APIs, die KI-Arbeit wirklich voranbringen
Seit Jahren arbeiten wir an Schnittstellen, die maschinelles Lernen zugänglicher machen. Keine großen Versprechen – nur stabile Verbindungen zwischen Entwicklern und den Tools, die sie tatsächlich brauchen.
Unser Team besteht aus Leuten, die selbst in den Gräben der API-Entwicklung gestanden haben. Wir wissen, wie frustrierend unzuverlässige Endpoints sein können, und haben Novelarent deshalb so aufgebaut, dass Entwickler sich auf ihre eigentliche Arbeit konzentrieren können.
Warum wir überhaupt angefangen haben
Ehrlich gesagt, war es Frust, der uns in Bewegung gesetzt hat. Als wir 2018 an einem KI-Projekt für Bildverarbeitung arbeiteten, stießen wir ständig auf API-Limitierungen, die keinen Sinn ergaben. Manchmal waren es Rate Limits, die viel zu niedrig lagen. Manchmal war die Dokumentation so veraltet, dass wir Stunden mit Trial-and-Error verschwendeten.
Statt uns einfach zu beschweren, haben wir uns hingesetzt und überlegt: Was würde eine API brauchen, die tatsächlich für ernsthafte KI-Entwicklung funktioniert? Die Antwort war einfacher als gedacht – Zuverlässigkeit, klare Dokumentation und Preisstrukturen, die nicht jeden Monat überraschen.
Heute arbeiten wir mit Entwicklerteams zusammen, die ähnliche Probleme hatten. Manche kommen aus der Forschung, andere aus Startups. Was sie verbindet: Sie wollen sich nicht mit kapriziösen APIs herumschlagen müssen.
Was uns beim Entwickeln leitet
Geschwindigkeit ohne Kompromisse
Latenz ist nicht nur eine technische Metrik – sie beeinflusst, ob ein Modell in der Praxis funktioniert oder nicht. Wir optimieren unsere Endpoints kontinuierlich, damit Anfragen schnell beantwortet werden. Das bedeutet Edge-Server in mehreren Regionen und Caching-Strategien, die intelligent genug sind, um zu wissen, wann sie greifen sollen.
Sicherheit, die mitdenkt
Datenlecks sind der Albtraum jedes Entwicklers. Unsere Verschlüsselung läuft auf Transport- und Speicherebene, und wir behandeln sensible Daten nach strengen Compliance-Standards. Niemand sollte nachts wachliegen müssen, weil API-Schlüssel kompromittiert wurden.
Dokumentation, die Sinn ergibt
Wir hassen veraltete Docs genauso wie jeder andere. Deshalb aktualisieren wir unsere Anleitungen mit jedem Release und fügen Code-Beispiele hinzu, die tatsächlich funktionieren. Wenn etwas unklar ist, wollen wir es wissen – Feedback fließt direkt in die nächste Version ein.
Menschen hinter den Schnittstellen
Wir sind ein kleines Team, aber jeder bringt tiefe Erfahrung aus unterschiedlichen Bereichen der Technologie mit. Hier sind zwei Leute, die maßgeblich daran beteiligt sind, wie Novelarent heute funktioniert.
Friederike Wenzel
Leiterin API-ArchitekturFriederike hat früher bei einem Fintech-Startup gearbeitet, wo sie täglich mit skalierbaren Systemen zu tun hatte. Ihre Spezialität ist es, APIs zu entwerfen, die auch bei plötzlichen Traffic-Spitzen nicht zusammenbrechen. Sie testet gerne Edge-Cases, die andere übersehen würden.
Henrike Bachmann
Technische BildungskoordinatorinHenrike kommt aus der akademischen Forschung und hat jahrelang Doktoranden geholfen, ihre ML-Modelle produktionsreif zu machen. Sie weiß, wie schwierig der Übergang von Jupyter-Notebooks zu echten Deployments sein kann – und entwickelt Lernmaterialien, die genau dort ansetzen.
Wie wir hierher gekommen sind
Frühe Experimente
Erste Prototypen für interne Projekte
Am Anfang haben wir nur für uns selbst entwickelt. Kleine Tools, die uns halfen, schneller mit verschiedenen ML-Frameworks zu experimentieren. Keine großartige Vision – einfach Pragmatismus.
Wachsende Community
Erste externe Entwickler steigen ein
Ein befreundeter Entwickler fragte, ob er unsere API für sein Nebenprojekt nutzen könnte. Dann kamen noch ein paar mehr. Plötzlich mussten wir über Dinge wie Rate-Limiting und faire Nutzungsrichtlinien nachdenken.
Professionalisierung
Aufbau stabiler Infrastruktur
Als wir merkten, dass Leute unsere APIs für produktive Systeme verwenden, wurde klar: Wir brauchen echte Server-Infrastruktur, Monitoring und Support. Der Übergang von Hobby-Projekt zu ernsthaftem Service war intensiv, aber notwendig.
Bildungsfokus
Start von strukturierten Lernprogrammen
Viele Anfragen kamen von Leuten, die zwar programmieren konnten, aber nicht wussten, wie man KI-APIs effektiv nutzt. Also haben wir angefangen, Workshops und Online-Kurse zu entwickeln. Die Nachfrage hat uns selbst überrascht.
Kontinuierliche Entwicklung
Laufende Verbesserungen basierend auf Feedback
Heute integrieren wir ständig neue Features, aber immer basierend auf echten Anforderungen aus der Community. Kein Feature wird hinzugefügt, nur weil es technisch möglich wäre – es muss echte Probleme lösen.
Wie wir an neue Herausforderungen herangehen
Technologie ändert sich schnell, und was heute funktioniert, kann morgen veraltet sein. Unser Ansatz ist deshalb weniger auf starre Prozesse als auf Anpassungsfähigkeit ausgelegt.
Zuerst verstehen, dann bauen
Bevor wir Code schreiben, verbringen wir Zeit damit, das eigentliche Problem zu verstehen. Manchmal stellt sich heraus, dass ein neues Feature gar nicht nötig ist – eine bessere Dokumentation reicht.
Kleine Schritte, regelmäßige Releases
Große Bang-Updates führen meistens zu großen Problemen. Wir bevorzugen inkrementelle Verbesserungen, die wir schnell ausrollen und bei Bedarf zurückrollen können. So bleiben Ausfallzeiten minimal.
Testen unter realen Bedingungen
Unit-Tests sind wichtig, aber sie zeigen nicht das ganze Bild. Wir simulieren echte Workloads und schauen, wie sich das System unter Druck verhält. Manchmal entdecken wir dabei Bottlenecks, die in der Theorie unsichtbar waren.
Transparent kommunizieren
Wenn etwas schiefgeht, sagen wir es. Unser Status-Dashboard zeigt Incidents in Echtzeit, und wir schreiben Postmortems, die erklären, was passiert ist und wie wir es verhindern wollen. Niemand mag unangenehme Überraschungen.
Bereit, mit uns zu arbeiten?
Wenn du nach APIs suchst, die zuverlässig funktionieren, oder mehr über unsere Bildungsprogramme erfahren willst, lass uns reden. Wir nehmen uns Zeit für Fragen und helfen gerne bei der Integration.