessen, statt es vorauszusetzen.
Kalibrierung schlug jede Modellverbesserung
Eine Schwelle stand noch auf der Skala eines früheren Modells und ließ einen Großteil der Konsens-Entscheidungen abbrechen. Die Korrektur war der größte Einzelsprung des Projekts - Betrieb schlägt Modell.
Einzelläufe schwanken - wir mitteln
Auf identischem Testset schwankten einzelne Läufe um mehrere Punkte. Verbesserungen mussten über mehrere Läufe gemittelt werden, sonst misst man Rauschen als Erfolg.
Ehrlicher Zielkonflikt: Spezialisierung erkauft Schärfe mit Domänen-Empfindlichkeit. Auf fremdartigen Aufnahmen fällt die Trennschärfe deutlich ab. Wer feiner unterscheidet, wird zwangsläufig empfindlicher für den Kontext, in dem gemessen wird - das benennen wir offen.
Betrieb
Effizient im Betrieb, Ihre Daten bleiben im Haus
→
Infrastruktur nach Bedarf
Ein so angepasstes Modell läuft oft schon schlank auf CPU mit geringem Speicherbedarf - wo eine dedizierte Grafikkarte unnötig wäre. Verlangt eine Aufgabe mehr Rechenlast, skalieren wir gezielt auf GPU-Hardware. Wir wählen die Infrastruktur nach Bedarf, nicht nach Prinzip.
→
On premise im EU-Stack
Training und Inferenz laufen in Ihrer eigenen Infrastruktur. Die Bilder verlassen das Haus nicht - keine Übertragung an fremde Cloud-Anbieter, DSGVO-konform von der Architektur her.
→
Schnelle Iteration
Weil das Training des Kopfes unter einer Minute dauert, lässt sich in kurzer Zeit viel ausprobieren und sauber vergleichen - ohne teure Trainingsläufe.
Womit wir arbeiten
KI & Vision
- DINOv2
- ArcFace / Metric Learning
- Self-Supervised Learning
- PyTorch
- timm
Vektor & Retrieval
- pgvector
- HNSW
- Embeddings
- Recall@k-Evaluation
Backend
- Python
- FastAPI
- PostgreSQL
- Node.js
Betrieb
- Docker
- CPU-Inferenz
- EU-Hosting
- On-Premise
Was wir tun
Wir passen KI-Modelle an Ihre Daten an, statt bei einem generischen Standard-Modell zu bleiben. Auf ein eingefrorenes, vortrainiertes Backbone setzen wir einen schlanken Kopf, der per Metric Learning die Feinunterscheidung nahezu identischer Objekte lernt. Das Ergebnis ist in einem gleichen Testaufbau messbar besser als eine generische Embedding-API - effizient im Betrieb, on premise und ohne teures manuelles Labeling.
FAQ
Häufige Fragen
Braucht das eine teure GPU-Infrastruktur?
Für dieses Verfahren nicht zwingend - ein angepasstes Modell läuft oft schon schlank auf CPU mit geringem Speicherbedarf, und das Training des Kopfes dauert nur unter einer Minute. Wo eine Aufgabe mehr Rechenlast verlangt, setzen wir gezielt GPU-Hardware ein. Wir wählen die Infrastruktur nach Bedarf, nicht nach Prinzip.
Wann lohnt sich Fine-Tuning statt RAG oder einer Standard-API?
Wenn es auf die Feinunterscheidung nahezu identischer Objekte ankommt. Eine generische Embedding-API rankt in solchen Fällen nachweislich die falsche Zuordnung über die richtige. Geht es dagegen um breites Allgemeinwissen oder das Nachschlagen von Textpassagen, kann ein RAG-Ansatz oder ein Standard-Modell ausreichen.
Wie viele Beispiele braucht ein Modell?
Weniger, als oft angenommen. In unseren Messungen half schlicht mehr Trainingsdaten nicht automatisch weiter. Entscheidend ist die Struktur der Daten und saubere Labels - die sich häufig aus vorhandenen Metadaten gewinnen lassen, ohne teures manuelles Annotieren. Der stärkste Beleg: Selbst auf im Training nie gesehenen Klassen trug das Modell noch deutlich.
Bleiben unsere Daten im Haus?
Ja. Training und Inferenz laufen on premise in Ihrer eigenen Infrastruktur im EU-Stack. Die Bilder verlassen das Haus nicht und werden nicht an fremde Cloud-Anbieter übertragen - DSGVO-konform von der Architektur her.
Wie messt ihr Erfolg?
Über Trefferquoten in einem gleichbleibenden Testaufbau (Recall unter den ersten Treffern), gemittelt über mehrere Läufe. Einzelläufe schwanken um mehrere Punkte, deshalb messen wir wiederholt, statt Rauschen als Fortschritt zu verkaufen. Verworfene Varianten dokumentieren wir ebenso wie erfolgreiche.
Ein Modell, das Ihre Unterschiede kennt.
Lassen Sie uns prüfen, wo ein spezialisierter Kopf Ihrer Aufgabe die Schärfe gibt, die ein Standard-Modell nicht liefert.