Abgegrenzter Auftrag
Eine definierte Entscheidung oder ein Arbeitsablauf mit Vergleichsbasis, repräsentativem Testsatz und vereinbarten Erfolgs- und Abbruchkriterien.
Leistung
KI- und ML-Pilot für konkrete Anwendungen
Ein abgegrenzter, systemunabhängiger Pilot für Computer Vision, Sensor- und Zeitreihenanalyse, Wissensabruf, Dokumentenextraktion, Klassifizierung, Prognosen oder Entscheidungsunterstützung. Ausgangspunkt sind der reale Ablauf und eine Vergleichsbasis. Danach prüfe ich Qualität, Fehlerbilder, Zuständigkeit und Integration.
Wann sinnvoll Ein konkreter KI-/ML-Anwendungsfall soll sich mit echten Daten und im täglichen Arbeitsablauf bewähren.
Mein Beitrag Ich definiere Entscheidung und Vergleichsbasis, bereite Testfälle vor, entwickle oder koordiniere einen fokussierten Prototyp und dokumentiere Bewertung, Leitplanken, Grenzen und Integrationsweg.
Sie erhalten Funktionsfähiger Pilot, repräsentativer Testsatz, Bewertungsergebnisse, Übersicht der Fehlerbilder, Leitplanken, Integrationsempfehlung und eine klare Entscheidung: produktionsreif machen, integrieren oder stoppen.
Ihr Arbeitspaket
Was wir vor dem Start vereinbaren
So wird das Ergebnis abgenommen
Die vereinbarte Bewertung wird gegen die Vergleichsbasis durchgeführt. Schwierige Fälle und Fehlerbilder bleiben sichtbar; Fortführung, engerer Zuschnitt oder Abbruch werden begründet. Auch ein negatives Ergebnis kann den Pilotauftrag erfüllen.
Produktivsetzung und weitere Betreuung
Sie erhalten einen bewerteten Piloten, keine automatische Produktivfreigabe. Absicherung, Live-Integration, Betriebsüberwachung und Betreuung werden nach Prüfung der Ergebnisse separat vereinbart.
Ausgangslage
Typische Situationen
Die Leistung ist sinnvoll, wenn sich das Thema anhand realer Systeme, Berichte, Datenbeispiele oder täglicher Abläufe konkret prüfen lässt.
Normale Pumpenzyklen von kleinen Leckmustern in Wasserdruckdaten unterscheiden
Beschriftete Druckverläufe zeigen, wie normaler Verbrauch und Pumpenstarts aussehen. Der Pilot misst, ob kleinere anhaltende Abweichungen früh erkannt werden, ohne eine unbrauchbar hohe Fehlalarmrate zu erzeugen.
Hufbilder im Stallgang erfassen und Auffälligkeiten zur menschlichen Prüfung markieren
Vor der Bewertung werden geeignete Kamerapositionen, Bildqualität und sichtbare Prüfkriterien festgelegt. Unsichere oder sicherheitsrelevante Befunde verbleiben bei einer qualifizierten menschlichen Prüfung.
Eingehende Anfragen klassifizieren und mit Prüfschwellen weiterleiten
Repräsentative Anfragen messen die Weiterleitungsqualität je Kategorie, Sprache und schwierigem Randfall. Fälle mit geringer Sicherheit gehen in eine Prüfliste, statt automatisch weitergeleitet zu werden.
Strukturierte Felder aus betrieblichen Dokumenten extrahieren
Ein klares Zielschema und Nachweise auf Feldebene machen die Extraktion prüfbar. Unübersichtliche Layouts, fehlende Werte und widersprüchliche Inhalte werden einbezogen, damit unsichere Ergebnisse markiert werden.
Einen kontrollierten Dokumentenassistenten mit nachvollziehbaren Quellen entwickeln
Der Wissensabruf wird auf Quellenabdeckung, Berechtigungen, nachvollziehbaren Kontext und die Fähigkeit zum bewussten Nicht-Antworten geprüft. Der Assistent soll Entscheidungen unterstützen, ohne unbelegte Aussagen als Fakten auszugeben.
Anomalieerkennung oder Prognosen anhand repräsentativer historischer Daten testen
Historische Daten werden zeitlich getrennt und mit einer einfachen Vergleichslösung ausgewertet. Die Bewertung berücksichtigt Drift, Fehlalarme und den nutzbaren zeitlichen Vorlauf, bevor Prognosen oder Anomalieerkennung als hilfreich gelten.
KI- und ML-Projekte
Von Sensor- und Kameradaten bis zu EAM und Excel
Die Beispiele reichen von Druck- und Kameradaten über EAM-Logfiles und Textunterstützung bis zu Excel und scorebasierter Einsatzplanung. Die beiden physischen Projekte zeige ich ausführlicher.
Machine Learning für Zeitreihen
Kleine Lecks anhand des Wasserdrucks erkennen
Bei normalem Wasserverbrauch sank der Leitungsdruck zunächst ab, bis die Pumpe wieder anlief und ihn aufbaute. Die Aufgabe bestand darin, diesen normalen Zyklus von länger anhaltenden Druckabweichungen zu unterscheiden, die auf kleine Lecks hindeuteten.
- Aufbau
- Drucksensor → Arduino-Controller → Linux-Mini-PC
- ML-Ansatz
- Zeitreihenmerkmale rund um Wasserentnahme, Pumpenstart, Druckaufbau und anhaltende Abweichungen.
- Erkenntnis
- Das Modell konnte normale Wasserentnahme mit anschliessendem Druckaufbau von Abweichungen unterscheiden, die auf kleine Lecks hindeuteten.
Ein Modellhinweis diente nur als Anlass zur Prüfung – nicht als Ersatz für die Kontrolle der Leitung.
Eigenes Projekt · weiterhin aktiv · heute in leicht angepasster Form
Computer Vision
Hufauffälligkeiten per Kamera erkennen
Eine bodennahe Kamera erfasste die Hufe von Pferden, während sie durch einen Stallgang liefen. Das System analysierte die Aufnahmen und markierte sichtbare Auffälligkeiten oder mögliche Verletzungsanzeichen zur menschlichen Prüfung.
- Aufbau
- Bodennahe Kamera → Bildsequenz → lokale Bildverarbeitung
- ML-Ansatz
- Erkennung der Hufbereiche und Prüfung sichtbarer Merkmale in den aufgenommenen Einzelbildern.
- Erkenntnis
- Der tägliche Gang durch den Stall wurde so zu einem wiederholbaren Kontrollpunkt; auffällige Aufnahmen liessen sich automatisch für die Prüfung auswählen.
Nur eine Unterstützung bei der Vorsortierung: Eine markierte Aufnahme ist keine tierärztliche Diagnose und muss fachkundig beurteilt werden.
Frühen Prototyp des Hufprojekts ansehen (öffnet YouTube in einem neuen Fenster)
Das Video zeigt den frühen Testaufbau, bevor die Kamera fest installiert wurde.
Eigenes Projekt · weiterhin aktiv · heute in leicht angepasster Form
Weitere Anwendungen
KI-Unterstützung in EAM, Excel und Planung
Diese Projekte zeigen, wie sich KI und datenbasierte Empfehlungen direkt in bestehende Werkzeuge einbinden lassen, ohne für jeden Anwendungsfall eine neue Plattform zu schaffen.
EAM · KI-gestützte Loganalyse
Attune-EAM-Logfiles automatisch auswerten
Attune-EAM-Logfiles werden automatisch eingelesen und relevante Einträge als Hinweise für die weitere Untersuchung im Dashboard angezeigt.
EAM · Textassistenz
Texte direkt in EAM verbessern
Eine schlanke KI-Hilfe verbessert kurze Beschreibungen und Notizen direkt in EAM und liefert einen klareren Formulierungsvorschlag.
Excel · KI-Agent
KI-Agent direkt in Excel
Der KI-Agent ist in die Seitenleiste von Excel eingebunden und unterstützt direkt im bestehenden Arbeitsblatt. Er ist weiterhin im Einsatz und wird laufend verbessert.
In Betrieb · wird laufend weiterentwickelt
Demo des KI-Agenten in Excel ansehen (öffnet YouTube in einem neuen Fenster)EAM · Entscheidungsunterstützung
Automatische Einsatzplanung mit berechneten Scores
Für mögliche Zuordnungen von Mitarbeitenden und Aufgaben berechnet das System anhand festgelegter Kriterien Scores und empfiehlt eine passende Besetzung in HxGN EAM.
Fokus
Umfang und konkrete Ergebnisse
Der Leistungsumfang bleibt nah an den Systemen, Daten und Abläufen, die das Tagesgeschäft beeinflussen.
Fokus
Computer Vision für sichtbare Auffälligkeiten und menschliche Prüfung
Sensor- und Zeitreihenmodelle für Muster, Drift und Anomalien
Dokumentenextraktion und Klassifizierung
Kontrollierter Wissensabruf mit nachvollziehbaren Quellen
Bewertung repräsentativer Fälle und verbindliche menschliche Kontrolle
Integration über APIs und in bestehende Arbeitsabläufe
Was Sie am Ende erhalten
Funktionsfähiger Pilot für einen realen Arbeitsablauf
Vergleichsbasis und eindeutige Bewertungskriterien
Ergebnisse für repräsentative und schwierige Fälle
Dokumentierte Grenzen und Fehlerbilder
Menschliche Kontrolle und klare Verantwortungsgrenzen
Integrationsempfehlung und nächste Entscheidung
Prozess
So läuft die Zusammenarbeit ab
Die Arbeit kommt schneller voran, wenn das erste Gespräch mit echten Beispielen beginnt und nicht nur mit einer allgemeinen Beschreibung.
Prozess
Arbeitsablauf, Entscheidung, Vergleichsbasis und Abbruchkriterien definieren
Repräsentative Daten oder Dokumente und einen Testsatz vorbereiten
Den kleinsten sinnvollen Piloten entwickeln
Normale, schwierige und fehlerhafte Fälle bewerten
Leitplanken, Verantwortung und Integrationsoptionen dokumentieren
Entscheiden, ob der Pilot produktionsreif gemacht, integriert, neu zugeschnitten oder gestoppt wird
Geeignet für
Für wen das Angebot passt
Klare Grenzen halten den Auftrag wirtschaftlich und sorgen dafür, dass sich das Ergebnis sauber übergeben lässt.
Geeignet für
- Teams aus Betrieb, Daten oder Automatisierung mit einem definierten KI-/ML-Anwendungsfall
- Organisationen, die vor der Finanzierung einer Produktionslösung nachvollziehbare Ergebnisse benötigen
- Partner, die eine klar abgegrenzte KI-/ML-Umsetzung innerhalb eines grösseren Programms benötigen
Klare Abgrenzung
- Kein Chatbot ohne klaren Arbeitsablauf
- Keine Modelldemonstration, die als Produktivlösung ausgegeben wird
- Keine vorausschauende Instandhaltung ohne ausreichende historische Daten und Kennzeichnungen
- Keine autonomen Hochrisikoentscheidungen ohne verantwortliche Prüfung
- Kein Modelltraining als Selbstzweck
Verwandte Leistungen
Passende Ergänzungen
EAM, Schnittstellen sowie angewandte KI und ML können getrennt beauftragt werden. Verbindet ein realer Ablauf mehrere Bereiche, können die Leistungen sinnvoll kombiniert werden.
Datenqualität & KI-Bereitschaft Berichte oder Stammdaten sind nicht verlässlich, oder die Datengrundlage für Analysen beziehungsweise KI/ML ist unklar. Fachanwendungen und Office-Automatisierung Manuelle Office-Abläufe bremsen die Arbeit, oder ein klar abgegrenzter Prozess benötigt ein schlankes Werkzeug, ohne das Kernsystem zu ersetzen. Schnittstellen-Engineering-Sprint Ein bestehender Datenfluss erfordert wiederholte Korrekturen, oder eine neue Verbindung braucht klare Regeln und verlässliche Verarbeitung.
Passt diese Leistung zu Ihrem Fall?
Schicken Sie den aktuellen Engpass, einige Beispiele und den geschäftlichen Kontext. Dann klären wir, welche Verbesserung sinnvoll ist – und was besser unverändert bleibt.