Machine Learning Experten in Nürnberg
aus über 15.000 Lebensläufen mit der Kraft von KI.Stellen Sie Experten ein, die ML-Pipelines entwerfen, Modelle trainieren und feinabstimmen und Vorhersagesysteme in die Produktion bringen können. Sie arbeiten mit Datenaufbereitung, Feature Engineering, Bewertung und MLOps, damit Ihr Team schnell zuverlässige Ergebnisse erhält – mit geprüften und verfügbaren Freelancern, die exakt passend zugeordnet werden.
Lerne FRATCH Experten in Nürnberg kennen, die kürzlich Machine Learning eingesetzt haben
Sabine Liberty
Letzte Position:
Kommunikationsberaterin für Krisenkommunikation/Issue Management bei AQIM – Association for Quality in Interim Management
Planung, Durchführung & Moderation Krisenkommunikation und Reputationsmanagement
AQIM ist eine Non-Profit-Organisation mit Sitz in Österreich. Eine Vereinigung von Interim ManagerInnen aus Deutschland und Österreich. Gegründet im Dezember 2024. Mehrteiliges Training mit Workshops sowie Beratung für präventive Krisenkommunikation, in Zusammenarbeit mit den Gründungsmitgliedern und Verantwortlichen für Kommunikation. Zur Ermittlung des Krisenpotenzials für die Markteintrittsstrategie und im Vorfeld einer Digitalkampagne.
Das Projekt in Stichworten:
Beratung und Schulung zum Zwecke von:
- Analyse des Krisenpotenzials als neuer Marktteilnehmer und seinen internetbasierten Kommunikationsaktivitäten
- Planung und Entwicklung einer Krisenkommunikation mit gezielten Maßnahmen
- Entwicklung eines Krisenplans, um Reputationsrisiken im Ernstfall zu minimieren
- Durchführung von Schulungs- und Informationsveranstaltungen
Erfolg:
- Aus dem anfänglich einmalig angedachten Beratungs-Event für die Vorbereitung einer Informationskampagne wurde ein mehrteiliger Workshop für präventive Krisenkommunikation. Dieser hat nicht nur der Organisation Kompetenz und Sicherheit im Falle akuter Herausforderung verschafft, sondern auch den teilnehmenden Interim Managern Kompetenzerweiterung für ihren Arbeitsalltag in Mandatseinsätzen
- Dieser Workshop versetzte die Verantwortlichen in die Lage, die zum damaligen Zeitpunkt in Vorbereitung befindliche und auf sechs Monate angelegte Informationskampagne planmäßig Ende Januar 2026 in den sozialen Medien starten zu können
- Eine sorgfältig ausgearbeitete Terminplanung sowie Festschreibung des Umgangs mit kritischen Stimmen in Form von Terminologie und Tonalität sowie Compliance-Regeln haben für einen reibungslosen Start und Durchlauf einer 3-monatigen Informationskampagne gesorgt
David Onaiyekan
Letzte Position:
Research Intern bei Pattern Recognition Lab
- Leitung der Integration eines maßgeschneiderten Transformer-basierten Encoders in die AFFGANwriting-Pipeline und Ersetzung der alten VGG19-Architektur, um reichhaltigere, hochqualitative Schreibstil-Repräsentationen zu gewinnen.
- Steigerung der Auswahlrate in Nutzerstudien um 40 %, was einen deutlichen Sprung in der wahrgenommenen Qualität und dem Realismus der generierten Handschriften im Vergleich zum Basismodell zeigte.
- Verbesserung der OCR-Leistung um 20 % durch Implementierung eines Teacher-Student-Frameworks, das ein TrOCR-Benchmarkmodell für ergänzende Trainingsabstimmung nutzte.
Amir Alinaghi
Letzte Position:
Masterarbeit bei Friedrich-Alexander-Universität
- Analyse der Rolle von Ehe als informelle Versicherung in Deutschland unter Anwendung ökonometrischer Methoden (Betreuung: Prof. Dr. Harald Tauchmann).
- Aufbereitung und Bereinigung mehrerer Paneldatensätze sowie Extraktion relevanter Variablen zur Erstellung eines finalen Paneldatensatzes mit über 36.000 Beobachtungen (2006–2020, SOEP).
- Design eines IV-Modells in Stata zur Untersuchung des kausalen Zusammenhangs zwischen Trennung von Paaren und Gesundheitsschocks (mental/physisch).
- Durchführung von Robustness Checks zur Sicherstellung der Stabilität und Validität der Ergebnisse.
Partha Nandi
Letzte Position:
KI-Softwareentwickler bei Fraunhofer IIS
- Entwickelte einen maßgeschneiderten KI-Chatbot für einen E-Commerce-Kunden mit GPT-4 und LangChain inklusive RAG, wodurch das Volumen der Support-Tickets um 45 % sank und die Antwortgenauigkeit auf 92 % stieg.
- Entwarf und stellte ein System zur intelligenten Dokumentenverarbeitung mit LlamaIndex, Pinecone und FastAPI für ein FinTech-Startup bereit, das semantische Suche über mehr als 100.000 Finanzdokumente ermöglicht.
- Entwickelte Multi-Agenten-KI-Workflows mit CrewAI und LangGraph für eine Marketingagentur, automatisierte Lead-Recherche, Inhaltserstellung und Kontaktaufnahme — und sparte so über 20 Stunden manueller Arbeit pro Woche.
- Erstellte KI-gestützte Automatisierungspipelines mit n8n, Make und Zapier, integriert in CRMs (GoHighLevel, HubSpot), wodurch für ein Immobilienunternehmen die manuelle Dateneingabe um 80 % reduziert wurde.
- Beriet mehrere Kunden im Prompt-Engineering und bei der Feinabstimmung von LLMs, um KI-Modellausgaben für den Kundenservice, die Inhaltserstellung und die Datenextraktion zu optimieren.
- Erstellte produktionsreife REST-APIs mit Python und FastAPI zur Bereitstellung von KI-Modellen auf AWS und GCP und bewältigte dabei über 10.000 tägliche Anfragen mit 99,9 % Verfügbarkeit.
Arun Sai Thunga
Letzte Position:
AI-Backend-Entwickler-Praktikant bei Calvergy UA
- Komplexe, KI-basierte Energiesystemmodelle in das Frontend-Framework integriert, was die Visualisierung von Erkenntnissen für mehr als 6 Schlüsselkunden ermöglichte und die Energienutzung maximierte.
- Energieeffizienz und Auslastung maximiert, indem der nahtlose Datenfluss zwischen KI-Modellen und der Benutzeroberfläche für schnelle, umsetzbare Berichte konzipiert wurde.
Muntaha Shams
Letzte Position:
KI-Ingenieur (Freiberufler) bei Upwork
- Über 40 KI-Projekte und 23 strategische Beratungen für internationale Kunden (USA, Europa, Naher Osten) abgeschlossen, eine Erfolgsquote von 98 % erreicht und langfristige Partnerschaften aufgebaut.
- Produktionsreife KI-Lösungen in Computer Vision, NLP, Deep Learning und Generativer KI (LLMs, RAG-Pipelines, Stable Diffusion, OCR, Chatbots) entwickelt und bereitgestellt, wodurch Automatisierung ermöglicht und die Effizienz der Kunden um bis zu 70 % gesteigert wurde.
- Große Sprachmodelle (LLMs) entworfen und feinabgestimmt, inklusive Prompt Engineering und Integration in unternehmensinterne Wissensdatenbanken, was zu intelligenteren Entscheidungen und reduziertem manuellem Aufwand führte.
- Echtzeit-Computer-Vision-Anwendungen (Erkennung, Segmentierung, OCR) entwickelt und in Geschäftssysteme integriert, wodurch Genauigkeit und Skalierbarkeit deutlich verbessert wurden.
- Start-ups und Unternehmen in KI-Strategie, Architektur und Implementierung (Cloud & On-Premise) beraten, Produktentwicklung beschleunigt und die Markteinführungszeit verkürzt.
- Den gesamten Lebenszyklus von KI-Projekten (Anforderungsanalyse, Lösungsdesign, Bereitstellung, Support) in agilen, internationalen und funktionsübergreifenden Umgebungen gemanagt und dabei eine hohe Qualität gesichert.
Felix Kluge
Letzte Position:
Senior Data Scientist bei Novartis Pharma AG
- Leitete die Implementierung und Validierung digitaler Technologien zur Erfassung der Mobilität im realen Umfeld in klinischen Studien mit hohen Compliance-Raten
- Leitete eine funktionsübergreifende Initiative, die klinische und Data-Science-Teams zusammenführte und die Integration digitaler Technologien mit strategischen Zielen abstimmte
- Entwickelte innovative Algorithmen zur Analyse von Sensordaten, nutzte Zeitreihendaten, um neue Erkenntnisse zu gewinnen und die Vorhersagegenauigkeit zu erhöhen
- Entwarf und implementierte prädiktive Modelle mit Machine Learning und integrierte Daten digitaler Geräte mit klinischen Datensätzen
- Erstellte Dashboards und Berichte für strategische Erkenntnisse und sorgte für effektive Datenqualitätssicherung und Visualisierung in klinischen Studien
- Sicherte die Reproduzierbarkeit von Data-Science-Workflows durch robuste Coding-Praktiken, umfassende Dokumentation und Versionskontrolle
- Co-leitete explorative statistische Pläne für digitale Biomarker und förderte so das Verständnis und die Anwendung digitaler Technologien in der Gesundheitsforschung
- Beriet klinische Teams als Fachexperte für digitale Technologien und unterstützte so die strategische Integration und effektive Nutzung in klinischen Studien
- Managte die Einbindung von Stakeholdern durch Zusammenarbeit mit internen und externen Partnern, einschließlich Auftragsforschungsinstituten und Technologielieferanten
- Beeinflusste Entscheidungsprozesse durch Präsentation von Analysen und Ergebnissen auf verschiedenen Managementebenen und gegenüber Stakeholdern und hob dabei umsetzbare Erkenntnisse und Konsequenzen hervor
- Streute Wissen durch begutachtete Publikationen
Puranjan Bandyopadhyaya
Letzte Position:
Praktikum - Generative KI bei Continental
- Bilder von Reifen und deren Merkmalsbeschreibungen gesammelt.
- Datensatz mit Bild-Metadaten mit pandas bereinigt.
- Merkmals-Embeddings der Bilder in der Chroma-Vektordatenbank gespeichert.
- Bildaugmentierungen eingesetzt, um die Datensatzgröße zu erhöhen.
- sklearn verwendet, um Datensätze zu mischen, und imbalanced-learn, um Klassengrößen im Datensatz auszugleichen.
- PyTorch genutzt, um verschiedene neuronale Netze zu trainieren und zu testen.
- Modell mit einer eigenen Genauigkeitsmetrik auf Basis einer Ähnlichkeitssuche in ChromaDB validiert.
- Vorhersagen der Genauigkeit mit matplotlib visualisiert.
- Trainiertes Modell in DreamBooth integriert, um ein Stable-Diffusion-Modell zu trainieren und neue Reifenbilder zu generieren.
- Eigenes Docker-Image im Amazon Elastic Container Registry für das Machine-Learning-Skript erstellt.
Pawan Saxena
Letzte Position:
CAPTCHA-Erkennung mit CRNN
- Ein CRNN-Modell mit VGG16- und BiLSTM-Backbone zur Erkennung textbasierter CAPTCHAs entwickelt
- Zeichenfehlerrate (CER) von 9,37% und Sequenzgenauigkeit von 68,36% auf dem Validierungsdatensatz erreicht
- Datenaugmentierungspipeline mit Verzerrungen, Rauschzugabe und Überlagerungen erweitert, um die Robustheit zu steigern
- Detaillierte Fehleranalyse bei verwechselbaren Zeichen (O, Q, D) durchgeführt und zeichenspezifische Augmentierung vorgeschlagen
- Tech Stack: Python, TensorFlow/Keras, OpenCV, NumPy, Matplotlib
Ralph Navasardyan
Letzte Position:
AI Lead Engineer Fahrzeugkonfigurator für einen führenden deutschen Premium-Hersteller bei e-ntegration GmbH
- Intentgesteuerter Ansatz, um alle Modelle und Baureihen dieses Automobilherstellers in allen Absatzmärkten zu konfigurieren
- Entwicklung einer kundenorientierten, dialoggesteuerten Integrationsschicht, um 100% halluzinationsfreie technische Konfigurationen zu erreichen
- Einsatz folgender Microsoft Azure AI Services: AI Foundry, Agent Service, AI Search; Prompt Shield Services; Content Security; Terraform; API Gateway; AI Gateway; Container Services; Azure Agent SDK; Agent Skills; RAG; MCP-Server und Tools
Uddipan Basu Bir
Letzte Position:
Mitglied des Forschungsteams bei Munich Music Labs, TUM
- Fokus auf die Erforschung der Schnittstelle zwischen Musik und KI.
Musaib Parray
Letzte Position:
Forschungspraktikant – Erforschung von Schlussfolgerungen mit Diffusionsmodellen bei Machine Learning and Perception Group, FAU Erlangen-Nürnberg
- Untersuchung der Äquivalenz zwischen dem Tiny Reasoning Model (TRM) und Diffusionsmodellen für strukturierte Schlussfolgerungsaufgaben wie Sudoku und Labyrinthlösungen.
- Erforschung der Schlussfolgerungs- und Generierungsfähigkeiten von Diffusionsmodellen in symbolischen Problemlösungsumgebungen.
Jisa Sabu
Letzte Position:
Trainee Elektrokonstrukteur bei STEP Global Corporate Solutions LLC
- Entwurf von elektrischen Systemen für Energieverteilung, Beleuchtung und Niederspannungsanlagen
- Erstellung und Ausarbeitung von Elektroplänen mit AutoCAD Electrical
- Durchführung von Lichtsimulationen und Analysen mit Dialux
- Einsatz von Revit MEP im Bereich Elektrotechnik für Building Information Modeling
- Mengenermittlung und Kostenschätzung für Elektroprojekte mit PlanSwift
- Schätzung von Material- und Arbeitskosten für Elektroprojekte
Usman Saeed
Letzte Position:
Werkstudent – Wissenschaftliche Hilfskraft bei NSQUARED Lab, Friedrich-Alexander University
- Entwurf und Umsetzung des DEXTER-Projekts, einer seilgetriebenen Roboterhand, die die Biomechanik der menschlichen Hand nachahmt
- Konstruktion und 3D-Druck der Hand sowie Entwicklung der zugehörigen Regelungsalgorithmen und Schaltungen
Ashmi Jha
Letzte Position:
Softwareentwickler bei Myrix Labs
- Entwickelte leistungsstarke APIs mit FastAPI und MongoDB und integrierte Live-Wetterdaten (NOAA, NWS).
- Entwickelte einen KI-Chatbot mit OpenAI-APIs – kontextbezogen nach Standort, Beruf und Interessen.
- Erstellte Admin-Dashboard-APIs für Echtzeit-Überwachung und unterbrechungsfreie Konfiguration.
- Integrierte Stripe Embedded Payments mit sicheren Transaktionen und Abonnementverwaltung über Webhooks.
Entdecke mehr als 15.000 Top-Freelancer
Statistiken von Experten, die Machine Learning einsetzen
Aggregiert aus den beruflichen Profilen passender Freelancer.
Berufserfahrung
11 Jahre (Deutschland: 14 Jahre)
Positionsdauer
1,8 Jahre (Deutschland: 2,8 Jahre)
Positionen pro Freelancer
7 (Deutschland: 8)
Häufigste Fachbereiche
Forschung und Entwicklung (F&E), Informationstechnologie (IT), Produktentwicklung
Häufigste Branchen
Informationstechnologie (IT), Bildung, Automotive
Fokus der Zertifizierungen
Informationstechnologie (IT), Forschung und Entwicklung (F&E), Business Intelligence
Bachelor-Abschluss oder höher
100% (Deutschland: 97%)
Master-Abschluss oder höher
81% (Deutschland: 77%)
Doktortitel
5% (Deutschland: 19%)
Zertifizierungen pro Freelancer
2
Häufigste Sprachen
Englisch, Deutsch, Hindi
Sprechen zwei oder mehr Sprachen
100% (Deutschland: 98%)
Basierend auf unserem Profilpool, Stand 30 Aug 2026.
Tagessatzverteilung
Das Diagramm zeigt, wie sich die Tagessätze der Freelancer in dieser Technologie in Nürnberg verteilen, basierend auf aktuellen Verträgen auf unserer Plattform. Jeder Balken deckt eine Tagessatzspanne ab – seine Höhe zeigt, wie viele Freelancer innerhalb dieser Spanne abrechnen.
Durchschnittssätze von Experten in Nürnberg, die Machine Learning 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 30 Aug 2026. Die tatsächlichen Tagessätze können je nach Dienstalter, Erfahrung, Fachkenntnissen, Projektkomplexität und Auftragsdauer variieren.
Über die Technologie
Was es abdeckt
Machine Learning macht aus Daten Vorhersagen, Klassifikationen, Empfehlungen und Prognosen. Es wird für Betrugserkennung, Bedarfsplanung, Suchranking und andere Systeme genutzt, die Muster aus Daten statt aus festen Regeln lernen. Starke Experten verbinden das Modell mit einem echten Geschäftsziel.
Typische Aufgaben
- Trainings- und Inferenz-Pipelines aufbauen
- Daten und Features für den Modelleinsatz vorbereiten
- Modelle trainieren, testen und vergleichen
- Modelle in bestehende Software einbinden
- Drift überwachen und bei Bedarf neu trainieren
Tools und Stack
Machine-Learning-Arbeit umfasst oft Python, scikit-learn, PyTorch, TensorFlow und XGBoost. Experten arbeiten auch mit Notebooks, Experiment-Tracking, Datenspeichern und Cloud-Services, die Datenaufbereitung und Model-Serving unterstützen. Die besten Spezialisten halten den Stack einfach genug, damit er wartbar bleibt.
Wann Hilfe sinnvoll ist
Unternehmen holen freiberufliche ML-Experten dazu, wenn ein internes Team gezielte Unterstützung für einen neuen Anwendungsfall, ein Modell-Update oder ein Produktionsproblem braucht. Das ist häufig in der Fertigung, Logistik, im Handel und in Industrie-Software rund um Nürnberg so, wo Datenqualität und Integration oft wichtiger sind als die Wahl des Modells. Remote-Arbeit ist normal, aber Vor-Ort-Termine helfen, wenn Stakeholder eine enge Abstimmung brauchen.
Was starke Experten tun
- Vor dem Modellieren die richtigen Fragen stellen
- Schwache Daten und schlechte Labels früh erkennen
- Metriken wählen, die zur geschäftlichen Aufgabe passen
- Kompromisse in klarer Sprache erklären
- Code, Dokumentation und Übergabenotizen liefern
Wie Teams es nutzen
Machine-Learning-Spezialisten unterstützen Proofs of Concept, Automatisierungsfunktionen, Empfehlungssysteme, Anomalieerkennung und Prognosen. Sie helfen auch bei MLOps, Modellversionierung und Retraining-Workflows, damit eine Lösung nach dem Start nützlich bleibt. In der Praxis geht es dabei genauso viel um den Betrieb wie um das Modell selbst.
Häufig gestellte Fragen
Unsicher, wo du bei Machine Learning anfangen sollst? Diese Antworten decken das Wichtigste ab.
Machine Learning wird genutzt, damit Software Muster aus Daten lernt und dann Vorhersagen trifft, klassifiziert, sortiert oder Anomalien erkennt. Unternehmen setzen es für Abwanderungsrisiken, Nachfrageprognosen, Empfehlungssysteme, Dokumentenverarbeitung und Qualitätsprüfungen ein. Der richtige Experte konzentriert sich zuerst auf die geschäftliche Aufgabe und dann auf das Modell.
Machine Learning ist besser, wenn die Regeln zu komplex sind, sich oft ändern oder von vielen Signalen zugleich abhängen. Regelbasierte Logik ist weiterhin nützlich für klare Geschäftsrichtlinien und einfache Entscheidungen. Ein starker Experte weiß, wann ML Mehrwert bringt und wann ein einfacher Ansatz sicherer ist.
Machine-Learning-Spezialisten nutzen oft beide, aber die richtige Wahl hängt vom Projekt ab. TensorFlow ist in produktionsorientierten Setups verbreitet, während PyTorch für Forschung und schnelle Modellarbeit beliebt ist. Viele Teams setzen außerdem auf scikit-learn, XGBoost und Python-Datenwerkzeuge rund um das Kern-Framework.
Ein starker Machine-Learning-Spezialist kennt meist Datenbereinigung, Feature Engineering, SQL, Python und Modellauswertung. Für die Arbeit in der Produktion sind auch MLOps, Containerisierung und Cloud-Deployment wichtig. Kommunikation ist ebenfalls wichtig, weil das Modell zum Produkt und zur Datenrealität passen muss.
Machine-Learning-Projekte unterscheiden sich stark in ihrer Komplexität. Ein kleiner Proof of Concept braucht vielleicht einen Spezialisten mit breiter praktischer Erfahrung, während Produktionssysteme oft jemanden benötigen, der sich mit Daten, Modellierung und Deployment auskennt. Entscheidend ist nicht der Titel, sondern ob die Person ähnliche Arbeit schon einmal ausgeliefert hat.
Ja, Machine-Learning-Arbeit eignet sich oft sehr gut für die Zusammenarbeit aus der Ferne, weil Daten, Notebooks und Code leicht geteilt werden können. Für Teams in Nürnberg können gelegentliche Vor-Ort-Termine bei Datenzugriff, Stakeholder-Reviews oder der Übergabeplanung helfen. Viele Projekte nutzen eine Mischung aus beidem.
Achten Sie auf klare Beispiele für ausgelieferte Machine-Learning-Arbeit, nicht nur auf Modellnamen. Gute Spezialisten erklären Datenannahmen, Metrikwahl, Fehlerfälle und wie das Modell nach dem Start gepflegt wird. Starker Code, reproduzierbare Experimente und ehrliche Kompromisse sind bessere Zeichen als vage Behauptungen.
Ein guter ML-Freelancer sollte fragen, welches Geschäftsergebnis zählt, woher die Daten kommen und wie das Modell genutzt wird. Er oder sie sollte außerdem Deployment, Eigentum, Datenschutzauflagen und die spätere Wartung der Lösung klären. Diese Fragen verhindern unnötige Arbeit und eine schwache Übergabe.
Der durchschnittliche Stundensatz von Freelancern in Nürnberg, Deutschland, die Machine Learning in ihren letzten Projekten eingesetzt haben, liegt bei 59 €, was einem Tagessatz von etwa 469 € bei einem 8-Stunden-Tag entspricht.
Von den Freelancern in Nürnberg, Deutschland, die Machine Learning in ihren letzten Projekten eingesetzt haben, haben 100% mindestens einen Bachelor-Abschluss, 81% mindestens einen Master-Abschluss und 5% einen Doktortitel.
Freelancer in Nürnberg, Deutschland, die Machine Learning in ihren letzten Projekten eingesetzt haben, haben im Durchschnitt 11 Jahre Berufserfahrung; ein einzelnes Projekt dauert typischerweise etwa 1,8 Jahre.
Die häufigsten Sprachen unter Freelancern in Nürnberg, Deutschland, die Machine Learning in ihren letzten Projekten eingesetzt haben, sind Englisch (100%), Deutsch (95%) und Hindi (24%).
Die häufigsten Industrien unter Freelancern in Nürnberg, Deutschland, die Machine Learning in ihren letzten Projekten eingesetzt haben, sind Informationstechnologie (IT) (86%), Bildung (52%) und Automotive (48%).
Die häufigsten Bereiche unter Freelancern in Nürnberg, Deutschland, die Machine Learning in ihren letzten Projekten eingesetzt haben, sind Forschung und Entwicklung (F&E) (86%), Informationstechnologie (IT) (81%) und Produktentwicklung (71%).
Hauptstandorte der FRATCH Experten, die kürzlich Machine Learning 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 
Dortmund 
Essen 
Bremen 
Dresden 
Hannover 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
