Manche Aufgaben verlangen, dass ein Mensch alles ansieht und nichts übersieht. Das schafft niemand eine ganze Schicht lang – und die Fehler, die durchrutschen, sind die teuren. Bildverarbeitungsmodelle halten diese Aufmerksamkeit unbegrenzt, und jede Korrektur des Prüfers wird zu einem Trainingslabel.
Wir haben das viermal in den Produktivbetrieb gebracht, in Umgebungen, die nichts gemeinsam haben: bei einem europäischen Edelstahlhersteller mit zwei Kilometern laufendem Metall, bei einer Fahrzeugflotte, die Schäden an Leasingrückläufern bewertet, bei einer Zollbehörde, die Waren an der Grenze kontrolliert, und bei einer Landespolizei, die illegale Inhalte in sichergestelltem Material aufspürt. Das Objekt ändert sich, die Wirtschaftlichkeit nicht.
Jedes dieser Projekte begann gleich. Jemand muss einen Strom von Dingen prüfen – Coils, Autos, Kisten, Dateien – und kann physisch nicht alles gründlich ansehen. Also wird stichprobenartig oder unter Zeitdruck geprüft, und das Unternehmen trägt die Folgen dessen, was durchrutscht.
Das ist kein Qualifikationsproblem, und genau daran scheitern solche Projekte meist: wenn man es wie eines behandelt. Es ist ein Aufmerksamkeitsproblem mit teurem Ende. Ein Fehler kostet Cent, wenn er an der Prüfstelle entdeckt wird, und Tausende, wenn er weiterwandert. Über einen Fehler, der in ein Coil eingewalzt ist, sind Tonnen Stahl gewickelt. Ein übersehener Kratzer bei der Leasingrückgabe wird zum Streit mit dem Kunden. Eine durchgewunkene Kiste beim Zoll ist ein Compliance-Verstoß.
Ein Bildverarbeitungsmodell verbessert nicht die Genauigkeit im Abstrakten. Es verwandelt die Aufgabe vom Beobachten ins Überprüfen – und Überprüfen können Menschen gut.
Bei einem europäischen Edelstahlhersteller ist ein fertiges Coil rund zwei Kilometer lang und anderthalb Meter breit. Ein Bediener beobachtet es im Durchlauf und markiert Oberflächenfehler – eine ganze Schicht lang.
Die Entscheidung, auf der das System beruht, ist die Position der Kameras. Sie hängen nicht am Platz des Bedieners, sondern fünf Minuten davor, gemessen an der Liniengeschwindigkeit. Dieser Vorsprung macht aus einer Erkennung etwas, auf das man noch reagieren kann, denn der Stahl, den das Modell gerade gesehen hat, ist noch nicht am Pult angekommen. Hängt man die Kameras ans Pult, hat man ein teures zweites Augenpaar gekauft, das nicht mehr Zeit zum Nachdenken hat als das erste.
Ein Auto kommt aus dem Leasing zurück, und jemand muss entscheiden, was die Schäden wert sind. Von Hand ist das langsam, von Gutachter zu Gutachter uneinheitlich und die Ursache der meisten Streitigkeiten danach – denn Kunde und Flotte sehen selten dasselbe Auto.
Die automatisierte Schadenbewertung anhand von Bildern senkte die Kosten dieses Prozesses um 80 %. Der Gewinn liegt nicht nur in der Geschwindigkeit: Ein Modell legt beim tausendsten Fahrzeug denselben Maßstab an wie beim ersten – und genau das macht eine Bewertung im Streitfall belastbar.
Der Zoll ist die reinste Form des Problems: Es kommen weit mehr Waren an, als geöffnet werden können. Kontrolle ist also immer eine Stichprobe, und die Frage ist nur, welche Kisten die Zeit des Beamten wert sind.
Bildverarbeitungsmodelle auf den Kontrollbildern senkten die Prüfzeit um 70 %. Diese Zahl ist eigentlich eine Aussage über die Zielauswahl: dieselben Beamten, gelenkt auf die Sendungen, bei denen sich das Öffnen lohnt.
Bei einer deutschen Landespolizei mussten Ermittler sichergestellte Datenträger von Hand nach illegalen Inhalten durchsuchen. Die Menge ist groß, die Arbeit belastend, und der Rückstau entscheidet darüber, wie schnell ein Verfahren vorankommt.
Das dafür entwickelte Erkennungsverfahren ist patentiert. Es zeigt zugleich am deutlichsten, warum solche Systeme vorsortieren und nicht entscheiden: Das Modell ordnet die Warteschlange, jede maßgebliche Entscheidung trifft ein Ermittler.
Vier Einsätze, vier Branchen, eine Fähigkeit – und in jedem Fall ist die messbare Veränderung dieselbe: Die Prüfenden mussten nicht mehr alles beobachten, sondern prüften, was das Modell bereits markiert hatte.
Das Muster lässt sich überall übertragen, wo jemand alles ansehen muss, ein Fehler jetzt billig und später teuer ist und die Prüfenden das Modell korrigieren können. Die folgenden Einsatzfelder haben wir nicht umgesetzt – dort greift aber derselbe Ansatz, und von dort kommen die meisten Anfragen, die wir erhalten.
Zwei Dinge entscheiden darüber, ob so ein Projekt funktioniert – und keines davon ist das Modell.
Das erste ist, wo die Kamera hängt und wie viel Zeit das verschafft. Eine Erkennung ohne Zeit zum Handeln ist ein Bericht, kein System. An der Stahllinie ergab sich das gesamte Design aus fünf Minuten; gibt Ihr Prozess nur fünf Sekunden her, sagen wir Ihnen das, bevor Sie Geld ausgeben.
Das zweite ist, ob die Menschen, die heute prüfen, das Modell morgen korrigieren. Dieser Korrekturkreislauf verhindert, dass solche Systeme im zweiten Jahr nachlassen. Wird die Prüfstelle gleichzeitig mit der Einführung des Modells abgebaut, enden die Labels – und mit ihnen die Genauigkeit.
Unser Gründungsteam hat alle vier Einsätze in einer leitenden Rolle bei einem globalen Technologiekonzern konzipiert und umgesetzt. Diese Erfahrung bringen wir in die Projekte von ProDataAI ein.
Sprechen wir darüber, was in Ihrem konkreten Umfeld möglich ist.
Gespräch vereinbaren →