9senses über künstliche Intelligenz
Was KI wirklich ist
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.
Wenn wir mit generativer KI neue Inhalte erstellen, schöpfen wir aus dem Wissen vergangener Generationen. Aber wer baut dieses Wissen für die nächste Generation wieder auf?
9senses-Analyse: Nur 16 von 129 untersuchten Herstellern und großen Händlern in der DACH-Region setzen auf KI-Chatbots im Kundenservice – mit großer Qualitätsstreuung
KI erspart uns die mühevolle Arbeit auf dem Weg zu intellektueller Kompetenz. Die Rechnung dafür bekommen wir in der Zukunft, wenn wir niemanden mehr finden, der die Experten von heute…
Große Sprachmodelle bewerten Dinge jedes Mal anders, wenn wir sie um Feedback bitten. Diese KI-Eigenart wird zur grundlegenden Herausforderung, wenn wir Ideen entwickeln und überprüfen wollen.
Halluzinationen treten nicht zufällig auf - sondern genau dort, wo man sie am wenigsten erkennen kann.
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."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
Es gibt verschiedene zentrale KI-Technologiefelder. Hier ist eine von vielen Möglichkeiten, sie zu gliedern:
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.
Bildverarbeitung
KI-gestützte Bildverarbeitung ermöglicht es, in Bildern oder Videos mit hoher Präzision Dinge zu erkennen, Veränderungen zu entdecken oder große Mengen zu zählen.
Robotik
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.
Egal welches KI-Feld man betrachtet, ob NLP, Computer Vision oder Robotik: Unter der Oberfläche arbeitet fast immer maschinelles Lernen. Modelle lernen aus historischen Daten und wenden das Gelernte auf Daten an, die sie noch nie gesehen haben. Oder, wie es Wikipedia formuliert: „Maschinelles Lernen ist ein Forschungsgebiet der künstlichen Intelligenz, das sich mit der Entwicklung statistischer Algorithmen befasst, die aus Daten lernen und auf unbekannte Daten verallgemeinern können und somit Aufgaben ohne explizite Anweisungen ausführen können.“
So funktioniert maschinelles Lernen
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.
01Mit Beispielen beginnen
Maschinelles Lernen beginnt mit Beispielen: Dokumenten, Fällen, Sensorwerten, Kundengesprächen oder Geschäftsereignissen. Entscheidend ist nicht die Menge allein, sondern ob die Daten die Entscheidungen abbilden, die das Modell später stützen soll – und ob sie den Aufwand für Erhebung und Bereinigung wert sind.
Kernkonzept
Überwachtes Lernen arbeitet mit beschrifteten Beispielen; unüberwachtes Lernen findet Struktur in unbeschrifteten Daten; bestärkendes Lernen verbessert sich durch Versuch und Irrtum mittels Rückmeldung.
In der Praxis
Um Maschinenausfälle vorherzusagen, werden Betriebsdaten mit erfassten Ausfällen verknüpft, damit das System Beispiele zum Lernen hat.
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
- Machine Learning
- Natural Language Processing
- Automatisierung
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.
- Machine Learning
- Bildverarbeitung
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.
- Machine Learning
- Bildverarbeitung
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.
- Machine Learning
- Bildverarbeitung
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.
- Machine Learning
- Bildverarbeitung
- Infrastructure Management
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.
- Machine Learning
- Natural Language Processing
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.
- Machine Learning
Es gibt kaum etwas Faszinierenderes, als sich mit Computern in ganz normaler Sprache zu unterhalten: Fragen zu stellen und sinnvolle Antworten zu erhalten. Über mehr als ein halbes Jahrhundert wurde das erwartet, aber erst vor wenigen Jahren waren die ersten großen Sprachmodelle (LLMs) soweit. Diese LLMs wie ChatGPT oder Gemini haben sich seither vom Forschungsmeilenstein zum Alltagswerkzeug entwickelt, von der Mitarbeiterunterstützung bis zu kundenseitigen Anwendungen.
So funktioniert NLP
Sprachverarbeitung verwandelt Text in Tokens, Vektoren und Wahrscheinlichkeiten. Ein Modell wird einmal durch Training aufgebaut und führt diesen Mechanismus dann bei jeder Anfrage live aus. Dieselbe Mechanik macht es nützlich und erklärt, warum Sprachlücken und Fehler bestehen bleiben.
01Text sammeln
Das Training beginnt mit großen Textsammlungen. Das Modell lernt die statistische Gestalt des Materials, das es sieht. Weil Korpora aus dem Web oft stark englischlastig sind, ist die Sprachabdeckung von Anfang an ungleich, sofern das Projekt nicht bewusst gegensteuert.
Hintergrund
NLP geht auf die 1950er-Jahre und die regelbasierte maschinelle Übersetzung zurück. In den 1990er- und 2000er-Jahren übernahmen statistische Verfahren; Deep Learning und große Sprachmodelle brachten den Durchbruch der 2010er-Jahre.
Achtung
Ein Modell reproduziert jede Unwahrheit und jede Verzerrung, die im Trainingsmaterial steckt – der Korpus bestimmt das Ergebnis.
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...RAG-Based Enterprise Knowledge Assistant
Designed RAG-based AI assistants that turn fragmented documents and expert knowledge into accessible, context-aware enterprise knowledge.
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.
- Natural Language Processing
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.
- Governance
- Natural Language Processing
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
- Machine Learning
- Natural Language Processing
- Automatisierung
Gerold designed and developed concepts and prototypes for RAG-based AI assistants that make fragmented organizational knowledge accessible through natural-language interaction.
The solutions combine internal documents, structured information and expert knowledge with Large Language Models, semantic search and retrieval-augmented generation. The focus is not only on the underlying technology, but on creating a reliable end-to-end solution: from identifying and structuring relevant knowledge sources to retrieval architecture, user experience, access concepts and governance.
The work demonstrates how Generative AI can transform static document repositories into practical knowledge systems that support employees in finding information faster, preserving expert knowledge and making better-informed decisions.
AI Strategy & Solution Design, Generative AI, LLMs, RAG, Prompt Design, Knowledge Management
- KI-Strategie
- Automatisierung
- Natural Language Processing
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.
- Machine Learning
- Natural Language Processing
So beeindruckend das Zusammenspiel von menschlichem Auge, Gehirn und Muskeln ist: Es hat sich darauf entwickelt, das Wichtige zu fokussieren und den Rest auszublenden. Maschinelles Sehen kennt diesen Filter nicht: Es prüft jeden Pixel mit derselben Aufmerksamkeit, Bild für Bild, rund um die Uhr. Es wird nie müde und arbeitet zuverlässig auch dort, wo es für Menschen gefährlich oder unzumutbar ist.
So funktioniert Bildverarbeitung
Bildverarbeitung wandelt visuelle Signale in numerische Daten um – ein Bild ist ein Zahlenraster –, extrahiert dann aufgabenrelevante Muster und erzeugt strukturierte Ausgaben wie Bezeichnungen, Positionen, Masken, Text, Messwerte oder Bewegung. Sie sieht nicht wie ein Mensch; sie schätzt Wahrscheinlichkeiten aus visuellen Hinweisen, die für einen bestimmten Zweck gelernt wurden.
01Die Szene vermessen
Bildverarbeitung beginnt mit einem Sensor: einer Kamera, einem Scanner, Mikroskop, Satelliten, Röntgengerät, einer Wärmebildkamera oder einem Tiefensensor. Objektiv, Blickwinkel, Belichtung, Auflösung und Bildrate bestimmen, welche Information ins System gelangt. Details, die nie erfasst wurden, lassen sich später nicht verlässlich rekonstruieren.
Hintergrund
Die frühe Bildverarbeitung begann in den 1960er- und 1970er-Jahren mit Programmen, die einfache Formen erkannten – und mit der optischen Zeichenerkennung (OCR) für maschinengeschriebene Dokumente als einer der ersten praktischen Anwendungen.
In der Praxis
Kamerawahl, Platzierung und Beleuchtung entscheiden oft über den Projekterfolg, bevor überhaupt ein Modell trainiert wird.
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.
Hinzu kommt, dass die Bildgenerierung völlig neue ethische und regulatorische Probleme aufwirft.
Referenzprojekte
International Process Digitalization in Facility Management
Transformation and standardization of international facility management processes through the introduction of scalable structures.
mehr...ERP/CRM Product Development & Process Digitalization
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.
- Machine Learning
- Bildverarbeitung
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.
- Machine Learning
- Bildverarbeitung
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.
- Machine Learning
- Bildverarbeitung
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.
- Machine Learning
- Bildverarbeitung
- Infrastructure Management
Von allen KI-Feldern ist die Robotik dasjenige, in dem Software Folgen in der physischen Welt hat: Sensordaten müssen in Echtzeit in sichere, präzise Bewegung übersetzt werden, und es gibt keine Rückgängig-Taste. Dieser Schritt vom Rechnen zum Handeln macht das Feld so anspruchsvoll und erklärt, warum der Fortschritt hier langsamer ist als bei rein digitaler KI.
So funktioniert Robotik
In der Robotik werden KI und Automatisierung physisch. Sensoren vermessen die Welt, Software schätzt, was geschieht, Steuerungen wählen sichere Bewegung, und Aktoren bewegen reale Objekte. Der Kreislauf funktioniert nur, wenn Sicherheit, Verifikation und Governance von Anfang an eingeplant sind.
Ein Fabrikroboter kann sehr leistungsfähig sein, weil die Roboterzelle bewusst eingeschränkt ist. Vorrichtungen, Koordinaten, Werkzeuge, Geschwindigkeitsgrenzen und Schutzbereiche reduzieren die Unsicherheit, bevor die Steuerung den Roboter überhaupt bewegt.
01Die physische Aufgabe definieren
Industrierobotik beginnt mit einer definierten Aufgabe: greifen, ablegen, schweißen, prüfen, schrauben, verpacken oder sortieren. Die Umgebung wird um die Aufgabe herum gestaltet, damit der Roboter nicht die ganze Welt verstehen muss. Werkstück, Vorrichtung, Werkzeug und erlaubte Bahn sind festgelegt, bevor die Automatisierung beginnt.
Hintergrund
Die ersten Industrieroboter kamen in den 1960er-Jahren für wiederkehrende Aufgaben wie Schweißen und Montage in die Produktion; Sensorik und Planung machten später aus starren Armen anpassungsfähige Systeme.
Kernkonzept
Robotik verbindet Mechanik, Elektronik und Software: Sensoren zum Wahrnehmen, Aktoren zum Handeln und eine Steuerung zum Koordinieren.
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 dieser unterschiedlichen KI-Ansätze ist entscheidend für die Gestaltung realer KI-Systeme. Jede Methode hat ihre eigenen Stärken und Grenzen, die bei der Wahl des richtigen Ansatzes für ein konkretes Problem sorgfältig abgewogen werden müssen.
Wenn Sie sehen möchten, wie wir diese Ansätze für Organisationen wie Ihre in die Praxis umsetzen, erfahren Sie hier, was wir Ihnen bieten können.