Wachstumsschmerzen in der Datenwolke
Die PackSense Technologies GmbH aus München, ein innovatives Start-up im Bereich Smart Packaging mit 25 Mitarbeitenden, stand vor einer kritischen Hürde. Ihr Kernprodukt – intelligente Sensoren für Lebensmittel-Frische-Monitoring – generierte mit jedem neuen Kunden exponentiell mehr Daten.
Die bestehende Legacy-Infrastruktur auf Basis eines einzelnen Servers war am Limit. Ohne eine automatisierte ML-Pipeline und eine skalierbare Cloud-Architektur verbrachten die Entwickler fast die Hälfte ihrer Zeit mit manuellem Infrastruktur-Management statt mit der Produktentwicklung.
- Explosives Wachstum: 300% mehr Sensordaten pro Quartal
- Legacy-Infrastruktur am Limit
- Keine ML-Pipeline für Frische-Vorhersage-Modelle
- Hohe Cloud-Kosten durch ineffiziente Architektur
- Entwickler-Produktivität durch Ops-Aufgaben gehemmt
Skalierbare Plattform für Echtzeit-Sensorik bei PackSense
Cloud-Native Architektur & ML-Ops
NovaVision konzipierte und implementierte innerhalb von nur 8 Wochen eine vollständig automatisierte, Cloud-native Infrastruktur auf AWS. Dabei lag der Fokus auf maximaler Skalierbarkeit und minimalen Betriebskosten durch den Einsatz von Managed Services und Event-driven Architekturen.
Woche 1: Discovery & Architektur-Design
Audit der Bestandssysteme, Definition der Ziel-Architektur (AWS), Security-Konzept
Woche 2-4: Cloud-Infrastruktur & ML-Pipeline
Setup von Kubernetes (EKS), MLflow Integration und automatisierter ML-Workflows
Woche 5-6: Datenmigration & Integration
Migration der Bestandsdaten nach S3, Anbindung der Sensor-Datenströme via Kafka
Woche 7-8: Testing & Wissenstransfer
Lasttests, CI/CD-Finalisierung und Intensiv-Workshops mit dem PackSense-Team
„Wir waren kurz davor, in der eigenen Datenlawine zu ertrinken. NovaVision hat uns nicht nur gerettet, sondern uns eine Infrastruktur gegeben, die mit uns wachsen kann. Jetzt können wir uns wieder auf unser Produkt konzentrieren."
Bereit für globales Scaling
Bereits kurz nach dem Projektende zeigten sich massive Verbesserungen in allen relevanten KPIs. Das Start-up kann sich nun voll auf die Weiterentwicklung ihrer KI-Modelle konzentrieren.
- Infrastruktur verarbeitet 10x mehr Daten ohne Performance-Verlust
- Cloud-Kosten um 60% gesenkt durch Spot-Instances und Auto-Scaling
- Automatisierte ML-Modelle: Training startet bei neuen Daten-Batches von selbst
- Entwickler-Produktivität um 45% gesteigert durch DevOps-Automatisierung
- Zero Downtime seit Go-Live dank Multi-AZ Architektur
Backend-Performance Monitoring und System-Status
Der Tech-Stack
- Cloud: AWS (EKS, S3, SageMaker, Lambda)
- Streaming: Apache Kafka auf MSK für Echtzeit-Daten
- ML-Pipeline: MLflow + Amazon SageMaker
- IaC: Terraform + Helm für reproduzierbare Umgebungen
- CI/CD: GitHub Actions
- Monitoring: Datadog für volle Observability
Projekt-Metriken
Dieses Projekt wurde im Rahmen eines intensiven 8-Wochen-Sprints realisiert. Die Ergebnisse wurden durch das CTO-Office von PackSense bestätigt.
Projektteam NovaVision: Dr. Bao Tram Ngo Thi (Technical Lead), Heinrich Sprachmann (Strategieberatung), 1 Cloud Architect, 1 ML Engineer