Unsere Referenzen
Echte Ergebnisse anstatt Buzzwords und Phrasen.
Finden Sie hier ein paar ausgewählte Projekte zu echten Implementierungen die unser Team in der Vergangenheit in die Tat umgesetzt hat.
HalloSophia
Levotech hat eine hochentwickelte KI integriert, die eine zentrale Rolle bei der Optimierung der Effizienz und Effektivität von HalloSophia’s digitalem Consulting-Marktplatz spielt. Diese fortschrittliche KI-Technologie ermöglicht eine noch präzisere und schnellere Suche von Usern nach den passenden Experten für eine spezifische Problemstellung.
Conversational AI und Benutzeranalyse:
Durch die Analyse von Benutzeranfragen und -verhalten durch eine conversational AI, welche den Pain-Point des Users durch Interaktion (Chat) extrahiert, identifiziert die KI von Levotech die am besten geeigneten Berater und Inhalte. Dies führt in Kombination mit einer Recommender Engine zu einer erheblichen Verbesserung der Qualität der Vorschläge.
Automatisierte Prozesse:
Die vollständige Integration dieser KI in die Plattform automatisiert die Prozesse der Anfragebearbeitung und Ressourcenzuweisung, was zu einer deutlich gesteigerten Nutzerzufriedenheit führt und mehr Revenue für HalloSophia generiert.
Nahtlose und personalisierte Nutzererfahrung:
Die Kombination einer conversational AI und dem Recommender-System sorgt für eine nahtlose, effiziente und hochpersonalisierte Nutzererfahrung, die die Plattform als führendes SaaS-Angebot im digitalen Consulting-Markt positioniert.
Projektübersicht:
Für ein kürzlich durchgeführtes Projekt für eine österreichische Regierungsinstitution hat unser Team eine hochentwickelte KI entwickelt, die eine zentrale Rolle bei der automatisierten Erkennung und Vorhersage von Ausschreibungsmöglichkeiten durch die Analyse von Nachrichtenartikeln spielt. Diese fortschrittliche KI-Technologie nutzt fortschrittliche Verfahren der natürlichen Sprachverarbeitung (NLP) und maschinelles Lernen, um kausale Faktoren wie Landumwidmungen, bedeutende Investitionen in neue Infrastrukturen oder bevorstehende Großveranstaltungen wie die Olympischen Spiele zu identifizieren. Dadurch können Nutzer bereits 6-12 Monate im Voraus strategische Planungen und Angebote vorbereiten, bevor diese Möglichkeiten auf Ausschreibungsplattformen erscheinen.
Datenverarbeitung und -sammlung:
Die Grundlage des Algorithmus bildet ein kontinuierlicher Mechanismus zur Datensammlung, der täglich Nachrichtenartikel aus verschiedenen Quellen mittels eines News Scrapers in ein strukturiertes Format umwandelt und säubert.
Dynamische Schlüsselwortanpassung:
Ein dynamischer Mechanismus zur Anpassung von Schlüsselwörtern wurde implementiert, der es dem Algorithmus ermöglicht, sein Schlüsselwortset basierend auf dem Inhalt neu eingehender Artikel zu verfeinern und zu erweitern. Dieser adaptive Ansatz stellt sicher, dass das System stets aktuell nach den neuesten Trends und mit den relevanten Schlüsselwörtern sucht.
Kausalanalyse und maschinelles Lernen:
Ein zentrales Innovationsmerkmal unseres Algorithmus ist seine Fähigkeit zur kausalen Analyse. Durch die Korrelation identifizierter Ereignisse mit historischen Daten zu Ausschreibungsmöglichkeiten lernt der Algorithmus Muster und kausale Zusammenhänge. Wir verwenden maschinelle Lernmodelle wie logistische Regression und Random Forests, um die Wahrscheinlichkeit vorherzusagen, dass ein Ereignis zu einer zukünftigen Ausschreibung führt.
Empfehlungssystem:
Ein weiterer wesentlicher Bestandteil ist ein Empfehlungssystem, das den Nutzern basierend auf den vorhergesagten Ergebnissen potenzielle Möglichkeiten vorschlägt. Dieses System analysiert Nutzerpräferenzen und vergangene Interaktionen, um maßgeschneiderte Empfehlungen zu geben und sicherzustellen, dass die Nutzer die relevantesten und umsetzbarsten Erkenntnisse erhalten.
Interaktives Dashboard:
Zur Verbesserung der Nutzererfahrung und zur Unterstützung der sofortigen Entscheidungsfindung haben wir ein interaktives Dashboard entwickelt, das folgende Funktionen bietet:
- Kartenvisualisierung: Eine Karte zeigt die geografischen Standorte der identifizierten potenziellen Ausschreibungsmöglichkeiten an. Dieses visuelle Hilfsmittel ermöglicht es den Nutzern, auf einen Blick zu erkennen, wo bedeutende Aktivitäten stattfinden, und sich auf interessante Regionen zu konzentrieren.
- News-Feed-Integration: Neben der Karte präsentiert ein News-Feed die neuesten vom Algorithmus analysierten Artikel. Jeder Artikel enthält eine Zusammenfassung und relevante Wahrscheinlichkeitswerte, die die Wahrscheinlichkeit anzeigen, dass das beschriebene Ereignis zu einer Ausschreibung führt.
- Wahrscheinlichkeitswerte: Jeder Artikel im News-Feed ist mit einem Score versehen, der die Wahrscheinlichkeit reflektiert, dass das beschriebene Ereignis zu einer Ausschreibung führt. Diese Werte stammen aus den Vorhersagen des maschinellen Lernmodells und bieten den Nutzern eine schnelle Einschätzung der Wichtigkeit jedes Artikels.
Zusammenfassung:
Die Kombination dieser fortschrittlichen NLP-Techniken, robuster Datenverarbeitung und prädiktiver Modellierung stellt ein leistungsstarkes Werkzeug dar, mit dem Nutzer Ausschreibungsmöglichkeiten frühzeitig identifizieren und darauf reagieren können. Die Hinzufügung eines interaktiven Dashboards verbessert die Nutzererfahrung weiter und erleichtert die Visualisierung und Priorisierung potenzieller Chancen.
Wettbewerbsvorteil:
Durch die Integration dieser innovativen Methoden und Technologien bietet das System einen bedeutenden Wettbewerbsvorteil und hebt sich als führende Lösung im Bereich der strategischen Geschäftseinblicke hervor.
Kooperation:
Teile dieser Implementation wurden in Kooperation mit der Data Mining Gruppe der Universität Wien entwickelt und umgesetzt welche eine kooperationspartner von LevoTech ist..
Dashboard für staatliche Institution
Onlim GmbH
Rolle von Levotech:
Das Team von Levotech spielte eine entscheidende Rolle bei der Entwicklung und Implementierung skalierbarer generativer KI-Chatbots für Onlim GmbH. Unser Fokus lag darauf, fortschrittliche Chatbot-Lösungen zu schaffen, die die Leistungsfähigkeit generativer KI-Technologien nutzen, um personalisierte und effiziente Kundeninteraktionen über verschiedene Website-Integrationen hinweg zu ermöglichen. Durch unsere Expertise in der KI-gesteuerten natürlichen Sprachverarbeitung und maschinellen Lernalgorithmen entwickelten wir Chatbots, die Benutzeranfragen kontextuell relevant verstehen und beantworten konnten.
Datenextraktion und Herausforderungen:
Ein wesentlicher Aspekt unserer Arbeit bestand darin, Daten von Kunden-Websites zu extrahieren. Dieser Prozess war besonders herausfordernd, da die Daten korrekt formatiert und für das KI-Training aufbereitet werden mussten. Die Sicherstellung der Genauigkeit und Relevanz der extrahierten Daten war entscheidend für die Entwicklung effektiver konversationeller KI-Lösungen.
Verwendung von Knowledge Graph Datenbanken:
Zur Erweiterung der Fähigkeiten der Chatbots und zur Vermeidung von nicht richtigen Antworten verwendeten wir Knowledge Graph Datenbanken im System. Knowledge Graph Datenbanken ermöglichten es der KI, die Beziehungen zwischen verschiedenen Informationen zu verstehen und zu nutzen, wodurch der Kontext und die Relevanz der Antworten verbessert wurden. Diese Integration war der Schlüssel zur Bereitstellung präziserer und umfassenderer Antworten auf Benutzeranfragen.
Innovative Methoden und Technologien:
Um skalierbare und effektive konversationale KI-Lösungen zu erreichen, wandten wir innovative Methoden wie Retrieval-Augmented Generation (RAG) an. Diese Methoden kombinieren die Stärken von retrieval-basierten Systemen und generativen Modellen, wodurch die Chatbots in der Lage waren, genaue und kontextbewusste Antworten zu liefern, indem sie in Echtzeit auf umfangreiche Informationen zugriffen. Dieser Ansatz verbesserte nicht nur die Leistung der Chatbots, sondern stellte auch ihre Skalierbarkeit und Anpassungsfähigkeit an verschiedene Kundenanforderungen sicher.
Echtzeit- und ortsspezifische Informationen:
Diese Chatbots konnten Echtzeit- und ortsspezifische Informationen bereitstellen, was das Benutzererlebnis erheblich verbesserte, indem sie rechtzeitige und relevante Antworten auf der Grundlage der neuesten Daten lieferten.
Modernste NLP-Techniken:
Das Team von Levotech setzte modernste NLP-Techniken ein, die zur Verbesserung der Fähigkeiten der Chatbots beitrugen. Durch den Fokus auf skalierbare Lösungen, innovative RAG-Methoden und das Überwinden von Herausforderungen bei der Datenextraktion trugen wir wesentlich zu Onlim GmbH’s Ziel bei, erstklassige, KI-gestützte Kundeninteraktionslösungen zu liefern.
Projektübersicht:
Levotech hat FoodNotify dabei unterstützt, ein innovatives System zu entwickeln, das durch das Scannen eines Menüs automatisch Rezepte generiert und die entsprechenden Zutaten aus dem Angebot der angebundenen Zulieferer der Plattform bereitstellt. Zusätzlich wurde ein Prototyp für die Variation von Mahlzeiten entwickelt, der es ermöglicht, beispielsweise Fleisch gegen eine vegane Alternative auszutauschen, wobei präzise auf die Einhaltung von Mikro- und Makronährstoffen geachtet wird.
Systemintegration und Rezeptgenerierung:
Levotech hat bei der Integration eines fortschrittlichen Systems geholfen, das durch das Scannen eines Menüs automatisch Rezepte erstellt. Dieses System nutzt KI-gestützte Technologien, um die Menüs zu analysieren und daraus detaillierte Rezepte zu generieren. Die Rezepte umfassen:
- Zutatenliste: Identifikation und Auflistung der benötigten Zutaten aus dem Angebot der angebundenen Zulieferer.
- Grammatur: Berechnung der genauen Mengenangaben für jede Zutat.
- Zubereitungsschritte: Erstellung detaillierter Anweisungen zur Zubereitung des Gerichts.
Variation von Mahlzeiten:
Levotech entwickelte zudem einen Prototypen, der die Variation von Mahlzeiten ermöglicht. Dieser Prototyp erlaubt es, bestimmte Zutaten, wie zum Beispiel Fleisch, durch vegane Alternativen zu ersetzen. Dabei wird besonders auf die Einhaltung der Nährstoffbalance geachtet:
- Mikronährstoffe: Sicherstellung, dass alle notwendigen Vitamine und Mineralstoffe enthalten sind.
- Makronährstoffe: Aufrechterhaltung des richtigen Verhältnisses von Proteinen, Fetten und Kohlenhydraten.
Technische Umsetzung:
Die Implementierung des Systems umfasste mehrere Schritte:
- NLP und OCR Integration: Nutzung von Natural Language Processing (NLP) und Optical Character Recognition (OCR) zur Analyse und Verarbeitung der Menüs.
- Zutatenabgleich: Verknüpfung der identifizierten Zutaten mit den Angeboten der angebundenen Zulieferer, um Verfügbarkeit und genaue Mengenangaben sicherzustellen.
- Nährstoffanalyse: Einsatz von Algorithmen zur Berechnung und Anpassung der Mikro- und Makronährstoffe bei der Variation von Mahlzeiten.
Ergebnisse und Vorteile:
Durch die Implementierung dieser Lösung konnte FoodNotify seinen Nutzern ein leistungsstarkes Werkzeug zur Verfügung stellen, das die Erstellung und Anpassung von Rezepten erheblich vereinfacht. Die automatisierte Rezeptgenerierung spart Zeit und reduziert den Aufwand für Köche und Küchenpersonal. Die Möglichkeit, Mahlzeiten variabel zu gestalten und dabei die Nährstoffbalance zu wahren, erhöht die Flexibilität und Attraktivität des Angebots. Zudem hat dieses System die Effizienz beim Onboarding neuer Kunden massiv erhöht, da es neuen Nutzern ermöglicht, schnell und einfach ihre Menüs zu digitalisieren und Rezepte zu generieren.
Zusammenfassung:
Levotech hat entscheidend dazu beigetragen, dass FoodNotify ein hochmodernes System zur Rezeptgenerierung und Mahlzeitvariation entwickeln konnte. Durch die Kombination von fortschrittlichen Technologien und intelligenten Algorithmen konnte eine Lösung geschaffen werden, die den Bedürfnissen der Nutzer gerecht wird und gleichzeitig die Effizienz und Qualität in der Küche verbessert. Diese Innovation hat zudem die Effizienz beim Onboarding neuer Kunden erheblich gesteigert, was zu einer schnelleren und reibungsloseren Integration neuer Nutzer in das FoodNotify-System geführt hat.
FoodNotify Rezeptgenerierung und Mahlzeitvariationen
Teledoc Transcribe
Machbarkeitsstudie durch Levotech:
Levotech hat eine umfassende Machbarkeitsstudie für Teledoc implementiert, die sich auf die Optimierung der Effizienz und Genauigkeit bei der Verwaltung von medizinischen Meetings konzentriert. Im Rahmen dieser Studie entwickelte Levotech einen Prototypen, der fortschrittliche Technologien zur Transkription und Analyse von Meetings einsetzt.
Meeting-Transkription und Zusammenfassung:
Der Prototyp nutzt fortschrittliche KI-Methoden, um Meetings von Ärzten zu transkribieren und die wesentlichen Inhalte in einer übersichtlichen Zusammenfassung darzustellen. Dies ermöglicht es den Ärzten, schnell auf die wichtigsten Informationen zuzugreifen, ohne das gesamte Meeting noch einmal anhören oder lesen zu müssen.
Extraktion von Action Items und Key Points:
Ein zentrales Merkmal der entwickelten Lösung ist die Fähigkeit, Action Items und Key Points direkt aus dem Gespräch zu extrahieren. Diese Funktionalität kann sowohl bei der Analyse von Voice-Aufnahmen als auch bei bereits transkribierten Texten angewendet werden. Durch diese gezielte Extraktion werden die wesentlichen Aufgaben und Schlüsselpunkte des Meetings hervorgehoben, was die Nachverfolgung und Umsetzung erleichtert.
Technische Umsetzung:
Die Implementierung umfasste die Integration von Spracherkennungstechnologien und natürlicher Sprachverarbeitung (NLP), um eine präzise Transkription und Analyse zu gewährleisten. Der Prototyp wurde so konzipiert, dass er sowohl Echtzeit-Voice-Daten als auch gespeicherte Transkriptionen verarbeiten kann, um maximale Flexibilität und Benutzerfreundlichkeit zu bieten.
Ergebnisse der Machbarkeitsstudie:
Die Machbarkeitsstudie zeigte, dass die von Levotech entwickelte Lösung die Effizienz der medizinischen Dokumentation erheblich steigern kann. Die automatisierte Transkription und Extraktion von Schlüsselinformationen reduziert den administrativen Aufwand für Ärzte und verbessert die Genauigkeit und Verfügbarkeit von Meeting-Informationen.
Durch diese innovative Implementierung stellt Levotech sicher, dass Teledoc eine hochmoderne Lösung zur Verfügung hat, die den Anforderungen des modernen Gesundheitswesens gerecht wird und gleichzeitig die Arbeitsabläufe der Ärzte optimiert.
Machbarkeitsstudie durch Levotech:
Levotech hat eine umfassende Machbarkeitsstudie für Teledoc implementiert, die sich auf die Verbesserung der Diagnosegenauigkeit und der Patienteninteraktion konzentriert. Im Rahmen dieser Studie entwickelte Levotech einen Prototypen, der fortschrittliche KI-Methoden zur Eingabe und Analyse von Krankheitssymptomen einsetzt.
Symptomeingabe und Follow-Up Fragen:
Der Prototyp ermöglicht es Patienten, ihre Symptome detailliert einzugeben. Basierend auf den eingegebenen Symptomen stellt das System, falls keine eindeutige Diagnose möglich ist, gezielte Folgefragen. Diese Follow-Up Fragen helfen dabei, die Symptome weiter zu präzisieren und zusätzliche relevante Informationen zu sammeln.
Diagnose und Wahrscheinlichkeiten:
Anhand der gesammelten Daten listet der Prototyp die fünf wahrscheinlichsten Krankheiten zusammen mit deren Wahrscheinlichkeiten auf. Diese Wahrscheinlichkeitsanalyse hilft Ärzten und Patienten, eine fundierte Einschätzung der möglichen Diagnosen zu erhalten und die relevantesten Gesundheitsprobleme in Betracht zu ziehen.
Empfohlene Untersuchungen und Behandlungsmethoden:
Zusätzlich zu den möglichen Diagnosen bietet der Prototyp eine Reihe von Folgeuntersuchungen an, die zur eindeutigen Identifizierung der Krankheit durchgeführt werden sollten. Diese Empfehlungen basieren auf den eingegebenen Symptomen und den wahrscheinlichen Diagnosen. Darüber hinaus werden übliche Behandlungsmethoden und eine Auswahl an Medikamenten für jede mögliche Diagnose vorgeschlagen.
Technische Umsetzung:
Die Implementierung umfasste die Integration von einem speziell für HealthCare entwickeltem genAI Modell, um präzise und personalisierte medizinische Empfehlungen zu generieren. Der Prototyp wurde als Chat entwickelt, damit er in Echtzeit auf die Eingaben der Nutzer reagieren kann.
Ergebnisse der Machbarkeitsstudie:
Die Machbarkeitsstudie zeigte, dass die von Levotech entwickelte Lösung die Diagnosegenauigkeit erheblich verbessern und den Behandlungsprozess für Patienten und Ärzte optimieren kann. Durch die automatisierte Symptomanalyse und die präzise Generierung von Diagnosen und Behandlungsempfehlungen wird der administrative Aufwand reduziert und die Effizienz im Gesundheitswesen gesteigert.
Diese innovative Implementierung stellt sicher, dass Teledoc eine hochmoderne Lösung zur Verfügung hat, die den Anforderungen des modernen Gesundheitswesens gerecht wird und gleichzeitig die Qualität der Patientenversorgung verbessert.
Teledoc Disease Detection
Teledoc Mahlzeitvariationen basierend auf GenTests
Projektübersicht:
Levotech hat für Teledoc einen Prototyp entwickelt, der es ermöglicht, Mahlzeiten zu variieren, um sicherzustellen, dass Menschen mit genetisch bedingten Unverträglichkeiten und speziellen Ernährungsbedürfnissen weiterhin eine ausgewogene Ernährung erhalten. Dieser Prototyp wurde entwickelt, um alternative Mahlzeiten zu generieren, die die gleichen Makro- und Mikronährstoffe enthalten wie die ursprünglichen Gerichte, jedoch auf die individuellen genetischen Bedürfnisse der Nutzer abgestimmt sind.
Individuelle Ernährungsanpassungen:
Der Prototyp berücksichtigt genetische Testergebnisse, um Unverträglichkeiten und spezielle Ernährungsbedürfnisse zu identifizieren. Basierend auf diesen Informationen bietet das System alternative Mahlzeiten an, die die gleichen Nährstoffe enthalten wie die ursprünglich geplanten Mahlzeiten, jedoch Zutaten verwenden, die für den Nutzer verträglich sind. Dies stellt sicher, dass die Nutzer eine optimale Nährstoffzufuhr erhalten, die auf ihre genetischen Profile abgestimmt ist.
Technische Umsetzung:
Die Implementierung des Systems umfasste mehrere Schritte:
- Genetische Datenintegration: Integration der genetischen Testergebnisse der Nutzer, um Unverträglichkeiten und spezifische Ernährungsbedürfnisse zu identifizieren.
- Nährstoffanalyse: Einsatz von Algorithmen zur Berechnung und Anpassung der Mikro- und Makronährstoffe in den alternativen Mahlzeiten.
- Rezeptgenerierung: Automatische Erstellung von alternativen Rezepten, die die gleichen Nährstoffe enthalten wie die ursprünglichen Mahlzeiten, jedoch auf die individuellen Bedürfnisse der Nutzer abgestimmt sind.
Ergebnisse und Vorteile:
Durch die Entwicklung dieses Prototyps konnte Teledoc seinen Nutzern eine personalisierte Ernährungslösung bieten, die auf deren genetische Profile abgestimmt ist. Dies verbessert nicht nur die Gesundheit und das Wohlbefinden der Nutzer, sondern erhöht auch deren Zufriedenheit, da sie trotz Unverträglichkeiten und spezieller Ernährungsbedürfnisse eine ausgewogene Ernährung genießen können.
Zusammenfassung:
Levotech hat entscheidend dazu beigetragen, dass Teledoc eine innovative Lösung zur Anpassung von Mahlzeiten entwickeln konnte, die auf die genetischen Bedürfnisse der Nutzer abgestimmt ist. Durch die Kombination fortschrittlicher Technologien und intelligenter Algorithmen konnte eine Lösung geschaffen werden, die eine optimale Nährstoffzufuhr gewährleistet und die Ernährungsbedürfnisse der Nutzer individuell berücksichtigt. Diese Entwicklung stellt sicher, dass Teledoc seinen Nutzern maßgeschneiderte Ernährungslösungen bieten kann, die auf modernster Wissenschaft und Technik basieren.
Herausforderung und Ziel:
Das Team von Levotech stand vor der Herausforderung, eine Echtzeit Natural Language Processing (NLP) Engine zu entwickeln, die aus rund 30-40 Millionen Tweets und Nachrichten von 114 Crypto Assets im Schnitt 14 kursrelevante Tweets oder Nachrichten extrahiert. Dieses Projekt wurde in einer Zeit realisiert, bevor fortschrittliche Transformer-Architekturen und Systeme wie ChatGPT existierten.
Anfängliche Techniken und Methoden:
Zu Beginn des Projekts setzte das Team auf traditionelle Methoden des maschinellen Lernens. Die Ziele wurden zunächst mit Techniken wie Bag of Words und TF-IDF (Term Frequency-Inverse Document Frequency) angegangen. Diese Methoden halfen dabei, die wichtigsten Wörter und Phrasen in den Texten zu identifizieren und ihre Relevanz zu bestimmen. Für die Klassifizierung und Selektion der relevanten Nachrichten wurden traditionelle Machine Learning Klassifikatoren wie Naive Bayes und Decision Trees verwendet.
Integration von Word2Vec und Doc2Vec:
Mit der Weiterentwicklung der Technologien und der Verfügbarkeit neuer Methoden integrierte Levotech nach und nach fortschrittlichere Techniken wie Word2Vec und Doc2Vec in das System. Diese Ansätze ermöglichten es, semantische Beziehungen zwischen Wörtern und Dokumenten besser zu erfassen, was zu einer signifikanten Verbesserung der Ergebnisse führte. Word2Vec ermöglichte die Darstellung von Wörtern in Vektorräumen, wodurch ähnliche Wörter in der Nähe voneinander positioniert wurden. Doc2Vec erweiterte dieses Konzept auf Dokumentenebene, was die Kontextverständnis-Fähigkeit der Engine weiter verbesserte.
Ergebnis und Leistung:
Durch die Kombination dieser verschiedenen Techniken des maschinellen Lernens konnte das System in Echtzeit aus einer enormen Menge an Daten die kursrelevantesten Tweets und Nachrichten extrahieren. Dies ermöglichte es den Nutzern, schnell und präzise auf marktbewegende Informationen zu reagieren.
Technologische Evolution:
Diese Implementierung demonstrierte die Fähigkeit von Levotech, sich an technologische Veränderungen anzupassen und kontinuierlich die Leistung ihrer Systeme zu verbessern. Auch ohne die fortschrittlichen Transformer-Architekturen, die heute verfügbar sind, konnte das Team eine leistungsstarke und effiziente NLP-Engine entwickeln, die den Anforderungen des Krypto-Marktes gerecht wurde.
Durch diesen innovativen Ansatz stellte Levotech sicher, dass sie führend in der Verarbeitung und Analyse von großen Textmengen blieben und gleichzeitig die Genauigkeit und Relevanz ihrer Ergebnisse kontinuierlich verbesserten.
Cortecs NLP Realtime Social Media Sentiment Anlysis
Möchten Sie unverbindlich mit uns über Ihren AI Bedarf sprechen?
Lassen Sie und gerne unverbindlich über Ihren Bedarf an AI-Enablement sprechen.