Wie wir eine App entwickeln, die das Handwerk in Deutschland digitalisiert

Herangehensweise: Schlank und effektiv

Mittels InVision erstellte unser UI-Designer Klick-Modelle, um die Interaktionsmöglichkeiten mit der Anwendung nachvollziehbar und überprüfbar zu machen. Die Click-Dummies dienen als Entwicklungsgrundlage.

Die Entwicklungskosten der App konnten wir mithilfe eines mobile Backend as a Services optimieren.

Für die Umsetzung der Software verwendeten wir Google Firebase als mBaaS, um Entwicklungskosten einzusparen. Die Apps für Android und iOS entwickelten wir nativ mit Java bzw. Swift, die Web App mit Hilfe von Angular und Angular Material. Auch andere gängige Frameworks wie Bootstrap konnten wir in die Anwendung integrieren.

In unserem Projekt verwenden wir Deep Learning als technologisches Plus, mit dem die App diverse Bildinhalte autonom erkennt und strukturiert. Wie funktioniert Machine Learning in der Handwerker-App? Zunächst übertragen wir auf das System Trainingsdaten in Form von Bildern. Diese markieren wir zuvor mit Meta-Tags, die den Bildinhalt beschreiben. Die Software verwendet anschließend die Informationen, um ein Feature-Set zu erzeugen, d. h. eine Liste mit Merkmalen. Daraus entsteht ein Vorhersagemodell, mit dem eine künstliche Intelligenz eigenständig Meta-Tags generiert. Das System erkennt folglich automatisch in den Bildern, ob es sich um Kalksandstein oder Mauerziegel handelt. Die Machine Learning Technologie realisierten wir in der Prokektmanagement-App mithilfe der Entwicklungsplattform Google Firebase bzw. Google Cloud-Plattform.

Ein Endergebnis, das uns erstaunt

Das entwickelte Softwareprodukt skaliert out of the Box. Mithilfe des integrierten mBaaS muss sich der Kunde nicht mehr manuell um neue Server-Installationen kümmern. Insbesondere nach Werbekampagnen sind in kurzer Zeit hohe Nutzungszahlen zu erwarten. Der Backend Service managed alles rund um die Kontoverwaltung und hilft bei der Generierung einer großen User Base.