Backend & Frontend
KI-gestützte Audioanalyse-Plattform zur automatisierten Husten-Erkennung und Klassifikation
Wir entwickelten eine skalierbare Microservices-Plattform mit API-Gateway, PostgreSQL und CI/CD-Deployment, die mehrere ML-Inferenz-Engines umfasst und die Audio-ML-Pipeline des Kunden produktionsreif integriert.
Das Projekt: Produktionsreife Plattform für KI-Audioanalyse
Resmonics beauftragte uns mit dem Aufbau einer skalierbaren, sicheren und wartbaren Plattform zur automatisierten Husten-Analyse. Die Herausforderung bestand darin, eine vorhandene Machine-Learning-Pipeline in eine robuste Produktionsumgebung zu überführen, die Audio-Uploads entgegennimmt, mehrere Inferenz-Engines orchestriert und die Ergebnisse strukturiert und datenschutzkonform speichert.
Die Lösung: Microservices-Architektur und ML-Integration
Die devs group entwarf und baute das gesamte Backend als Microservices-Architektur. Durch unsere technische Expertise konnten wir ein einheitliches System schaffen, das verschiedene Modellformate unter einem Dach orchestriert und die Qualität, Skalierbarkeit und Wartbarkeit des Systems sicherstellt.
API-Gateway: Zentraler Eingangspunkt für Audio-Uploads, Authentifizierung (OAuth2 / OpenID Connect) und Recording-Verwaltung.
ML-Inferenz: Drei Inferenz-Engines werden in einer einheitlichen Pipeline ausgeführt.
Datenhaltung & API: Robuste Datenhaltung mit PostgreSQL und versionierten Schema-Migrationen, klar definierte Schnittstellen auf Basis von OpenAPI, datenschutzkonforme Speicherung (gehashte IP-Geolokalisierung).
DevOps & Infrastruktur: Betrieb und Auslieferung über eine moderne Container- und CI/CD-Landschaft mit Docker und Reverse Proxy, versioniert über Git-Tags.
Pilotierung
Im Rahmen einer Pilotphase entwickelten wir zusätzlich ein dediziertes Frontend, mit dem die Lösung im realen Einsatz getestet und validiert werden konnte. Nach erfolgreichem Pilot ging die Plattform als reine API-Lösung in Produktion mit einem internationalen Pharmakonzern als Endkunden.
Das Ergebnis: Skalierbare, datenschutzkonforme Analyse-Plattform
Durch die gezielte Entwicklung der Plattform und die produktionsreife Integration der Pipeline entstand ein leistungsfähiges, stabiles System. Die Lösung zeichnet sich durch saubere hexagonale Architektur, hohe technische Qualität und Datenschutz by Design aus.
Häufige Fragen zum Projekt
Was war die grösste Herausforderung?
Der Weg von der Forschung in die Produktion: Die Machine-Learning-Pipeline von Resmonics funktionierte, aber ein Modell im Labor ist noch keine Plattform, die Audio-Uploads sicher entgegennimmt, drei Inferenz-Engines orchestriert und Ergebnisse datenschutzkonform speichert.
Wie ist der Datenschutz gelöst?
Durch Architektur statt Richtlinie: Authentifizierung über OAuth2/OpenID Connect, klar definierte OpenAPI-Schnittstellen und eine Speicherung, die etwa IP-Geolokalisierung nur gehasht ablegt. Gesundheitsnahe Audiodaten verlangen diese Sorgfalt, und zwar von der ersten Architekturskizze an, nicht als Nachrüstung.
Warum mehrere Inferenz-Engines?
Weil verschiedene Modellformate im Einsatz sind und sich weiterentwickeln. Die einheitliche Pipeline führt alle drei Engines unter einem Dach aus; ein neues Modell ist damit ein Deployment, kein Umbau der Plattform. Für Resmonics bedeutet das: Die Forschung kann Modelle weiterentwickeln, ohne dass die Plattform jedes Mal angefasst werden muss, und die Plattform bleibt stabil, während sich die Modelle darunter bewegen.
