Graph Neural Network Experten in Deutschland
für Projekte mit verbundenen Daten, vermittelt in wenigen Minuten mit geprüften FreelancernBeauftragen Sie Experten, die graphbasierte Lernsysteme entwickeln, Modelle mit PyTorch Geometric oder DGL trainieren und relationale Daten in nützliche Vorhersagen umwandeln. FRATCH bringt Sie schnell und präzise mit geprüften, verfügbaren Freelancern zusammen.
Lerne FRATCH Experten in Deutschland kennen, die kürzlich Graph Neural Network eingesetzt haben
Mirza K.
Letzte Position:
Agentische Automatisierung und ein RAG-System
- In diesem Projekt wurden Informationsdaten extrahiert, um das Verfassen von Berichten für ein Unternehmen zu unterstützen, das geopolitische, globale und kommerzielle Informationen bereitstellt. Die Daten wurden aus verschiedenen Quellen gesammelt (Interviewtranskripte, Online-Daten, interne Dokumente) und anschließend zu einer Wissensbasis zusammengeführt. Diese bildete die Grundlage für ein komplexes RAG-System, das anhand eines Golden Dataset evaluiert wurde. Agenten wurden eingesetzt, um widersprüchliche Informationen und sich gegenseitig bestätigende Aussagen zu finden sowie das generierte Wissen wieder zu speichern.
Verwendet: Python, RAG, LangGraph, LangChain, deepeval, MCP
Murad K.
Letzte Position:
Senior AI/ML-Ingenieur bei Quantistry GmbH
- Leitete die ganzheitliche Umsetzung von ML-/KI-Anwendungen für die QuantistryLab-Simulationsplattform – von der Anforderungsdefinition und Lösungsplanung über Entwicklung, Tests und Bereitstellung bis zur Unterstützung im Produktivbetrieb. Dabei koordinierte ich die Zusammenarbeit der Back-End-, DevOps- und ML-Teams.
- Entwarf und implementierte ein System zur Suche nach Verbindungen mit einem LLM mit offenen Gewichten, dem Agenten-Framework Pydantic AI und dem Model Context Protocol (MCP) und stellte es über FastAPI-Endpunkte bereit.
- Stellte den LLM-Service auf Basis von vLLM auf Kubernetes bereit und konfigurierte ihn.
- Entwickelte CI/CD-Pipelines und Helm-Charts, um Bereitstellungen in Staging- und Produktionsumgebungen zu automatisieren.
- Ergänzte das Suchsystem um OpenTelemetry-Spans und -Traces und integrierte es in die Observability-Plattform Honeycomb, um die Latenz einzelner Komponenten und Funktionsfehler zu überwachen.
- Entwickelte einen benutzerdefinierten Evaluierungsdatensatz und setzte Auswertungen für die Relevanz der Suchergebnisse, die Richtigkeit der Antworten, die Genauigkeit von Tool-Aufrufen und den Erfolg der Aufgaben von Anfang bis Ende um.
- Verkürzte die Vorhersagezeit für Infrarotspektren um 83 % (von 60 auf 10 Minuten), indem ich ein quantenmechanisches Modell durch ein vortrainiertes graph-neuronales Netzwerk ersetzte. Ich trainierte das Modell mit PyTorch weiter, entwickelte und containerisierte die Inferenzpipeline mit Docker und integrierte sie in die Plattform.
- Implementierte eine MLflow-Modellregistrierung mit MinIO-gestützter Artefaktspeicherung.
- Beriet Vertriebs- und Wissenschaftsteams zu ML-/KI-Anwendungen für potenzielle Kundenprojekte und brachte technisches Fachwissen in die Entwicklung vorgeschlagener Lösungen und Prototypen ein.
Technologien: AWS, Hetzner, Kubernetes, Helm, Docker, vLLM, Pydantic AI, MCP, Qwen, Llama 3, MLflow, MinIO, GitHub Actions, Python, FastAPI, OpenTelemetry, Honeycomb, PyTorch, Polars, pytest
Chaima D.
Letzte Position:
Praktikant Data Scientist bei Marelli Automotive Lighting
- Entwicklung und Bereitstellung eines Deep-Learning-Modells zur automatisierten Erkennung von Schlüsselpunkten in Lichtverteilungen von Scheinwerfern.
- Vorbereitung und Verarbeitung von Datensätzen sowie Auswahl von VGG16 nach dem Benchmarking von CNN-Architekturen im Hinblick auf das beste Verhältnis zwischen Genauigkeit und Effizienz.
- Bereitstellung einer Flask-REST-API, containerisiert mit Docker, und Integration der Lösung in ein bestehendes internes System zur automatisierten und effizienten Bewertung von Scheinwerferdesigns.
Utsav R.
Letzte Position:
Werkstudent Junior Data Scientist (Performance Team GT Fleet) bei Uniper SE
- Analyse großer Kraftwerksdaten zur Entwicklung und Optimierung von wichtigen Leistungskennzahlen (KPIs) zur Überwachung der Flottenleistung.
- Entwurf und Entwicklung interaktiver Power BI-Dashboards zur Echtzeiteinsicht in zentrale Geschäftskennzahlen, was die Entscheidungsprozesse in den Abteilungen verbessert.
- Zusammenarbeit mit Vor-Ort-Ingenieuren und dem Asset Management, um Leistungskennzahlen über mehrere Länder hinweg zu harmonisieren.
- Unterstützung von Digitalisierungsinitiativen durch Umsetzung datenbasierter Anwendungsfälle mit agilen Projektmanagementmethoden.
- Nutzung von OSIsoft PI-Systemen für Zeitreihenanalyse und Visualisierung zur Verbesserung der betrieblichen Einblicke.
Raksha S.
Letzte Position:
Werkstudent – Industrielles Foundation Model bei Siemens AG
- Entwurf und Implementierung einer durchgängigen, auf Siemens NX basierenden Pipeline zur Umwandlung von OBJ-CAD-Modellen in Graphrepräsentationen durch KI-gestütztes Clustering von Mesh-Flächen zu Knoten und von Flächenadjazenzen zu Kanten, wodurch die Integration von GNNs vereinfacht wird
- Erstellung eines umfangreichen synthetischen 3D-CAD-Datensatzes und Annotation von Bauteilen mit wenigen MFCAD-ähnlichen Merkmalen, um ausgewogene und vielfältige Trainingsdaten für GNN-Workflows sicherzustellen
- Unterstützung beim Entwurf, Training und der Evaluierung von Graph-Neural-Network-Architekturen zur KI-gestützten Erkennung und Klassifizierung geometrischer Merkmale in 3D-CAD-Formen, wodurch Workflows zur Merkmalserkennung beschleunigt werden
Aravind S.
Letzte Position:
KI- und Datenspezialist bei Emirates Islamic Bank
- Entwarf und implementierte LLM-basierte KI-Agenten, RAG-Pipelines und Vektorsuchlösungen zur Entscheidungsunterstützung in der Retail-Banking-Abteilung.
- Entwickelte und lieferte robuste KI-Pipelines mit Schutzmechanismen, Fehlerbehandlung, Monitoring und Fallback-Logik, um hohe Zuverlässigkeit und Einhaltung der Datenschutzbestimmungen zu gewährleisten.
- Entwickelte und implementierte ML-Modelle zur Erkennung von Transaktionsanomalien, wodurch die Betrugserkennung und Risikobewertung in großen Datensätzen für das Kreditrisikomodell verbessert wurden.
- Erstellte, bewertete und optimierte ML-Modelle zur Generierung von Propensity Scores für Kunden, die in personalisierten Targeting-Kampagnen für Kreditkarten und Privatkreditprodukte eingesetzt wurden.
- Entwickelte eine NLP-Pipeline mit BERT-Embeddings und spaCy NER für SMS-/E-Mail-Analysen und Kundenanfragenprotokolle.
- Trainierte Machine-Learning-Modelle mit Isolation Forest, um Nutzerverhalten zu klassifizieren und Anomalien zu erkennen.
- Extrahierte, bereinigte, angereicherte und feature-engineerte Datensätze aus verschiedenen Quellen, um Feature Stores zu erstellen, die das Training von ML-Modellen ermöglichten.
- Leitete die Entwicklung von Dashboards mit Power BI, Grafana und Prometheus zur Überwachung der Modellleistung, KPI-Trends und Marketing-Kennzahlen.
- Erstellte Multi-Touch-Attributionsmodelle mit logistischer Regression und zeitverfallbasierten Gewichtungen zur Bewertung der Lead-Qualität.
- Entwickelte skalierbare ETL-Pipelines aus CRM, T24, SAP und ERP zur Unterstützung von Millionen monatlicher Transaktionen.
- Integrierte Testverfahren und CI/CD-Workflows für eine stabile Bereitstellung von Datenpipelines.
Kurt S.
Letzte Position:
Lead-KI-Architekt Solarindustrie LLM-Orchestrierung & Agenten bei Greencells Development Group
- Konzipierte und implementierte ein agentenbasiertes KI-System für den automatisierten B2B-Solarvertrieb mit mehrstufigen Workflows, einschließlich Planung, Memory und Leitplanken
- Führte ein funktionsübergreifendes Team, um ein Produktivsystem termingerecht und regelkonform einzuführen
- Setzte Wissensgraphen und SQL ein
- Tech: LangChain, Pydantic AI, OpenAI-/Anthropic-APIs, FastAPI, Neo4j, GNNs, strukturiertes Reasoning, relationale Daten, SQL, Pandas, NumPy
Muhammad U.
Letzte Position:
Wissenschaftliche Hilfskraft bei Universität des Saarlandes
- Einsatz KI-getriebener CADD-Methoden zur Optimierung biosynthetischer Wege und Molekülscreenings.
- Integration synthetischer Biologie und rechnergestützter Chemie-Workflows für schnelle In-silico-Experimente.
- Automatisierte ML-Pipelines mit Python, PyTorch und Scikit-learn unter Linux, was zu verbesserten Modelltests und höherer Reproduzierbarkeit führte.
Hema K.
Letzte Position:
Data Analyst (Working Student) bei Institüt Für Sport, Universität Mannheim
- Führe Analysen auf operativen Datensätzen mit Python und Excel durch, um Performance-Einblicke zu unterstützen.
- Wende statistische Analysen an, um Muster zu erkennen und interne Prozesse zu optimieren.
Sabrine K.
Letzte Position:
Teamleiter bei InstaDeep
- Leitung eines Teams von Junior Research Engineers, mit Mentoring, technischer Anleitung und Unterstützung ihrer beruflichen Entwicklung, um ihr Wachstum im Bereich Deep Learning und Machine Learning Engineering zu fördern.
Daniel C.
Letzte Position:
Gründer & Geschäftsführer bei BotCraft GmbH
- Aufbau des Unternehmens mit Fokus auf Connectivity für IIoT und Industrie 4.0, iRPA/Prozessautomatisierung, Advanced Robotics und Smart Systems, Sensors and Services
- Projektleitung und Software-Architektur für IoT-Gateway-Entwicklung (seit 2020) mit Protokollübersetzung, IT/OT-Konvergenz und GRC
- Entwicklung von RPA-Bots zur Automatisierung und Überwachung industrieller Prozesse mit agentischem AI-Ansatz (seit 2020)
- Implementierung von Unsupervised Clustering und Anomalieanalyse für Zeitreihendaten in BigData-Streaming-Pipelines (seit 2021)
- Einführung eines Docker-basierten Release-Trains für OTA-Updates mit DevSecOps und CI/CD (seit 2018)
Maria Daniela L.
Letzte Position:
Forschungswissenschaftler bei Intel Labs
- Entwarf und implementierte KI-gesteuerte Orchestrierungsmodelle für umfangreiche verteilte Systeme.
- Entwickelte Optimierungspipelines in Python und Go, um die Platzierung von Diensten in Kubernetes-Clustern zu automatisieren.
- Arbeitete an skalierbaren Datenpipelines und an der Integration produktionsreifer Modelle in serverlose Frameworks (intentgesteuerte K8s-Operatoren).
- Beteiligte mich am Horizon Europe VERGE-Projekt.
Talha T.
Letzte Position:
API-Entwicklung für fortgeschrittene CDS-Analysen bei Akademisches Projekt
- Entwicklung von APIs für fortgeschrittene Credit-Default-Swap-Analysen, die sowohl MongoDB- als auch dateibasierte Workflows unterstützen
Adithya N.
Letzte Position:
Vehicle Classification and Detection using Neural Networks
Erkennung und Klassifizierung von Fahrzeugen in Bildern und Videos für die Verkehrsüberwachung
- Ein YOLO- + Faster-R-CNN-Modell für reale Verkehrs- und autonome Fahrszenarien. Ausgezeichnet mit dem Best Paper Award am St Joseph Engineering College, März 2025.
Was es macht
- Das Modell nimmt Bilder oder Videoframes und lokalisiert und klassifiziert Fahrzeuge nach Typ, sodass es für Folgeanwendungen wie Verkehrsflussüberwachung oder Wahrnehmung in autonomen Fahrzeugsystemen nutzbar ist.
Was ich gemacht habe
- YOLO (für schnelle Erkennung) mit Faster R-CNN (für genauere Klassifizierung) kombiniert, statt mich auf nur eine Architektur zu verlassen, um Geschwindigkeit und Genauigkeit dort abzuwägen, wo sie am wichtigsten waren.
- 90 % mean Average Precision (mAP) erreicht, bewertet mit IoU-basierten Metriken statt nur mit roher Genauigkeit, damit die Lokalisierungsqualität korrekt abgebildet wird.
- Die komplette Datenverarbeitung und Bewertungspipeline in Python mit TensorFlow und OpenCV umgesetzt.
- Das begleitende Paper wurde vom Best Paper Award der CSE-Abteilung am St Joseph Engineering College ausgezeichnet.
Tech-Stack: Python, TensorFlow, OpenCV, YOLO, Faster R-CNN
Entdecke mehr als 15.000 Top-Freelancer
Statistiken von Experten, die Graph Neural Network einsetzen
Aggregiert aus den beruflichen Profilen passender Freelancer.
Berufserfahrung
8 Jahre
Positionsdauer
1,8 Jahre
Positionen pro Freelancer
7
Häufigste Fachbereiche
Informationstechnologie (IT), Produktentwicklung, Forschung und Entwicklung (F&E)
Häufigste Branchen
Informationstechnologie (IT), Bildung, Professionelle Dienstleistungen
Fokus der Zertifizierungen
Informationstechnologie (IT), Forschung und Entwicklung (F&E), Business Intelligence
Bachelor-Abschluss oder höher
100%
Master-Abschluss oder höher
79%
Doktortitel
29%
Zertifizierungen pro Freelancer
1
Häufigste Sprachen
Deutsch, Englisch, Arabisch
Sprechen zwei oder mehr Sprachen
100%
Basierend auf unserem Profilpool, Stand 29 Okt 2026.
Tagessatzverteilung
Das Diagramm zeigt, wie sich die Tagessätze der Experten in dieser Technologie in Deutschland verteilen, basierend auf aktuellen Verträgen auf unserer Plattform. Jeder Balken deckt eine Tagessatzspanne ab – seine Höhe zeigt, welcher Anteil der Experten innerhalb dieser Spanne abrechnet.
Durchschnittssätze von Experten in Deutschland, die Graph Neural Network einsetzen
Die Tagessätze basieren auf aktuellen Verträgen und enthalten keinen FRATCH-Aufschlag.
Der durchschnittliche Tagessatz ist der Mittelwert aller Tagessätze aus aktuellen Verträgen vergleichbarer Freelancer auf unserer Plattform.
Der Median-Tagessatz ist der mittlere Wert aller Tagessätze – die Hälfte der vergleichbaren Freelancer verlangt weniger, die andere Hälfte mehr. Anders als der Durchschnitt wird er von Ausreißern kaum beeinflusst.
Berechnet auf Basis der Tagessätze unserer Freelancer, Stand 29 Okt 2026. Die tatsächlichen Tagessätze können je nach Dienstalter, Erfahrung, Fachkenntnissen, Projektkomplexität und Auftragsdauer variieren.
Branchenfokus der Graph Neural Network Experten
Sieh, in welchen Branchen unsere gematchten Freelancer am häufigsten tätig sind — jede Zahl wird live aus den Freelancern auf FRATCH berechnet.
- Informationstechnologie (IT) (79%)
- Bildung (50%)
- Professionelle Dienstleistungen (36%)
- Automotive (29%)
- Bank- und Finanzwesen (29%)
- Transport und Logistik (21%)
- Fertigung (21%)
- Medien, Unterhaltung und Druck (21%)
Bitte beachte, dass Freelancer in mehreren Branchen tätig sein können, daher überschneiden sich die Prozentwerte.
Über die Technologie
Was es ist
Ein Graph Neural Network, kurz GNN, lernt aus Entitäten und den Beziehungen zwischen ihnen. Es stellt Daten als Knoten, Kanten und Merkmale dar und überträgt Informationen über den Graphen, um Muster zu erkennen, die gewöhnliche Tabellenmodelle übersehen können. Dadurch sind GNNs besonders nützlich, wenn Verbindungen genauso wichtig sind wie einzelne Datensätze.
Was es ermöglicht
GNN-Systeme unterstützen Empfehlungen, Betrugserkennung, Routenanalysen, Wissensgraphen und die molekulare Modellierung. Sie können Knoten klassifizieren, Verbindungen vorhersagen, verwandte Entitäten gruppieren oder Ergebnisse auf Graph-Ebene schätzen.
- Empfehlungs- und Personalisierungsmodelle
- Betrugs-, Risiko- und Anomalieerkennung
- Suche und Schlussfolgerungen in Wissensgraphen
- Verkehrs-, Logistik- und Netzwerkvorhersagen
Ökosystem und Werkzeuge
Gute Spezialisten arbeiten mit Python-Workflows für maschinelles Lernen und Graphdatenspeichern. Zu den gängigen Werkzeugen gehören PyTorch Geometric, Deep Graph Library, NetworkX, PyTorch und TensorFlow sowie Neo4j oder andere Graphdatenbanken. Sie verstehen Message Passing, Embeddings, Graph-Sampling, Batching und die Modellbewertung.
Wann Expertise wichtig ist
Unternehmen holen sich freiberufliche GNN-Expertise ins Haus, wenn relationale Daten über einfache Feature-Entwicklung hinausgewachsen sind oder ein Proof of Concept zu einem zuverlässigen Service werden muss. In Deutschland können sich die Anwendungsfälle über Produktionsnetzwerke, Mobilität, Finanzen, medizinische Forschung und industrielle Lieferketten erstrecken. Die Remote-Umsetzung eignet sich gut für Modellierung und Experimente; Workshops vor Ort können hilfreich sein, wenn Datenzugriff und Domänenkontext sensibel sind.
- Graphdaten benötigen ein klares Schema und nutzbare Merkmale
- Ein Modell muss über ein Forschungs-Notebook hinaus skalieren
- Ergebnisse müssen Domänenteams erklärt werden
- Inferenz muss an Produktionssysteme angebunden werden
Was gute Fachkräfte liefern
Ein kompetenter Experte beginnt mit der Geschäftsfrage und nicht mit einem bevorzugten Modell. Er prüft, ob die Graphstruktur einen Mehrwert bietet, definiert geeignete Baselines, bereitet zuverlässige Datensätze vor und wählt Architekturen wie graphbasierte Faltungs-, aufmerksamkeitsbasierte oder Sampling-basierte Modelle. Außerdem dokumentiert er Annahmen, Risiken durch Datenlecks und Bewertungsmethoden.
Wie Projekte in die Produktion gelangen
Die Umsetzung führt meist von der Graphgestaltung und Basismodellierung über Experimente und Validierung bis zur Bereitstellung. Spezialisten können Datenpipelines, Trainingsjobs, APIs, Monitoring und Prozesse für das erneute Training entwickeln und dabei mit Daten-, Software- und Domänenteams zusammenarbeiten. Qualität bedeutet reproduzierbare Experimente, aussagekräftige Vergleiche, einen robusten Umgang mit sich verändernden Graphen und einen klaren Weg von der Vorhersage zur geschäftlichen Handlung.
Häufig gestellte Fragen
Brauchst du Klarheit? Das sind die Fragen, die uns zu Graph Neural Network am häufigsten gestellt werden.
Ein Graph Neural Network wird eingesetzt, wenn Entitäten und ihre Beziehungen wichtige Informationen enthalten. Typische Anwendungen sind Empfehlungen, Betrugserkennung, die Vervollständigung von Wissensgraphen, Molekülanalysen, Verkehrsprognosen und die Bewertung von Risiken in Lieferketten.
Ein GNN nutzt die Graphstruktur und überträgt Informationen zwischen verbundenen Knoten, während ein herkömmliches neuronales Netzwerk jeden Datensatz meist als unabhängige Eingabe behandelt. Der Graphansatz kann relationale Muster sichtbar machen, erfordert aber auch eine sorgfältige Erstellung des Graphen und kann schwieriger zu skalieren und zu erklären sein.
Ein guter Graph Neural Network Spezialist sollte Python, PyTorch oder TensorFlow, Data Engineering und Modellbewertung verstehen. Erfahrung mit PyTorch Geometric, DGL, NetworkX, Graphdatenbanken wie Neo4j, Cloud-Bereitstellung und MLOps ist ebenfalls wertvoll.
Ein GNN-Projekt benötigt genügend Expertise, um zu prüfen, ob ein Graphmodell einfachere Baselines übertrifft. Der passende Umfang hängt von der Graphgröße, der Datenqualität, der Verfügbarkeit von Labels, den Latenzanforderungen und der Entfernung zwischen einem Forschungsprototyp und einem produktiven Service ab.
Ja, Graph Neural Network Arbeit eignet sich in Deutschland häufig für die Remote-Zusammenarbeit, insbesondere bei Modellierung, Experimenten und Softwarebereitstellung. Termine vor Ort können dennoch bei eingeschränktem Datenzugriff, bei Kontext zu Fabriken oder Logistik, bei Stakeholder-Workshops und bei Entscheidungen zur Bedeutung der Graphen hilfreich sein.
Suchen Sie nach einem GNN-Experten, der das Graphdesign erklären, es mit Nicht-Graph-Baselines vergleichen und beschreiben kann, wie Datenlecks verhindert wurden. Prüfen Sie Nachweise für reproduzierbare Experimente, sinnvolle Validierung, Anforderungen an den Produktivbetrieb und eine klare Kommunikation mit Nicht-Spezialisten.
Ein Graph Neural Network ist nicht automatisch die beste Wahl. Wenn Beziehungen schwach, unvollständig oder aufwendig zu pflegen sind, können baumbasierte Modelle, Transformer oder herkömmliche neuronale Netzwerke zuverlässiger und einfacher zu betreiben sein.
Definieren Sie vor der Beauftragung eines GNN-Freelancers das Vorhersageziel, die verfügbaren Knoten- und Kantendaten, die erwartete Ausgabe und die Erfolgskriterien. Der Zugang zu repräsentativen Stichproben, bestehenden Pipelines, Ansprechpartnern aus der Fachdomäne und Einschränkungen bei der Bereitstellung hilft dem Spezialisten, die Machbarkeit schnell einzuschätzen.
Der durchschnittliche Stundensatz von Freelancern in Deutschland, die Graph Neural Network in ihren letzten Projekten eingesetzt haben, liegt bei 86 €, was einem Tagessatz von etwa 686 € bei einem 8-Stunden-Tag entspricht.
Von den Freelancern in Deutschland, die Graph Neural Network in ihren letzten Projekten eingesetzt haben, haben 100% mindestens einen Bachelor-Abschluss, 79% mindestens einen Master-Abschluss und 29% einen Doktortitel.
Freelancer in Deutschland, die Graph Neural Network in ihren letzten Projekten eingesetzt haben, haben im Durchschnitt 8 Jahre Berufserfahrung; ein einzelnes Projekt dauert typischerweise etwa 1,8 Jahre.
Die häufigsten Sprachen unter Freelancern in Deutschland, die Graph Neural Network in ihren letzten Projekten eingesetzt haben, sind Deutsch (100%), Englisch (100%) und Arabisch (29%).
Die häufigsten Industrien unter Freelancern in Deutschland, die Graph Neural Network in ihren letzten Projekten eingesetzt haben, sind Informationstechnologie (IT) (79%), Bildung (50%) und Professionelle Dienstleistungen (36%).
Die häufigsten Bereiche unter Freelancern in Deutschland, die Graph Neural Network in ihren letzten Projekten eingesetzt haben, sind Informationstechnologie (IT) (100%), Produktentwicklung (86%) und Forschung und Entwicklung (F&E) (86%).
Hauptstandorte der FRATCH Experten, die kürzlich Graph Neural Network eingesetzt haben
Unsere Freelancer und Interim-Experten sind in der gesamten DACH-Region zuhause — verfügbar vor Ort in den wichtigsten Wirtschaftszentren oder komplett remote. Wähle einen Standort und entdecke passende Spezialisten, lokale Markteinblicke und aktuelle Verfügbarkeiten.
Berlin Hamburg München Köln Frankfurt Stuttgart Düsseldorf Leipzig Dortmund Essen Bremen Dresden Hannover Nürnberg Kostenlose Demo vereinbaren
Kontaktiere uns und das FRATCH-Team meldet sich innerhalb von 4 Stunden bei dir.
Möchtest du lieber direkt mit uns in Kontakt treten?
Wir haben immer Zeit für einen Anruf oder eine E-Mail!
Philipp Thomaschewski
FRATCH CEO
