DSGVO by Design
Art. 6 & 9 DSGVO · keine Auftragsverarbeitung
Training und Inferenz ausschließlich im eigenen Netz. Kein Transfer der Trainingsdaten in US-Clouds, kein Schrems-II-Risiko, kein AV-Vertrag mit einem Hyperscaler nötig.
MACHINE LEARNING · EIGENE MODELLE · ON-PREMISE
Eigene ML-Modelle auf Ihren Daten – auf Ihrer eigenen Hardware.
Machine Learning lernt Muster aus Ihren Daten – für Prognosen, Klassifikation und Anomalie-Erkennung. Wir trainieren die Modelle mit quelloffenen Werkzeugen lokal in Ihrem Haus: kein Cloud-Zwang, keine Abrechnung pro Vorhersage, kein Datensatz verlässt Ihr Netz. Sie lernen, es selbst zu betreiben – oder wir richten Ihre ML-Umgebung ein und schulen Ihr Team.
On-Premise
auf Ihrer eigenen Hardware
0 € / Vorhersage
keine Cloud-Abrechnung
100 % Open Source
kein Vendor-Lock-in
Läuft auf Ihrer Hardware – auch offline
WAS SIE IM WORKSHOP AUFBAUEN
Eine eigene ML-Umgebung – ganz ohne Cloud
Wir setzen einen kompletten, quelloffenen ML-Stack auf Ihrer Hardware auf und machen Ihr Team damit produktiv. Zwei Wege: Sie lernen, alles selbst zu betreiben – oder wir übernehmen Einrichtung und Wartung und schulen die Anwender.
Daten → Modell
Aus Ihren historischen Daten – Verkäufe, Sensorwerte, Transaktionen – lernt ein Modell die Muster. Feature-Engineering, Training und Validierung laufen vollständig auf Ihren eigenen Daten.
Open-Source-Werkzeuge
Wir arbeiten mit dem bewährten freien Stack – scikit-learn, PyTorch, XGBoost und LightGBM. Auswählbar nach Aufgabe: klassisches ML für Tabellen, Deep Learning für komplexe Muster.
MLOps mit MLflow
Reproduzierbare Experimente statt Notebook-Chaos: MLflow protokolliert Läufe, Parameter und Metriken. Jedes Modell ist versioniert, vergleichbar und jederzeit wiederherstellbar.
Die passende Hardware
Vom CPU-Server für klassisches ML bis zur GPU-Workstation für Deep Learning: Wir dimensionieren die Hardware auf Ihre Datenmenge, Modellgröße und Trainingsdauer – und rechnen den Break-even gegen Cloud-Kosten vor.
Deployment als lokaler Service
Das fertige Modell wird als lokaler Dienst bereitgestellt – über ONNX portabel und schnell. Vorhersagen laufen in Ihrem Netz, angebunden per API an Ihre bestehenden Systeme.
Automatisiertes Re-Training
Neue Daten fließen ein, das Modell wird nach Zeitplan oder Trigger neu trainiert und evaluiert. Verschlechtert sich die Qualität, schlägt das Monitoring an – ohne Cloud-Kontingent.
WARUM ON-PREMISE, LOKAL & OFF-GRID
Ihr Vorteil gegenüber jeder ML-Cloud
Machine Learning aus der Cloud ist bequem – bis zur ersten Rechnung, zur DSGVO-Frage oder zum Moment, in dem Ihre wertvollsten Daten das Haus verlassen. Lokal betrieben gehört der Stack Ihnen. Das sind die Gründe, warum wir on-premise aufbauen.
Keine laufenden Kosten
einmal Hardware statt pro Training/Vorhersage
Cloud-ML rechnet pro Trainingsstunde und pro Vorhersage ab. Lokal zahlen Sie Strom und einmal die Hardware – ab dem Break-even trainieren und prognostizieren Sie faktisch zum Nulltarif.
Kein Vendor-Lock-in
offene Frameworks & Modellformate
Quelloffene Frameworks und portable Modelle (ONNX), die Sie behalten. Kein Anbieter kann Preise erhöhen, APIs abschalten oder Ihren Zugang kündigen.
Läuft offline & air-gapped
off-grid, ohne Internet
Der komplette Stack funktioniert ohne Internetverbindung – im abgeschotteten Netz, an Produktionsstandorten ohne stabile Leitung, im Sicherheitsbereich.
Keine Limits, keine Drosselung
kein Rate-Limit, kein Kontingent
Keine Warteschlangen, keine Tageskontingente, keine gedrosselte Nachfrage. Sie trainieren und prognostizieren so oft und so umfangreich, wie es Ihr Anwendungsfall verlangt.
Volle Kontrolle & Auditierbarkeit
reproduzierbar & nachvollziehbar
Datenstand, Parameter und Modellversion sind fixiert und dokumentiert. Jede Vorhersage ist nachvollziehbar und reproduzierbar – wichtig für Freigaben, Compliance und Governance.
Ihre Hardware, Ihr Tempo
volle Rechenleistung
Keine geteilten Cloud-Ressourcen. Die volle Leistung Ihrer CPU und GPU steht Ihnen jederzeit zur Verfügung – planbar und ohne Nachbarn auf der Maschine.
Wissenstransfer statt Abhängigkeit
Ihr Team betreibt es selbst
Nach dem Workshop können Ihre Leute Modelle selbst trainieren, evaluieren und ausrollen – mit vollständiger Dokumentation. Wartung optional durch uns.
Das nehmen Sie aus dem Workshop mit
- Lauffähige ML-Umgebung
- Datensouveränität
- Reproduzierbare Experimente
- Modell-Versionierung
- Automatisiertes Re-Training
- Kostentransparenz
- Offline-Fähigkeit
- Deployment-Strategie
- Betriebsdokumentation
- Team-Enablement
Eingesetzte Open-Source-Bausteine je nach Anwendungsfall und Hardware, u. a.: scikit-learn, PyTorch, XGBoost und LightGBM für das Modelltraining, ONNX für portables Deployment sowie MLflow als MLOps- und Experiment-Tracking-Umgebung. Frameworks und Lizenzen prüfen wir gemeinsam auf Eignung für Ihren produktiven Einsatz.
DATENSOUVERÄNITÄT
Ihre Trainingsdaten verlassen Ihr Haus nie.
On-premise und Open Source heißt: Ihre Rohdaten, Feature-Tabellen und Modelle werden lokal verarbeitet – nicht auf fremde Server geladen, nicht zum Training fremder Modelle verwendet, nicht in ein Drittland übertragen. Volle Kontrolle über das gesamte Training, technisch und rechtlich.
WORKSHOP-ABLAUF
Von der Datenlage zum eigenen ML-Modell
01
Assessment & Datenlage
Wir klären Anwendungsfall, Zielgröße und verfügbare Daten und prüfen Qualität, Menge und Struktur. Ergebnis: ein realistischer Fahrplan inkl. Break-even gegenüber Cloud-Kosten und einer Einschätzung, was mit Ihren Daten erreichbar ist.
02
Setup auf Ihrer Hardware
Installation des kompletten Open-Source-Stacks (Python-Umgebung, scikit-learn, PyTorch, XGBoost, MLflow) lokal in Ihrem Netz – als Data-Science-Arbeitsplatz oder zentraler Trainings-Server im Team.
03
Hands-on: Ihr erstes Modell
Praxis an Ihren eigenen Daten: von der Feature-Aufbereitung über das Training bis zur Validierung. Ein erstes Modell für Ihren konkreten Use-Case – lauffähig und messbar.
04
Vertiefung, Evaluation & Automatisierung
Wir verbessern das Modell systematisch (Tuning, Vergleich mehrerer Verfahren), richten sauberes Experiment-Tracking mit MLflow ein und automatisieren Re-Training und Evaluation.
05
Enablement & Betrieb
Deployment als lokaler Service, Übergabe mit Betriebsdokumentation, Monitoring und Team-Schulung. Ihr Team betreibt die ML-Umgebung selbst – die Wartung übernehmen Sie oder wir.
TYPISCHE EINSATZFELDER
Wer mit lokalem ML am meisten gewinnt
Überall dort, wo aus Daten Vorhersagen werden sollen, sensibles Material im Haus bleiben muss oder Cloud-Kosten aus dem Ruder laufen.
PLANUNG
Prognose & Forecasting
Absatz, Bedarf und Auslastung datenbasiert vorhersagen – aus Ihren eigenen Verkaufs- und Verbrauchsdaten, die für das Training das Haus nie verlassen.
Outcome
Bessere Planung, sensible Daten bleiben intern.
OPERATIONS
Klassifikation & Scoring
Kunden, Anträge oder Dokumente automatisiert einordnen und bewerten – reproduzierbar und auditierbar, mit vollständiger Kontrolle über das Modell.
Outcome
Entscheidungen skaliert und nachvollziehbar.
SECURITY
Anomalie- & Betrugserkennung
Auffällige Muster in Transaktionen, Logs oder Sensordaten früh erkennen – im eigenen Netz, ohne dass schützenswerte Daten an einen Cloud-Dienst gehen.
Outcome
Risiken früher erkannt, Daten bleiben im Haus.
INDUSTRIE
Predictive Maintenance
Ausfälle von Maschinen und Anlagen vorhersagen, bevor sie eintreten – auf Basis Ihrer Sensordaten, trainiert und betrieben direkt am Standort, auch offline.
Outcome
Weniger Stillstand, Betrieb ohne Cloud-Zwang.
FAQ zum Machine-Learning-Workshop
HÄUFIGE FRAGEN
Machine Learning lernt Muster aus historischen Daten und wendet sie auf neue Fälle an: aus vergangenen Verkäufen wird eine Absatzprognose, aus bekannten Betrugsfällen ein Scoring, aus Sensorverläufen eine Ausfallwarnung. Wir setzen sowohl klassische Verfahren (scikit-learn, XGBoost, LightGBM) für Tabellendaten als auch Deep Learning (PyTorch) für komplexere Muster ein – je nachdem, was Ihr Use-Case und Ihre Datenlage verlangen.
Ja. Datenaufbereitung, Training und Inferenz laufen auf Ihrer Hardware. Nach der Einrichtung braucht der Betrieb keine Internetverbindung – ideal für abgeschottete Netze, Produktionsstandorte ohne stabile Leitung oder besonders schützenswerte Daten. Ihre Trainingsdaten verlassen Ihr Netz zu keinem Zeitpunkt.
Für klassisches ML auf Tabellendaten genügt oft ein solider CPU-Server. Für Deep Learning oder große Datenmengen empfiehlt sich eine GPU wie die RTX 4090 oder eine Server-Karte wie RTX 6000 Ada / A100. Im Assessment dimensionieren wir die Hardware exakt auf Ihre Datenmenge und Trainingsdauer – und rechnen vor, ab wann sie sich gegenüber der Cloud rechnet.
Der lokale Betrieb ist der direkteste Weg zur DSGVO-Konformität: Es gibt keinen Transfer personenbezogener oder vertraulicher Daten an einen Cloud-Anbieter, keine Auftragsverarbeitung durch Dritte und keine Übermittlung in Drittländer. Ihre Daten werden ausschließlich in Ihrem Netz verarbeitet und nicht zum Training fremder Modelle genutzt – die Datenhoheit über das gesamte Training bleibt bei Ihnen.
Beides ist möglich – genau das ist der Kern des Workshops. Wir richten den Stack ein und befähigen Ihr Team, Modelle eigenständig zu trainieren, zu evaluieren und auszurollen. Ob Sie den Betrieb danach selbst übernehmen oder an uns geben, entscheiden Sie.
Über MLflow protokollieren wir jeden Trainingslauf mit Datenstand, Parametern, Code-Version und Metriken. So sind Experimente vergleichbar, jedes Modell ist versioniert und jederzeit wiederherstellbar – die Grundlage für saubere Freigaben, Governance und Audits.
Das fertige Modell wird als lokaler Service bereitgestellt, über ONNX portabel und per API an Ihre bestehenden Systeme angebunden. Für die Aktualität richten wir automatisiertes Re-Training nach Zeitplan oder Trigger sowie Monitoring ein: Verschlechtert sich die Qualität, wird das sichtbar – ohne dass Sie ein Cloud-Kontingent bezahlen.
Beides: als Inhouse-Termin bei Ihnen, remote oder in Karlsruhe. Er richtet sich an Data-Analytics-, Fachbereichs- und IT-Teams; erste Python-Grundkenntnisse sind hilfreich, aber kein Muss. Wo eine tiefere Integration in bestehende Systeme gewünscht ist, binden wir Ihre technischen Kolleg:innen mit ein.
Bereit für Ihre eigene ML-Umgebung?
In einem kostenlosen Erstgespräch klären wir Anwendungsfall, Datenlage und Hardware – und zeigen, wie schnell Sie Machine Learning DSGVO-konform auf Ihrer eigenen Hardware produktiv einsetzen. Selbst betreiben oder von uns betreiben lassen: Sie entscheiden.