MLOps & Data Engineering
Reproducerbara pipelines, feature stores, obruten kedja från träning till servering och övervakning ni kan lita på. Vi gör modeller observerbara, versionshanterade och tråkiga att drifta, precis som produktion ska vara.
Tjänster
Från fråga till produktion ni äger.
En trappa, fyra steg. Varje steg har fast omfattning, avslutas med något ni behåller och kvalificerar för nästa. Ni kan sluta efter vilket steg som helst och ta leverablerna med er. Det är själva poängen.
01Sprint
ML Feasibility Sprint
2 veckor · fast omfattning · från 95 000 krTvå veckor, en fråga: är maskininlärning värt det här? Vi granskar de data ni har, den hårdvara ni kör och de regulatoriska ramar ni verkar inom, och ger sedan ett ärligt besked om vad ML kan och inte kan göra för användningsfallet, och vad det skulle ge tillbaka.
Ni får
- En genomförbarhetsrapport grundad i era faktiska data, inte en generisk bedömning.
- En ROI-uppskattning med antagandena nedskrivna, så att ni kan ifrågasätta dem.
- En prioriterad färdplan, inklusive en suveränitetsbedömning av er nuvarande stack.
Så fungerar det
- Fast pris, publicerat på förhand: från 95 000 kr, skriftligt överenskommet innan vi börjar.
- Era data stannar innanför er egen miljö under hela sprinten.
- Om det ärliga svaret är ”bygg inte det här” säger rapporten det, och även det är ett bra utfall.
02Pilot
Pilot
4–8 veckor · fast offert efter sprintenEtt användningsfall från färdplanen, taget till en fungerande prototyp på era data och er infrastruktur. Innan vi börjar kommer vi skriftligt överens om framgångsmåttet (träffsäkerhet, latens, kostnad, det verksamheten faktiskt behöver), och piloten utvärderas mot det, helt öppet.
Ni får
- En fungerande prototyp ert team kan köra, inte en presentation om en.
- Ett utvärderingsramverk och det uppmätta resultatet mot det överenskomna måttet.
- En produktionsplan med riktiga siffror: hårdvara, arbetsinsats och driftskostnad.
Så fungerar det
- Fast offert baserad på sprintens resultat. Inga löpande dagsarvoden.
- Något att demonstrera varannan vecka.
- Open-weight-modeller som standard, så att prototypen redan är portabel.
03Bygg
Produktionsbygge
Omfattning per projektPiloten blir ett system. Vi bygger pipelines, härdar serveringslagret och sätter modellerna i produktion där era data redan finns (on-prem, i privat moln eller på edge), med övervakning, rollback och reproducerbarhet från dag ett.
Ni får
- Ett driftsatt system på infrastruktur ni kontrollerar, integrerat med er stack.
- Fullständig källkod, dokumentation och reproducerbara träningspipelines.
- Underlag för GDPR och EU:s AI-förordning, framtaget medan vi levererar, inte månader i efterhand.
Så fungerar det
- Milstolpar med fast omfattning och demo varannan vecka. Aldrig en svart låda.
- Portabelt genom konstruktion: standardgränssnitt, ingen leverantör ni inte kan byta ut.
- OT-säker leverans för fabriksmiljöer; upphandlingsredo för offentlig sektor.
04Drift
ML Ops & förbättring
MånadsavtalModeller driftar, data förändras, regelverk flyttar sig. Vi övervakar, tränar om och förbättrar systemet, samtidigt som vi medvetet utbildar ert team att ta över det. Avtalet är utformat för att krympa: framgång är att era ingenjörer inte behöver ringa oss.
Ni får
- Övervakning av modelldrift, kostnad och latens med överenskomna svarstider.
- Schemalagd omträning och utvärdering, med varje förändring dokumenterad.
- En driftrunbook, ett compliance-paket och praktisk kompetensöverföring till ert team.
Så fungerar det
- Månadsvis och uppsägningsbart: relationen är ett val, inte ett beroende.
- Varje insats dokumenteras så att ert team lär sig av den.
- Omfattningen ses över kvartalsvis och minskas i takt med att ert team tar över.
I varje steg
Tre discipliner, en princip:
Tre discipliner, en princip:
era system förblir era.
Oavsett steg är det samma tre discipliner som gör jobbet, och samma princip som gäller: allt körs på infrastruktur ni kontrollerar.
Edge-implementation
Inferens där data skapas: på enheter, fabriksgolv och i privata nätverk. Vi kvantiserar, destillerar och optimerar modeller så att de kör snabbt på begränsad hårdvara, utan omvägar via någon annans moln.
AI-compliance
EU:s AI-förordning och GDPR omsatta i ingenjörsbeslut: data lineage, modelldokumentation, riskklassificering och revisionsspår inbyggda i systemet, så att styrningen går att bevisa, inte bara utlova.
Suveränitetstrappan
Varje steg flyttar er
Varje steg flyttar er
uppåt i trappan.
Vi placerar varje AI-system på fem kontrollnivåer, från Exponerad till Ägd. Sprinten berättar vilket steg ni står på idag. Stegen ovan är själva klättringen.
Bortom trappan
Fler sätt
Fler sätt
att samarbeta.
Alla behov börjar inte med en sprint. Vi placerar också specialister i ert team, genomför AI-revisioner på vår egen plattform och bygger produkter på vår egen edge-stack, med MQ Flow först ut. Fäll ut respektive del för detaljer.
En Quince-specialist arbetar inifrån ert team, inte som en leveranspod på armlängds avstånd. De deltar i era standups, läser er kodbas och äger utfall sida vid sida med era egna medarbetare. Anlita en för en två veckors spike eller ett årslångt bygge.
Vad de gör
- Sätter upp MLOps: CI/CD för modeller, feature stores samt övervakning av modelldrift, kostnad och latens.
- Tar modeller ur notebooks och in i produktion på infrastruktur ni kontrollerar.
- Migrerar arbetslaster bort från leverantörer ni inte har råd att vara beroende av, och bygger utvägen först.
- Tar fram underlag för EU:s AI-förordning och GDPR medan ni levererar, inte månader i efterhand.
- Lämnar över runbooks och utbildar ert team att driva allt utan oss.
Så fungerar samarbetet
- På heltid i ert team som dedikerad kapacitet, eller en sprint med fast omfattning för en avgränsad uppgift.
- Matchas på vad de har levererat och hur snabbt de lär sig er stack, aldrig enbart på en titel.
- Prissätts per månad eller till fast omfattning, skriftligt överenskommet innan vi börjar.
Ni köper ett paket konsulttimmar. Våra revisorer tar med sig Quince Audit, den granskningsplattform vi byggt och driver själva, och den absorberar det manuella arbete som tidigare åt upp timmarna: läsa underlag, utkasta bedömningen, jaga de dokument som saknas och hålla varje slutsats spårbar tillbaka till filen den kom från. Eftersom plattformen är vår finns det inga extra licenser att köpa.
AI:n läser underlaget och föreslår ett utfall med sitt resonemang. En revisor bekräftar varenda ett. Förslaget är en första genomgång, aldrig beslutet, och det syns för våra revisorer snarare än för dem som laddat upp dokumenten.
Vad revisionen omfattar
- En komplett inventering av AI i användning, både sanktionerade system och skugg-AI.
- AI-förordningens tillämplighet klassificerad per system, med resonemanget nedskrivet.
- NIS2- och GDPR-beredskap bedömd mot varje arbetslast.
- Modellkort, dataflödeskartor och revisionsloggning som en tillsynsmyndighet accepterar.
- En amnesti utan skuldbeläggning som synliggör den AI era medarbetare redan använder.
Vad ni tar med er
- En styrelseklar rapport, plus underlaget bakom varje observation.
- Observationer rangordnade efter exponering, var och en rest som ett spårat gap-ärende med namngiven ägare och förfallodatum.
- Ett riskregister där varje post går att spåra tillbaka till kontrollen och gapet som skapade den.
- En reproducerbar kedja, så att resonemanget finns kvar när en slutsats ifrågasätts ett år senare.
- Nästa cykel utgår från den förra, så att den blir en diff i stället för en omstart.
MQ Flow styr en byggnads värme, ventilation och luftfuktighet utifrån en fysikalisk modell av mänsklig komfort, och lär sig sedan vad människorna i varje rum faktiskt föredrar. Ingen ställer in en temperatur. Man trycker på varmare eller kallare, och systemet sköter resten. Vi bygger AI:n och mjukvaran; vår HVAC-partner Mifimi står för fackkunskapen som får det att fungera i ett teknikrum.
Baslinje
Fysiken först
En Fanger PMV-modell (ISO 7730) beräknar varje rums komfortmål utifrån temperatur, strålningsvärme, luftfuktighet och luftrörelse. Den fungerar från dag ett, innan någon inlärning skett.
Personalisera
Lär sig varje rum
Förstärkningsinlärning per rum omvandlar tryck på varmare och kallare till en personlig komfortjustering, anpassad till människorna i rummet i stället för ett statistiskt genomsnitt.
Optimera
Billigaste spakarna först
Samma komfort kan nås på flera sätt. Optimeraren justerar friskluft och luftfuktighet innan värmepumpen används, med målet minst 30 % lägre energianvändning.
Vad som gör det annorlunda
- Komforten beräknas, inte gissas: PMV väger in strålningsvärme, luftfuktighet och luftrörelse, inte bara lufttemperatur.
- Trycken från de boende är träningssignalen för förstärkningsinlärningen, så systemet blir bättre med användning.
- Byggt för retrofit: BACnet-integration och ett enda API mot vilken PLC som helst, gjort för befintliga byggnader.
- Styrloopen körs på hårdvara i byggnaden: termostatenheter per rum på vår edge-stack, plus en väderstation.
Var det står i dag
- Den första omgången om 28 termostatenheter installeras just nu i en fakultetsbyggnad i Belgrad.
- Datainsamling och modellanvändning utvärderas nu i den levande byggnaden.
- Minst 30 % lägre energianvändning är projektets mål. Vi publicerar uppmätta siffror när utvärderingen är klar, inte innan.
Börja med sprinten
Två veckor till ett ärligt svar.
ML Feasibility Sprint är det sätt med lägst risk att ta reda på om maskininlärning är värt det för ert användningsfall: fast omfattning, publicerat pris och en rapport ni behåller oavsett utfall.