Unser Kunde benötigte:
Implementierung eines Anomalieerkennungsdienstes mit Kennzeichnung in Energienetzwerken. Traditionelle Ansätze zur Anomalieerkennung in Stromnetzen basierten auf manuellen Eingaben durch Operatoren in einem Netzleitstand. Diese Operatoren verwendeten gesammelte Echtzeit-Metriken aus dem Netz, um Anomalien zu bewerten und vorherzusagen. Der Operator musste auf Basis seiner Erfahrung entscheiden, welche Gegenmaßnahmen ergriffen werden sollen, und hat keine Möglichkeit, Szenarien in Echtzeit zu simulieren.

Unsere Lösung:
Hivemind hat eine Echtzeit-Anomalieerkennungslösung auf Basis von Apache Kafka und Apache Spark implementiert, die 3,6 Millionen Datenpunkte pro Sekunde verarbeitet, um Anomalien in Strom- und Spannungsdaten zu identifizieren und anomale Datensätze für die Simulation nachgelagerter prädiktiver Systeme zu kennzeichnen.

Unser Kunde benötigte:
Aufgrund des Erfolgs ihrer CBIS-Plattform wollte die Geschäftsführung ein neues Reportingsystem mit APIs bereitstellen. Um die neuen Anforderungen zu bedienen, musste die Plattform hochverfügbar und zuverlässig werden. Anomalien und Probleme aus den Quellsystemen mussten schnell identifiziert werden, und die Daten mussten zu jedem Zeitpunkt aktuell sein.

Unsere Lösung:
Hivemind unterstützte PAYONE bei der Gestaltung, dem Betrieb und der Implementierung der CBIS-Plattform. Ziel war es, die verschiedenen Quellsysteme in ein einheitliches Berichterstattungstool mit einem zentralen Datenmodell zu integrieren. Dazu führten wir Architekturen für Echtzeit-Berichterstattung und Streaming sowie Cloud-Services ein. Durch den Einsatz elastischer und skalierbarer Services in Public Clouds haben wir auch Kostensenkungslösungen umgesetzt. Das PAYONE-Team wurde zudem in der neuen Architektur und den verwendeten Technologien geschult, um die Plattform eigenständig zu warten.

Unser Kunde benötigte:
Das Hauptproblem bei der Akzeptanz von Elektrofahrzeugen ist die Reichweitenangst und die Verfügbarkeit von Ladestationen. Der Ladestationsmarkt ist heterogen und besteht allein in Deutschland aus über 700 Anbietern. Die Qualität des Service und die Verfügbarkeit unterscheiden sich stark, was das Erlebnis für E-Auto-Fahrer beeinträchtigt. Elvah führte eine Bewertungsplattform ein, die Nutzern ermöglicht, die Qualität und Verfügbarkeit von Ladestationen über ihre App zu bewerten.

Unsere Lösung:
Hivemind implementierte für Elvah eine Bewertungslösung, die Echtzeit- und historische Sitzungsdaten aller Ladestationen in Mitteleuropa nutzt. Mit Hilfe von auf maschinellem Lernen basierenden Vorhersagen können Nutzer die Verfügbarkeit und Qualität von Ladestationen zu jedem beliebigen Zeitpunkt bestimmen. Hivemind entwickelte die Trainingsmodelle, eine MLOps-Lieferpipeline sowie einen REST-Endpunkt für die Bereitstellung von Echtzeit-Vorhersagen unter Verwendung von Apache Spark, Spark ML und Microservices, die in Kubernetes auf AWS laufen.

Unser Kunde benötigte:
Hays wollte eine Jobbörsen-Web-App entwickeln, um ihre Kunden mit potenziellen Bewerbern zu verbinden. Die App musste zudem in ihre Altsysteme integriert werden.

Unsere Lösung:
Wir entwickelten den gesamten Stack, einschließlich des Frontends, des Backends und der Infrastruktur. Wir implementierten einen Matching-Service zwischen Bewerbern und Stellenangeboten. Von Anfang an entwickelten wir nicht nur die Lösung, sondern schulten auch die Entwicklerteams des Kunden. 

Warum Hivemind?

Profitieren Sie von der langjährigen Erfahrung unseres erfahrenen Entwicklungsteams.

Wir verfolgen stets einen Best-Practice-Ansatz und streben danach, Dinge so einfach und effizient wie möglich zu gestalten.

Eine unserer Kernpraktiken ist es, Wissen weiterzugeben, um Ihr eigenes Team langfristig zu stärken und zu empowern.