GeoAI & Machine Learning
Vorhersagemodelle, Computer Vision auf Satelliten- und Drohnenbildern und räumliche Prognosen. Wir bauen Geospatial-KI-Systeme, die über Forschungspapiere hinausgehen. Unsere Modelle laufen in Produktion, dienen echten Nutzern und integrieren sich in Ihre bestehenden Workflows.
Was wir liefern
Modelle, die Ereignisse basierend auf Ort und Zeit prognostizieren. Eingesetzt für Risikoprognose, Nachfrageplanung und Ressourcenallokation.
Objekterkennung und Klassifikation auf Satelliten-, Luft- und Drohnenbildern. Von der Identifikation von Vegetation auf Bahngleisen bis zur Überwachung von Baufortschritt aus der Luft.
End-to-End-Systeme, die Modellinferenz mit Visualisierung und Alerting kombinieren. Nicht nur eine Modelldatei, sondern ein deployed System, auf das Ihr Team reagieren kann.
Schnelle Proof-of-Concept-Entwicklung für neuartige Geospatial-KI-Anwendungen. Wir arbeiten mit Universitäten und Forschungseinrichtungen zusammen, um die Grenze zwischen Forschung und Produktion zu verschieben.
So arbeiten wir
Jedes KI-Projekt beginnt mit einer Machbarkeitsbewertung. Wir evaluieren Ihre Daten, definieren Erfolgskriterien und schätzen, welche Genauigkeit erreichbar ist, bevor wir uns zu einem vollen Build verpflichten. Wenn die Daten das Ziel nicht unterstützen können, sagen wir das früh.
Wir iterieren an der Modellarchitektur in engen Feedbackschleifen mit Ihren Fachexperten. Die Personen, die das Problem verstehen, validieren die Vorhersagen. Das fangt Probleme ab, die Metriken allein übersehen, wie ein Modell, das technisch genau, aber operativ nutzlos ist.
Deployment ist kein nachgelagerter Gedanke. Jedes Modell wird mit Monitoring, Retraining-Triggern und klarer Dokumentation ausgeliefert. Wir bauen die Infrastruktur um das Modell herum, damit es akkurat bleibt, wenn sich Ihre Daten im Laufe der Zeit ändern.
Tools & Technologien
Python, PyTorch, TensorFlow, scikit-learn, GeoPandas, Rasterio, GDAL, Mapbox, Cloud-GPU (AWS/GCP)
Ausgewählte Projekte
EIT UM & Graz Linien
Wie Graz Linien papierbasierte Unfallformulare durch SmartDrive AI ersetzt hat: mit 90 % weniger Meldezeit und drei identifizierten Unfallmustern in der Pilotphase.
RAG
Ein räumlich-zeitliches Vorhersagemodell für bergbaubedingte Immobilienschäden, das Geodaten mit komplexen Bergbau- und Schadensdatensätzen kombiniert, um zukünftige Schadensfälle zu prognostizieren und Risikogebiete zu visualisieren.
ThyssenKrupp Industrial Solutions AG
Eine automatisierte Lösung zur Fortschrittsverfolgung auf Großbaustellen mittels Drohnenbildern, die 3D-Geodaten und künstliche Intelligenz für intelligente, autonome Objekterkennung und automatisiertes Reporting kombiniert.
BMBF
Gemeinsam mit dem Karlsruher Institut für Technologie, der Technischen Universität München und öffentlichen Einrichtungen sind wir an einem Forschungsprojekt beteiligt, das ein Monitoring-, Datenmanagement- und...
BMBF
Ein dreijähriges BMBF-Forschungskonsortium zum urbanen Starkregenrisiko, in dem Mapular die Schadens- und Expositionsmodellierung verantwortet: die Quantifizierung von Überflutungsfolgen für Menschen, Gebäude und Infrastruktur und ihre Kommunikation über zielgruppenspezifische Storylines.
Ihr Projekt
Beschreiben Sie Ihre Projektanforderungen. Wir stellen das passende Spezialistenteam zusammen und skizzieren einen maßgeschneiderten Ansatz, unverbindlich.