9senses über künstliche Intelligenz
Was ist KI überhaupt?
Als die meisten von uns bei 9senses begannen, sich mit Technologien zu befassen, die heute unter dem Begriff Künstliche Intelligenz laufen, hat kaum jemand diesen Begriff verwendet. Wir sprachen damals unter anderem von nicht-linearer Programmierung, Fuzzy Logic, Heuristik und Machine Learning.
Heute glauben viele, dass Künstliche Intelligenz einen Computer befähigt, menschlich zu sein oder zu werden. In Tat und Wahrheit ist Computer-Software nach wie vor meilenweit davon entfernt, im Ganzen die Fähigkeiten eines Menschen zu erlangen. In bestimmten Bereichen kann KI allerdings menschliche Fähigkeiten hervorragend simulieren und in einigen Bereichen sogar übertreffen.Dies betrifft vor allem Fälle, in denen große Datenmengen involviert sind. Wir möchten ein wenig Klarheit dazu schaffen, was KI wirklich kann. Auch wenn wir sie damit ein wenig entzaubern, ein wenig so wie damals Joseph Weizenbaum, der Erfinder von Eliza:
The 9senses Chatbot Audit evaluates the performance of your chatbot from a user perspective.
When we are using generative AI, to create new output we are exploiting knowledge previously generated by humans. But who is rebuilding knowledge for the next generation?
9senses-Analyse: Nur 16 von 129 untersuchten Herstellern und großen Händlern in der DACH-Region setzen auf KI-Chatbots im Kundenservice – mit großer Qualitätsstreuung
Large Language Models judge your work differently every time you ask. That is not just a quirk of the technology - it is a fundamental challenge to how we create,…
AI hallucinations aren't random - they cluster, systematically and predictably, in the topics you cannot independently verify.
Im Bereich der dialogorientierten KI dominiert die englische Sprache, was für andere Sprachen schwerwiegende strukturelle Folgen hat, die nur mit erheblichem Aufwand behoben werden können.
Renowned AI experts see a significant chance that AI could lead to the end of humanity. Is that a realistic prediction or doomsday talk? Short answer: it's not AI that's…"Mir war nicht bewusst, wie sehr eine kurze Exposition gegenüber einem recht einfachen Computerprogramm bei ganz normalen Menschen starke Wahnvorstellungen auslösen kann."
Joseph Weizenbaum (1923-2008), Entwickler von Eliza
Die Geschichte Künstlicher Intelligenz
Die Idee intelligenter Maschinen ist nicht neu. In der Literatur finden sich schon vor der Erfindung der Dampfmaschine sprechende und sich bewegende Automaten - und seit der Erfindung des Computers hoffen wir und fürchten wir, dass sie intelligenter als wir werden.
Literatur
Aber was ist künstliche Intelligenz denn nun wirklich? Wir haben zwei KI-Sprachmodelle nach ihrer Definition von KI gefragt und haben zwei sehr unterschiedliche Antworten erhalten. Lesen Sie hier, was KI über KI zu sagen hat.
Nachdem sich nicht einmal verschiedene KI-Systeme darüber einig sind, was sie sind, haben wir keine Hemmungen, unsere eigene Antwort zu geben. Wir bei 9senses definieren KI als "ein Computersystem, das in der Lage ist, auf ein bisher noch nie erlebtes Ereignis sinnvoll zu reagieren, basierend auf der Analyse von Daten vieler ähnlicher Ereignisse in der Vergangenheit." Diese Fähigkeit unterscheidet KI deutlich von traditioneller Rechnerlogik, bei der jedes Ereignis (oder jede Kombination von Ereignissen) nur eine definierte Reaktion hat. Wir halten uns ausdrücklich davon fern, Computer mit Menschen zu vergleichen, weil diese selbst mit modernster KI noch Lichtjahre davon entfernt sind, unsere Fähigkeiten in Gänze zu erreichen.
Kerntechnologien
There are various key AI technology areas, here is one of many ways to break them down:
Machine Learning
In großen Datenmengen Muster zu finden und daraus Schlüsse zu ziehen ist der Kern vieler heutiger KI-Systeme. Dazu liefert Machine Learning die statistischen Kernmethoden.
Natural Language Processing
Erst seit kurzem ist künstliche Intelligenz in der Lage, menschliche Sprache zu verstehen und zu sprechen. Dies macht Vieles möglich, gerade im Kundenkontakt.
Computer Vision
KI-gestützte Bildverarbeitung ermöglicht es, in Bildern oder Videos mit hoher Präzision Dinge zu erkennen, Veränderungen zu entdecken oder große Mengen zu zählen.
Robotics
Ein Schlüsselfeld der KI ist die Entwicklung autonomer, ineinandergreifender Systeme, die zum Beispiel selbständig ein Fahrzeug lenken können. Hier sind die Fähigkeiten aber noch begrenzt.
Whichever AI field you look at, whether NLP, Computer Vision or Robotics, it is usually Machine Learning doing the actual work underneath: models learn from historical data and apply what they have learned to data they have never seen before. Or, as Wikipedia puts it: "Machine Learning is a field of study in artificial intelligence concerned with the development of statistical algorithms that can learn from data and generalize to unseen data; and thus perform tasks without explicit instructions."
How machine learning works
Machine Learning bildet nicht einen statischen Programmablauf ab, sondern findet Muster in Daten. Diese werden dann in ein Modell überführt und auf neue Situationen angewandt.
01Start with examples
Machine learning starts with examples: documents, cases, sensor values, customer conversations or business events. The decisive question is not quantity alone, but whether the data represents the decisions the model should later support — and whether it is worth the cost of collecting and cleaning it.
Key concept
Supervised learning works from labeled examples; unsupervised learning finds structure in unlabeled data; reinforcement learning improves by trial and error through feedback.
In practice
To predict machine failures, operational data is matched with recorded failures so the system has examples to learn from.
Herausforderungen
Maschinelles Lernen hat wichtige Einschränkungen. Es hängt stark von der Qualität und Quantität der zugrunde liegenden Daten ab, um die relevanten statistischen Muster zu finden. Schlechte Daten führen zu falschen Ergebnissen.
Da maschinelles Lernen – wie alle KI-Systeme – den Kontext auf abstrakter Ebene nicht wirklich versteht, benötigt es während des Trainings und der Überprüfungen klare Vorgaben, oft in Verbindung mit zusätzlichen, von Menschen festgelegten Grenzen.
Dies wird besonders schwierig, wenn das Modell selbst intransparent ist und zu einer „Black Box“ wird, bei der unklar bleibt, welche Muster die Entscheidungen des ML beeinflussen. Daher ist eine sorgfältige Governance unerlässlich, insbesondere in Bereichen mit hoher Tragweite.
Referenzprojekte
Intelligenter Datenabruf-Agent
Ein produktionsreifes KI-Abfragesystem, das mithilfe von LLMs und semantischer Suche fragmentierte Daten in zuverlässiges, durchsuchbares Wissen umwandelt.
mehr...Visuelle Suchempfehlungen
E-Commerce-Plugin, das die Suche nach visuell ähnlichen Produkten ermöglicht und Kunden dabei hilft, mehrere Artikel zu finden und zu vergleichen, die in Farbe und Stil miteinander verwandt sind.
mehr...Visuelles Assistenzsystem für Senioren
App für visuelle Unterstützung: Ermöglicht visuelle Unterstützung für Senioren, indem sie mithilfe von Computer Vision und Deep Learning bei der Positionsbestimmung hilft.
mehr...Elektrischer Schaltermonitor
Öffentliche Verkehrsmittel: Einsatz KI-gesteuerter Bildverarbeitung, um altmodische elektrische Relais zu überwachen und auch potenzielle Ausfälle für die vorausschauende Wartung zu bewerten.
mehr...Wasserkraftwerk Operations
Wasserkraftwerke: Erstellung einer Steuerungs- und Überwachungslösung für alle Anlagenoperationen, einschließlich vorausschauender Wartung und Eindringlingsüberwachung.
mehr...Kundeninteraktionsanalyse
SaaS-Projektplattform: Das Ziel war es, die Dialogqualität mithilfe eines KI-Modells zu bewerten, um rechtzeitige Interventionen und Kundenbetreuung zu gewährleisten.
mehr...Bewegungsempfindliche Wearables
Tragbare Geräte auf Textilbasis mit integrierten Mikrocontrollern und Sensoren zur Erfassung von Bewegung, Herzschlag, Körpertemperatur und Schweiß.
mehr...Entwicklung eines serienreifen Abruf-Agenten zur Abfrage großer, fragmentierter und undokumentierter Unternehmensdatenbestände unter Verwendung großer Sprachmodelle und semantischer Suche. Die Lösung wandelte verstreute Altdaten in strukturiertes, durchsuchbares Wissen um und ermöglichte es den Nutzern, relevante Informationen innerhalb von Sekunden abzurufen, anstatt Hunderte von Dokumenten manuell durchsuchen zu müssen.
Das Projekt kombinierte die „Retrieval-Augmented Generation“ (RAG), die Vektorsuche und moderne LLM-Technologien, um eine zuverlässige, kontextbezogene Informationsgewinnung zu ermöglichen. Das System basiert auf einer modularen Architektur und unterstützt Skalierbarkeit, Wartbarkeit und zukünftige Erweiterungen, während es gleichzeitig eine robuste Suchqualität über heterogene Datenquellen hinweg gewährleistet.
AI Engineer
Python • LangChain • OpenAI • Qdrant • Semantic Search • RAG • Streamlit
Bei VisualSearch lag der Schwerpunkt auf der Entwicklung und Bereitstellung von E-Commerce-Plugins zur Verbesserung der Empfehlungsfunktionen in Online-Shops. Die Plugins wurden erfolgreich im Shop eingeführt und von den Kunden positiv angenommen, was ihren praktischen Nutzen für die Verbesserung des E-Commerce-Erlebnisses unter Beweis stellte. Zu den wichtigsten Elementen gehörten:
- die Berechnung visueller Einbettungen anhand des Erscheinungsbilds von E-Commerce-Produkten
- der Aufbau und die Pflege eines Suchindexes unter Verwendung dieser Einbettungen
- die Bereitstellung einer cloudbasierten API für Shopware- und Prestashop-Plugins
Peter fungierte bei diesem Projekt als Projektleiter und leitender Datenwissenschaftler und nutzte dabei AWS-Dienste, Python sowie Deep-Learning-Frameworks wie Keras. Im Rahmen des Projekts wurden cloudbasierte Lösungen unter Verwendung von CloudFormation, Lambda und Gateway für eine skalierbare und effiziente Bereitstellung integriert, wobei SQL und DynamoDB für die Datenverwaltung zum Einsatz kamen.
Für das Austrian Institute of Technology (im Rahmen des nationalen Forschungsprojekts LARAH) wurde ein Prototyp eines Assistenzsystems zur visuellen Ortung in Innenräumen für Menschen mit Behinderung und ältere Menschen entwickelt. Durch den Einsatz von Computer Vision und Deep Learning wurden innovative Algorithmen zur Positionsbestimmung implementiert. Das Projekt führte zu einem funktionsfähigen Prototyp, der zwei Android-Anwendungen zur Echtzeit-Ortung umfasst. Zu den wichtigsten Elementen gehörten:
- Visuelle Personenerkennung mithilfe von Deep-Learning-Modellen
- Visuelle Rekonstruktion und Lokalisierung von Innenräumen mithilfe von „Structure-from-Motion“- und Machine-Learning-Algorithmen
Peter fungierte bei diesem Projekt als Projektleiter und leitender Datenwissenschaftler. Das Projekt wurde in Python unter Verwendung von Deep-Learning-Modellen wie TensorFlow, einer eigens entwickelten „Structure-from-Motion“-Software sowie einer maßgeschneiderten Software zur Kamerakalibrierung umgesetzt. Darüber hinaus wurden im Rahmen des Projekts zwei Android-Apps angepasst und gemeinsam in das Robot Operating System auf der mobilen Plattform integriert.
Für ein öffentliches Verkehrsnetz bestand das Ziel darin, die Überwachung der veralteten Schaltanlagen zu optimieren. Diese bereits jahrzehntealten Anlagen, die sich oft in sehr abgelegenen Gebieten befinden, sind störanfällig, und eine Fehlerverfolgung war bisher nicht möglich. Das Ziel war es, eine Echtzeit-Überwachung zu ermöglichen und drohende Ausfälle anhand von Veränderungen im Schaltverhalten zu erkennen. Die Schlüsselelemente waren:
- - Entwicklung einer spezifischen Hardware-Konfiguration mit maßgeschneiderten Gehäusen (3D-gedruckt) zur Montage anstelle der üblichen Schalttafelabdeckungen
- - Kamerasteuerung und Erzeugung des Startbildes auf dem Raspberry Pi, integriert in das Gehäuse
- - Erste Überprüfung der Schalteranordnung und Beschriftungen
- - Erfassung von Umschaltvorgängen und Registrierung neuer Positionen
- - Erkennung unregelmäßiger Schaltmuster (Verzögerungen, sonstige Unregelmäßigkeiten) zur Vorhersage bevorstehender Ausfälle im Rahmen der vorausschauenden Instandhaltung
- - Aktualisierung der zentralen Datenbank und der Cloud-Lösung mit dem aktuellen Stand und den beobachteten Schaltmustern
Die Lösung wurde mit Python auf Raspberry-Pi-Geräten implementiert; die Backbone- und Cloud-Verarbeitung erfolgte mithilfe eines LAMP-Stacks unter Verwendung von PyTorch, TensorFlow und OpenCV.
Entwicklung einer integrierten Überwachungs- und Kontrolllösung für kleine Wasserkraftwerke in abgelegenen Gebieten. Die Lösung umfasste alle erforderlichen Funktionen:
- - Echtzeit-Überwachung und -Protokollierung von Vorgängen
- - Fehlererkennung und automatisierte Logik
- zur vorausschauenden Instandhaltung zur Früherkennung von Ausfällen
- - Kameragestützte Erkennung von unbefugtem Betreten und Unregelmäßigkeiten
Die Lösung bestand aus einem Hybridansatz unter Verwendung von Siemens-SPSen in Kombination mit kleinen Edge-Computing-Elementen (Raspberry Pi und Arduino). Die gesamte primäre Logik (insbesondere Abschaltung und Lastanpassung) erfolgte lokal, während wichtige Entscheidungen und Aggregationen online auf der Grundlage regelmäßiger Datenübertragungen an eine cloudbasierte Management- und Betriebssuite ausgeführt wurden.
Für eine SaaS-Lösung im Bereich Projektmanagement, bei der Kunden mit Freiberuflern zusammengebracht wurden, wurde eine maßgeschneiderte KI-Lösung entwickelt, um die Nutzererfahrung für alle Beteiligten zu verbessern. Zu den wichtigsten Zielen gehörte die Einrichtung eines Frühwarnsystems, das dem Kundenservice im Falle von Problemen ein rechtzeitiges Eingreifen ermöglicht:
- - Erkennung ungewöhnlicher Muster (Verzögerungen, die auf Untätigkeit hindeuten, intensive Wortwechsel)
- - Kennzeichnung von sprachlichen Verstößen auf beiden Seiten (Verwendung unangemessener Sprache, Aggression)
- - Abgleich der Endbewertungen mit der Beurteilung der Sprachfluss- und Dialogqualität zur Förderung einer ehrlicheren Bewertungskultur
- - Anpassung des Sprachstils zur Verbesserung der zukünftigen Vermittlung von Freiberuflern an Kunden
Die Lösung wurde mit Python auf einem LAMP-Stack unter Verwendung selbst entwickelter Machine-Learning-Bibliotheken implementiert.
Auf Arduino basierend, mit Edge-ML-Funktionalität und regelmäßiger Verbindung über BLE zum verbundenen Smartphone. Algorithmen für maschinelles Lernen in der Cloud erkennen verschiedene Gesundheitszustände und senden Benachrichtigungen an das Smartphone oder die Web-App. Die gesamte Elektronik ist in ein Armband aus Baumwollstoff integriert.
There is nothing more fascinating than being able to converse with computers in normal language: asking questions and receiving meaningful answers. Expected for more than half a century, this only became realistically possible a few years ago with the arrival of the first large language models. These LLMs, like ChatGPT or Gemini, have since moved from research milestone to everyday business tool, from employee support to kundenseitige Anwendungen einzusetzen.
How NLP works
Natural language processing turns text into tokens, vectors and probabilities. A model is built once through training, then runs that mechanism live on every request. The same machinery makes it useful and explains why language gaps and errors remain.
01Collect text
Training begins with large text collections. The model learns the statistical shape of the material it sees. Because web-scale corpora are often English-heavy, language coverage is uneven from the start unless the project deliberately compensates for it.
Background
NLP goes back to the 1950s and rule-based machine translation. Statistical methods took over in the 1990s and 2000s; deep learning and large language models brought the breakthrough of the 2010s.
Watch out
A model reproduces any falsehood or bias present in the material it was trained on — the corpus is destiny.
Herausforderungen
So „menschlich“ NLP-Systeme auch klingen mögen, sie unterliegen systembedingten Einschränkungen. Sie können ohne Probleme flüssige, aber faktisch falsche oder irreführende Informationen erzeugen. Hinzu kommt, dass sie alle Fehler oder Verzerrungen (Bias) aus den zugrunde liegenden Daten reproduzieren.
Da sie ausschließlich auf der Basis von statistischen Mustern arbeiten und nur ein begrenztes kontextuelles Verständnis besitzen, haben NLPs immer mal wieder Schwierigkeiten, logische Konsistenz zu erzeugen. Zudem hängen sie vollständig von den während des Trainings sowie durch Feedback bereitgestellten Informationen ab – was insbesondere bei großen offenen Modellen problematisch sein kann.
Sehr oft wird der Aufwand unterschätzt, den es braucht, um Sprachmodelle für spezifische Anwendungen zu trainieren. Dies erfordert erhebliche Ressourcen und muss sich auch mit Fragen zu Datenschutz, Fehlinformationen und Missbrauch auseinandersetzen. Kontinuierliche Prüfung und Überwachung sind unerlässlich.
Referenzprojekte
RAG-driven Legal Chatbot
Ein kleines bis mittelgroßes Sprachmodell zur Beantwortung von deutschen Rechtsfragen basierend auf einer starken RAG-Pipeline.
mehr...Generative AI Audit Framework
Entwicklung von strukturierten Audit-Verfahren für generative KI, mit Methodenentwicklung für Level 1 und Level 2 GenAI-Audits.
mehr...Intelligenter Datenabruf-Agent
Ein produktionsreifes KI-Abfragesystem, das mithilfe von LLMs und semantischer Suche fragmentierte Daten in zuverlässiges, durchsuchbares Wissen umwandelt.
mehr...Kundeninteraktionsanalyse
SaaS-Projektplattform: Das Ziel war es, die Dialogqualität mithilfe eines KI-Modells zu bewerten, um rechtzeitige Interventionen und Kundenbetreuung zu gewährleisten.
mehr...Ein KI-gestützter RAG-Chatbot, der für rechtliche und administrative Arbeitsabläufe entwickelt wurde. Das System wurde konzipiert, um Sachbearbeiter bei der Navigation durch komplexe Vorschriften zu unterstützen – derzeit mit Schwerpunkt auf dem deutschen Sozialrecht – und bietet schnellen, kontextbezogenen Zugriff auf relevante Rechtsinformationen sowie Unterstützung bei der Entscheidungsfindung im Zusammenhang mit Anträgen und der Fallbearbeitung. Die modulare Architektur ermöglicht eine nahtlose Erweiterung auf weitere Rechtsbereiche und regulatorische Rahmenbedingungen.
Entwicklung eines mehrdimensionalen „Blackbox“-Chatbot-Audit-Rahmenwerks zur Bewertung der Benutzererfahrung und des geschäftlichen Nutzens von Chatbots im Kundenservice. Die Audit-Methodik kombiniert strukturierte Use-Case-Tests mit qualitativen und quantitativen Bewertungsdimensionen, darunter Antwortqualität, Reaktionsgeschwindigkeit, Dialogqualität und Bewertung der Benutzeroberfläche.
Das Framework umfasst zudem Halluzinationstests und die Analyse von Randfällen, um die Robustheit und die Praxistauglichkeit zu bewerten. Das Projekt umfasste umfangreiche Markt- und Nutzerfrustrationsstudien, die Entwicklung von Methodiken, eine Pilotimplementierung sowie iterative Test- und Nachprüfungsphasen. Das daraus resultierende Audit-Rahmenwerk dient dazu, die Leistung von Chatbots zu bewerten, Optimierungspotenziale zu identifizieren sowie die Wahrscheinlichkeit der Nutzerbindung und die allgemeinen geschäftlichen Auswirkungen zu beurteilen.
Entwicklung eines serienreifen Abruf-Agenten zur Abfrage großer, fragmentierter und undokumentierter Unternehmensdatenbestände unter Verwendung großer Sprachmodelle und semantischer Suche. Die Lösung wandelte verstreute Altdaten in strukturiertes, durchsuchbares Wissen um und ermöglichte es den Nutzern, relevante Informationen innerhalb von Sekunden abzurufen, anstatt Hunderte von Dokumenten manuell durchsuchen zu müssen.
Das Projekt kombinierte die „Retrieval-Augmented Generation“ (RAG), die Vektorsuche und moderne LLM-Technologien, um eine zuverlässige, kontextbezogene Informationsgewinnung zu ermöglichen. Das System basiert auf einer modularen Architektur und unterstützt Skalierbarkeit, Wartbarkeit und zukünftige Erweiterungen, während es gleichzeitig eine robuste Suchqualität über heterogene Datenquellen hinweg gewährleistet.
AI Engineer
Python • LangChain • OpenAI • Qdrant • Semantic Search • RAG • Streamlit
Für eine SaaS-Lösung im Bereich Projektmanagement, bei der Kunden mit Freiberuflern zusammengebracht wurden, wurde eine maßgeschneiderte KI-Lösung entwickelt, um die Nutzererfahrung für alle Beteiligten zu verbessern. Zu den wichtigsten Zielen gehörte die Einrichtung eines Frühwarnsystems, das dem Kundenservice im Falle von Problemen ein rechtzeitiges Eingreifen ermöglicht:
- - Erkennung ungewöhnlicher Muster (Verzögerungen, die auf Untätigkeit hindeuten, intensive Wortwechsel)
- - Kennzeichnung von sprachlichen Verstößen auf beiden Seiten (Verwendung unangemessener Sprache, Aggression)
- - Abgleich der Endbewertungen mit der Beurteilung der Sprachfluss- und Dialogqualität zur Förderung einer ehrlicheren Bewertungskultur
- - Anpassung des Sprachstils zur Verbesserung der zukünftigen Vermittlung von Freiberuflern an Kunden
Die Lösung wurde mit Python auf einem LAMP-Stack unter Verwendung selbst entwickelter Machine-Learning-Bibliotheken implementiert.
As formidable as the interplay of the human eye, brain and muscles is, it evolved to focus on what matters and filter out the rest. Machine vision has no such filter: it inspects every pixel with the same attention, frame after frame, around the clock. It never gets tired, and it works reliably in environments where humans are unsafe or uncomfortable.
How computer vision works
Computer vision turns visual signals into numerical data — an image is a grid of numbers — then extracts task-relevant patterns and produces structured outputs such as labels, locations, masks, text, measurements or motion. It does not see as a person does; it estimates probabilities from visual evidence learned for a specific purpose.
01Measure the scene
Computer vision begins with a sensor: a camera, scanner, microscope, satellite, X-ray device, thermal imager or depth sensor. Lens, viewpoint, exposure, resolution and frame rate determine which evidence enters the system. Detail that was never captured cannot be reconstructed reliably later.
Background
Early computer vision began in the 1960s and 1970s with programs recognizing simple shapes — and with optical character recognition (OCR) for typed documents as one of the first practical uses.
In practice
Camera choice, placement and lighting often decide project success before any model is trained.
Herausforderungen
Obwohl ihre Fähigkeiten oft die menschliche Leistung übertreffen, haben Computer-Vision-Systeme ihre Grenzen. Sie haben Schwierigkeiten mit unbekannten Informationen, ungewohnten Bedingungen oder sich überlappenden Objekten. Ebenso können sie zwar selbst kleinste Veränderungen erkennen, aber es fällt ihnen immer noch schwer, zu erkennen, was relevant ist und was nicht.
Ein weiteres Problem ist die Voreingenommenheit, beispielsweise bei der Gesichtserkennung. Aufgrund einseitiger Trainingsdaten variiert ihre Genauigkeit häufig zwischen verschiedenen ethnischen Gruppen. Und letztendlich „erkennen“ sie keine Objekte, sondern nur statistische Muster. Dies kann zu gefährlichen Fehlern führen. Wie bei allen Tools sind eine sorgfältige Überwachung und Steuerung erforderlich.
Additionally, the challenges emerging from image generation create entirely new ethical and regulatory problems.
Referenzprojekte
Facility Management Process Digitalization
Transformation and standardization of international facility management processes through the introduction of scalable structures.
mehr...ERP/CRM Product Development
Development and implementation of a modular ERP/CRM system to digitalize central business processes.
mehr...Visuelle Suchempfehlungen
E-Commerce-Plugin, das die Suche nach visuell ähnlichen Produkten ermöglicht und Kunden dabei hilft, mehrere Artikel zu finden und zu vergleichen, die in Farbe und Stil miteinander verwandt sind.
mehr...Visuelles Assistenzsystem für Senioren
App für visuelle Unterstützung: Ermöglicht visuelle Unterstützung für Senioren, indem sie mithilfe von Computer Vision und Deep Learning bei der Positionsbestimmung hilft.
mehr...Elektrischer Schaltermonitor
Öffentliche Verkehrsmittel: Einsatz KI-gesteuerter Bildverarbeitung, um altmodische elektrische Relais zu überwachen und auch potenzielle Ausfälle für die vorausschauende Wartung zu bewerten.
mehr...Wasserkraftwerk Operations
Wasserkraftwerke: Erstellung einer Steuerungs- und Überwachungslösung für alle Anlagenoperationen, einschließlich vorausschauender Wartung und Eindringlingsüberwachung.
mehr...Supported the transformation and standardization of international facility management processes by designing scalable end-to-end process and service structures.
The project included gathering and harmonizing requirements across multiple country organizations, translating business needs into digital process and system solutions, and coordinating international rollouts including SIT, UAT, training, and change management.
Consistent process modeling and documentation using BPMN 2.0 and SAP Signavio helped establish sustainable governance, transparency, and operational efficiency.
SAP Signavio, BPMN 2.0, ERP Systems, Digital Workflow Platforms, Interface Integration, SIT/UAT, Requirements Management
- Bildverarbeitung
- Automatisierung
- Infrastructure Management
- Mensch-Maschine-Interaktion
Led the development and implementation of a modular ERP/CRM system to digitalize central business processes.
The project included end-to-end product ownership, requirements analysis, prioritization, and scaling of the system, including mobile solutions and extensions.
Responsibilities also covered the management of cross-functional development teams, the establishment of testing, quality, and operations processes, and the introduction of ITIL-based change and incident structures. Governance, KPI, PMO, and documentation standards were developed to support sustainable product and project management, while product strategy and stakeholder alignment were managed at leadership level.
ERP/CRM Systems, Mobile Solutions, Agile Product Development, Requirements Management, UAT, ITIL, Change & Incident Management, KPI/PMO Structures, Stakeholder Management
- Bildverarbeitung
- Automatisierung
- Infrastructure Management
- Data Warehouse
- Mensch-Maschine-Interaktion
Bei VisualSearch lag der Schwerpunkt auf der Entwicklung und Bereitstellung von E-Commerce-Plugins zur Verbesserung der Empfehlungsfunktionen in Online-Shops. Die Plugins wurden erfolgreich im Shop eingeführt und von den Kunden positiv angenommen, was ihren praktischen Nutzen für die Verbesserung des E-Commerce-Erlebnisses unter Beweis stellte. Zu den wichtigsten Elementen gehörten:
- die Berechnung visueller Einbettungen anhand des Erscheinungsbilds von E-Commerce-Produkten
- der Aufbau und die Pflege eines Suchindexes unter Verwendung dieser Einbettungen
- die Bereitstellung einer cloudbasierten API für Shopware- und Prestashop-Plugins
Peter fungierte bei diesem Projekt als Projektleiter und leitender Datenwissenschaftler und nutzte dabei AWS-Dienste, Python sowie Deep-Learning-Frameworks wie Keras. Im Rahmen des Projekts wurden cloudbasierte Lösungen unter Verwendung von CloudFormation, Lambda und Gateway für eine skalierbare und effiziente Bereitstellung integriert, wobei SQL und DynamoDB für die Datenverwaltung zum Einsatz kamen.
Für das Austrian Institute of Technology (im Rahmen des nationalen Forschungsprojekts LARAH) wurde ein Prototyp eines Assistenzsystems zur visuellen Ortung in Innenräumen für Menschen mit Behinderung und ältere Menschen entwickelt. Durch den Einsatz von Computer Vision und Deep Learning wurden innovative Algorithmen zur Positionsbestimmung implementiert. Das Projekt führte zu einem funktionsfähigen Prototyp, der zwei Android-Anwendungen zur Echtzeit-Ortung umfasst. Zu den wichtigsten Elementen gehörten:
- Visuelle Personenerkennung mithilfe von Deep-Learning-Modellen
- Visuelle Rekonstruktion und Lokalisierung von Innenräumen mithilfe von „Structure-from-Motion“- und Machine-Learning-Algorithmen
Peter fungierte bei diesem Projekt als Projektleiter und leitender Datenwissenschaftler. Das Projekt wurde in Python unter Verwendung von Deep-Learning-Modellen wie TensorFlow, einer eigens entwickelten „Structure-from-Motion“-Software sowie einer maßgeschneiderten Software zur Kamerakalibrierung umgesetzt. Darüber hinaus wurden im Rahmen des Projekts zwei Android-Apps angepasst und gemeinsam in das Robot Operating System auf der mobilen Plattform integriert.
Für ein öffentliches Verkehrsnetz bestand das Ziel darin, die Überwachung der veralteten Schaltanlagen zu optimieren. Diese bereits jahrzehntealten Anlagen, die sich oft in sehr abgelegenen Gebieten befinden, sind störanfällig, und eine Fehlerverfolgung war bisher nicht möglich. Das Ziel war es, eine Echtzeit-Überwachung zu ermöglichen und drohende Ausfälle anhand von Veränderungen im Schaltverhalten zu erkennen. Die Schlüsselelemente waren:
- - Entwicklung einer spezifischen Hardware-Konfiguration mit maßgeschneiderten Gehäusen (3D-gedruckt) zur Montage anstelle der üblichen Schalttafelabdeckungen
- - Kamerasteuerung und Erzeugung des Startbildes auf dem Raspberry Pi, integriert in das Gehäuse
- - Erste Überprüfung der Schalteranordnung und Beschriftungen
- - Erfassung von Umschaltvorgängen und Registrierung neuer Positionen
- - Erkennung unregelmäßiger Schaltmuster (Verzögerungen, sonstige Unregelmäßigkeiten) zur Vorhersage bevorstehender Ausfälle im Rahmen der vorausschauenden Instandhaltung
- - Aktualisierung der zentralen Datenbank und der Cloud-Lösung mit dem aktuellen Stand und den beobachteten Schaltmustern
Die Lösung wurde mit Python auf Raspberry-Pi-Geräten implementiert; die Backbone- und Cloud-Verarbeitung erfolgte mithilfe eines LAMP-Stacks unter Verwendung von PyTorch, TensorFlow und OpenCV.
Entwicklung einer integrierten Überwachungs- und Kontrolllösung für kleine Wasserkraftwerke in abgelegenen Gebieten. Die Lösung umfasste alle erforderlichen Funktionen:
- - Echtzeit-Überwachung und -Protokollierung von Vorgängen
- - Fehlererkennung und automatisierte Logik
- zur vorausschauenden Instandhaltung zur Früherkennung von Ausfällen
- - Kameragestützte Erkennung von unbefugtem Betreten und Unregelmäßigkeiten
Die Lösung bestand aus einem Hybridansatz unter Verwendung von Siemens-SPSen in Kombination mit kleinen Edge-Computing-Elementen (Raspberry Pi und Arduino). Die gesamte primäre Logik (insbesondere Abschaltung und Lastanpassung) erfolgte lokal, während wichtige Entscheidungen und Aggregationen online auf der Grundlage regelmäßiger Datenübertragungen an eine cloudbasierte Management- und Betriebssuite ausgeführt wurden.
Of all AI fields, robotics is the one where software has consequences in the physical world: sensor data has to be turned into safe, precise motion in real time, and there is no undo button. That step from calculating to acting is what makes the field so demanding, and why progress here is slower than in purely digital AI.
How robotics works
Robotics is where AI and automation become physical. Sensors measure the world, software estimates what is happening, controllers choose safe movement, and actuators move real objects. The loop only works when safety, verification and governance are designed into the system.
A factory robot can be highly capable because the workcell is deliberately constrained. Fixtures, coordinates, tools, speed limits and safety zones reduce uncertainty before the controller starts to move.
01Define the physical job
Industrial robotics begins with a defined task: pick, place, weld, inspect, screw, pack or sort. The environment is engineered around the task, so the robot does not have to understand the whole world. Workpiece, fixture, tool and allowed path are specified before automation begins.
Background
The first industrial robots joined production lines in the 1960s for repetitive tasks such as welding and assembly; sensing and planning later turned fixed arms into adaptive systems.
Key concept
Robotics combines mechanics, electronics and software: sensors to perceive, actuators to act and a control system to coordinate.
Herausforderungen
Die Robotik, insbesondere wenn es um Roboter geht, die sich in einem offenen Raum wie einer Straße oder einem Gelände bewegen, ist nach wie vor ein sehr schwieriges Gebiet, das erhebliche Sensorik- und Rechenleistung erfordert. Ein autonomes Auto unter allen Bedingungen wie unter einem menschlichen Fahrer fahren zu lassen, ist nach wie vor eine große und kostspielige Herausforderung. Und die Entwicklung humanoider Roboter, die laufen und ihre „Hände” geschickt einsetzen können, ist noch weit davon entfernt, die Fähigkeiten eines kleinen Kindes zu erreichen, wenn es darum geht, sensorische Eingaben zu verarbeiten und in flüssige und nahtlose Bewegungen umzusetzen.
Roboter erfordern außerdem einen erheblichen technischen Aufwand, Wartungsarbeiten und Sicherheitsvorkehrungen. Die Lebensdauer der Batterien, mechanischer Verschleiß und Systemausfälle können die Leistung beeinträchtigen und ein Risiko für Personen- und Sachschäden darstellen. Darüber hinaus bleiben ethische und wirtschaftliche Fragen – wie zum Beispiel der Verlust von Arbeitsplätzen und die Sicherheit – wichtige Aspekte, die im Zuge der Weiterentwicklung berücksichtigt werden müssen.
Das Verständnis für die verschiedenen Ansätze ist Voraussetzung für die Einführung von erfolgreichen KI-Systemen. In jedem Bereich hat KI klare Vor- und Nachteile, die sorgfältig bedacht und bei der Entscheidung über den Lösungsweg berücksichtigt werden müssen.
If you want to see how we put these approaches to work, move to what we can do for you.