Eingabehilfen öffnen
Zum Hauptinhalt springen
AR bei Wartung und Reparatur von Heizsystemen

easyARguide – AR bei Wartung und Reparatur von Heizsystemen

easyARguide – AR bei Wartung und Reparatur von Heizsystemen 

Das Projekt „easyARguide“ hat sich zum Ziel gesetzt, Augmented Reality (AR) in den Ausbildungsalltag zu integrieren und komplexe Arbeitsprozesse anschaulich zu vermitteln. Im Rahmen der gemeinsamen Entwicklung der Mittelstand-Digital Zentren Hamburg, Darmstadt und Köln wurde ein AR-Tool konzipiert, das Lehrkräfte bei der Erstellung von Schritt-für-Schritt-Anleitungen für technische Prozesse unterstützt. Die SHK Innung Köln begleitete den Prozess als Praxispartner bei Testung und Evaluation.

Ursprünglich für die Microsoft HoloLens konzipiert, wurde die Anwendung auch für die Meta Quest und Android Tablets adaptiert. Mit diesem wichtigen Schritt wird ihr Einsatz flexibler und leichter zugänglich.

Handwerker und Entwickler bei der SHK Innung

Ausgangslage und Motivation

In der SHK-Ausbildung gibt es viele Arbeitsprozesse, die ohne praktische Erfahrung schwer zu erlernen sind. Traditionelle Lehrmethoden mit statischen Anleitungen oder Videotutorials konnten oft nicht das benötigte Maß an Interaktivität bieten.

Das Ziel war daher, eine innovative und praxisnahe Lösung zu schaffen, die es Auszubildenden ermöglicht, Wartungs- und Reparaturprozesse intuitiv nachzuvollziehen. Besonders bei der Wartung von Wärmepumpen sowie dem Wechsel an einer Gasheizung konnte AR als effektive Unterstützung eingesetzt werden.


Vorgehensweise

Der easyARguide ist eine AR-Anwendung, die technische Prozesse durch visuelle Hinweise, Animationen und erklärende Texte in einzelnen, leicht verständlichen Schritten darstellt. Ein besonderer Vorteil der Anwendung liegt in der Freihändigkeit: Mit der HoloLens oder der Meta Quest bleiben beide Hände für die praktische Ausführung frei, während die Projektionen im Sichtfeld den Ablauf kontinuierlich veranschaulichen.

Ein zentrales Alleinstellungsmerkmal des easyARguide ist die integrierte No-Code-Umgebung zur Inhaltserstellung direkt in der AR-Anwendung. Lehrkräfte oder Fachkräfte können Schulungseinheiten eigenständig ohne Programmierkenntnisse und ohne zusätzliche Entwicklungssoftware erstellen. In einem speziell entwickelten Baukasten-Modus lassen sich 3D-Objekte, Pfeile, Texteinblendungen, Fotos, Videos und Animationen intuitiv platzieren, bearbeiten und anpassen – alles direkt über die Brille.

Die Inhalte entstehen also dort, wo sie auch angewendet werden: Im realen Raum, angereichert durch digitale Informationsebenen. Diese niedrigschwellige Gestaltung der Inhaltserstellung senkt technische Hürden, macht AR-gestützte Schulungen für neue Zielgruppen zugänglich und ermöglicht eine schnelle, flexible Reaktion auf veränderte Schulungsbedarfe ohne den Umweg über spezialisierte Entwickler machen zu müssen.

Aus dieser Tatsache heraus konnten die Fachkräfte aus dem Handwerk eigenständig verschiedene Anleitungen zur Wartung beziehungsweise Reparatur erstellen. Die erstellten Anleitungen können in einem Lernmodus immer wieder neu geladen und anhand einer Fortschrittsanzeige abgearbeitet werden. Pro Schritt werden dabei im Raum platzierte Anweisungen angezeigt.

  • Interaktion mit der Fortschrittsanzeige der Anleitung

    Interaktion mit der Fortschrittsanzeige der Anleitung

  • Anweisungen einer Handlungsschrittes

    Anweisungen einer Handlungsschrittes

Umsetzung des Szenarios

Bei der Gestaltung der Szenarien wurden zwei zentrale Prozesse abgebildet:

  • Wartung einer Wärmepumpe: Hier wurde der gesamte Wartungsprozess von der Sichtkontrolle über die eigentliche Wartung bis zur abschließenden Parameterprüfung in der AR-Anwendung dokumentiert. Virtuelle Checklisten, animierte Pfeile und markierte Rohrleitungen veranschaulichten den Wärmeaustausch und unterstützten den Nutzer bei den einzelnen Schritten.

  • Wechsel eines Reglers an einer Gasheizung: Dieser Prozess gliederte sich in Vorbereitung, Montage und Nachbereitung. Während der Montage wurden Detailfotos, animierte Handbewegungen und Schritt-für-Schritt-Anleitungen verwendet, um den Wechsel nachvollziehbar zu gestalten und eine sichere Durchführung zu gewährleisten.

In beiden Szenarien fanden sich klare visuelle Hinweise, die den Nutzer durch den gesamten Prozess leiteten. Die Beschreibung der Arbeitsabläufe wurde bewusst allgemein gehalten, sodass die erstellten Guides auch für ähnliche Wartungs- und Reparaturarbeiten genutzt werden können.

  • Anweisung Radkappe abziehen

  • Arbeitsschritt: Lösen von Schrauben

    Arbeitsschritt: Lösen von Schrauben

  • Arbeitsschritt: Kontrolle des Bauteils

    Arbeitsschritt: Kontrolle des Bauteils

  • Arbeitsschritt: Wiederanbringen der Stecker

    Arbeitsschritt: Wiederanbringen der Stecker

Erkenntnisse

Die Umsetzung des AR-Konzeptes für Wartung und Reparatur Szenarien mithilfe des easyARguide konnte erfolgreich durchgeführt werden. Die Einführung der Anwendung als Unterstützung im Unterricht zeigte schnell positive Effekte. Die wichtigsten Erkenntnisse dabei sind:

  • Interaktive Lernatmosphäre: Die visuelle Darstellung der Arbeitsprozesse erhöhte die Aufmerksamkeit und das Verständnis der Auszubildenden.

  • Sicherere und effizientere Durchführung: Durch die freihändige Bedienung während der Arbeit konnten Fehler reduziert und Arbeitsabläufe optimiert werden.

  • Einfache Einrichtung: Lehrkräfte benötigten am Anfang etwa 10–30 Minuten, um sich an die Steuerung zu gewöhnen, berichteten danach jedoch von einer intuitiven Nutzung.

  • Technische Herausforderungen: Während die HoloLens als stabilste und praxiserprobteste Plattform diente, zeigten sich Performance- und Akkuprobleme. Um diesen Einschränkungen zu begegnen, wurde die Erweiterung auf alternative Endgeräte wie die Meta Quest 3 und mobile Tablets vorangetrieben, um mehr Flexibilität bei der Auswahl der Hardware und einen niederschwelligeren Zugang zur Anwendung zu ermöglichen.

Fazit und Ausblick

Die Umsetzung des AR-Konzepts für Wartungs- und Reparaturszenarien mithilfe des easyARguide zeigt das Potenzial von Augmented Reality in der beruflichen Ausbildung. Mithilfe der visuellen und interaktiven Darstellung von Arbeitsprozessen wird die Aufmerksamkeit und das Verständnis der Auszubildenden gesteigert und dadurch besser gefestigt. Die begeisterte Resonanz motiviert die SHK Innung Köln, zukünftig weitere technische Prozesse mit easyARguide abzubilden. 

Für kleine und mittlere Unternehmen ergeben sich aus diesem Konzept klare Vorteile: Die Qualität der Ausbildung kann mit überschaubarem Aufwand in einer nachhaltige Lernatmosphäre gesteigert und Arbeitsprozesse können sicherer und effizienter gestaltet werden.

Dabei besteht noch einiges Verbesserungs- und Erweiterungspotenzial bei folgenden Punkten:

AR Interaktion mit Wärmepumpe
  • Mehr interaktive Elemente, z.B. die Anbindung von 3D-Modellen des Heizungsherstellers.

  • Optimierung der AR-Positionierung, um Verschiebungen der virtuellen Elemente nach längerer Nutzung zu vermeiden.

  • Transformation von Lehrtexten in interaktive Lernanleitungen, um schriftliche Anleitungen und Lehrbücher automatisiert in AR-gestützte Lernanleitungen zu überführen. Das könnte etwa durch den Einsatz generativer KI möglich werden. So könnten Inhalte noch schneller und medienbruchfrei in praxisnahe Trainingsszenarien übertragen werden.

Durch diese Anpassungen könnte easyARguide künftig noch effektiver in der Ausbildung und später im Berufsalltag eingesetzt werden.

Entdecken Sie noch weitere Best Practices auf der Hauptseite des easyARguide Projektes.


Flyer öffnen

  • Logo Mittelstand-Digital Zentrum Darmstadt
  • Logo Mittelstand-Digital Zentrum Hamburg
  • Logo Mittelstand-Digital Zentrum Rheinland

Haben Sie Fragen zu diesem Projekt?

Dann freuen wir uns über eine Nachricht an:

Mittelstand-Digital Zentrum Hamburg
mittelstand-digital@haw-hamburg.de

Haben wir Ihr Interesse geweckt?

Wir bieten weitere Angebote zum Thema AR an.
Schauen Sie gerne in unsere Veranstaltungen rein.

Das Mittelstand-Digital Zentrum Hamburg gehört zu Mittelstand-Digital. Mit dem Mittelstand-Digital Netzwerk unterstützt das Bundesministerium für Wirtschaft und Energie die Digitalisierung in kleinen und mittleren Unternehmen und dem Handwerk. Kommen Sie gern auf uns zu, wir bringen Sie Digital Voraus!

Weiterlesen

In einem KI-aufgezeichneten Gespräch die Hand reichen

Praxistest: KI-gestützte Gesprächsprotokolle

Praxistest: KI-gestützte Gesprächsprotokolle

Einleitung

Wendepunkt e. V. ist ein Verein mit Sitz in Elmshorn, Schleswig-Holstein, der sich seit über 20  Jahren auf die Unterstützung von Menschen konzentriert, die von häuslicher Gewalt, sexualisierter Gewalt und Kindesmissbrauch betroffen sind. Der gemeinnützige Verein bietet psychosoziale Beratung, therapeutische Hilfe und Präventionsprojekte an und führt jährlich mehr als 2.000 individuelle Beratungsgespräche durch. Zudem organisiert Wendepunkt e. V. Schulungen und Workshops, um das Bewusstsein für Gewalt- und Missbrauchsthemen zu schärfen und Präventionsarbeit zu leisten. In enger Kooperation mit anderen Institutionen und Netzwerken stellt der Verein einen sicheren Raum bereit, in dem Betroffene über ihre Erlebnisse sprechen und Unterstützung auf ihrem Weg zur Heilung und Stärkung erhalten.


Problemstellung 

Im Wendepunkt e. V. fällt ein erheblicher Aufwand für die administrative Aufgaben an, wodurch die Zeit für wertschöpfende Klientenarbeit erheblich verringert wird. Ziel des Projektes war es daher Anwendungsfälle zu identifizieren, die durch den Einsatz von KI effizienter gestaltet werden können, um den Mitarbeitenden mehr Zeit für direkte Beratungen zu verschaffen. Als vielversprechender Ansatzpunkt wurde die automatisierte Erstellung einer Gesprächszusammenfassung identifiziert. Aktuell ist nach jedem Beratungsgespräch die Erstellung eines umfassenden Gesprächsprotokolls erforderlich, wodurch die verfügbaren Kapazitäten für Klientengespräche deutlich reduziert werden.


Vorgehen

Im Rahmen des Projekts mit dem Mittelstand-Digital Zentrum Hamburg wurde zunächst ein Workshop durchgeführt, um den aktuellen Prozess zur Vorbereitung und Durchführung von Klientengesprächen systematisch abzubilden und potenzielle Einsatzszenarien für KI-Lösungen zu identifizieren. Dazu wurden mehrere Personen aus der Geschäftsführung sowie den Bereichen IT, Datenschutz und Geschäftsprozessen eingeladen, um gemeinsam den aktuellen Ablauf detailliert nachzuvollziehen.

Aus der Prozessanalyse haben sich zwei Ansatzpunkte für den Einsatz von KI ergeben: (1) Unterstützung der Fallerfassung mit einem Chatbot und (2) Unterstützung der Dokumentation durch die automatisierte Erstellung einer Gesprächszusammenfassung. Aufgrund des höheren Umsetzungsbedarfs wurde sich für den zweiten Anwendungsfall entschieden.

Im zweiten Workshop wurde basierend auf dem im ersten Workshop identifizierten Anwendungsfall ein Umsetzungskonzept getestet. Dazu wurde zunächst die Aufnahme einer realistische Gesprächssituation von rund 10 Minuten über Microsoft Teams angefertigt. Um die Vertraulichkeit der Klientengespräche zu wahren, wurde als Testfall die Erstellung von Notizen einer Mitarbeiterbesprechung gewählt. Die Erstellung der Notizen wurde anschließend in zwei Varianten getestet, in denen die Aufnahme zuerst transkribiert und anschließend mithilfe eines Large Language Modells (LLM) zusammengefasst wurde, um Teilnehmerlisten, Diskussionspunkte und To-dos zu extrahieren.

In der ersten Variante kommen kommerzielle Lösung zum Einsatz: Zur Erstellung des Transkripts wird die Transkriptionsanwendung von Microsoft 365 genutzt, welches anschließend mithilfe von ChatGPT zusammengefasst wird. In der zweiten Variante nutzt das Team noScribe für die Transkription. Für die Zusammenfassung kommt Llama-3 7B zum Einsatz, das auf lokalen Rechnern betrieben werden kann und somit eine datenschutzfreundliche Alternative zu den Hyperscalern darstellt. Die Ausgabe erfolgte anhand desselben Protokollformats, um die Vergleichbarkeit hinsichtlich Qualität, Verarbeitungsgeschwindigkeit und Kosten sicherzustellen.

Im zweiten Schritt wurden beide Transkripte mit identischen Prompt-Vorlagen automatisiert zusammengefasst. Dazu wurden die LLMs über ein strukturiertes Template angewiesen, Teilnehmerlisten, Tagesordnungspunkte, Diskussionszusammenfassungen und To-dos zu erstellen.

Technischer Ablauf zur automatischen Erstellung einer Gesprächszusammenfassung

Abbildung 1: Technischer Ablauf zur automatischen Erstellung einer Gesprächszusammenfassung mit KI

Um die Qualität zu steigern, erfolgte ein iteratives Prompt-Tuning: Erste Auswertungen zeigten Lücken bei der Nennung von Verantwortlichkeiten und unklare To-dos. Daraufhin wurde der Prompt erweitert, um explizit Verantwortlichkeiten darzustellen und offene Punkte hervorzuheben. In zwei A/B-Testzyklen mit unterschiedlichen Prompt-Varianten erreichte das Team schließlich eine konsistent strukturierte Ausgabe in Form einer Tabelle, die Teilnehmer, Maßnahmen, Termine und Zuständigkeiten klar ausweist.

IterationPrompt
1

„Fasse mir folgendes Transkript zusammen.“

2

„Kannst du das als Protokoll darstellen und eine Auflistung der Teilnehmer, Diskussionspunkte, Ergebnisse und To-dos erstellen?“

3

„Stelle die Zusammenfassung tabellarisch dar, mit Diskussionspunkten in den Zeilen und Spalten für Inhalte, Maßnahmen und Verantwortungen.“

4

„Fasse das Transkript zusammen und stelle die Tagesordnungspunkte als Tabelle dar, mit den Spalten: Tagesordnungspunkt, Inhalt, Maßnahmen, Verantwortlicher.“

Darüber hinaus wurde eine angepasste Gesprächsvariante erprobt: Die zweite Gesprächsrunde wurde semi-strukturiert geführt, wobei Verantwortlichkeiten und Aufgaben namentlich eindeutig festgelegt wurden. Dieses Vorgehen ermöglichte es, auch ohne auf die sehr rechenintensive und teils fehleranfällige Sprecheridentifikation zurückzugreifen, klare und verlässliche To-dos abzuleiten. 


Ergebnisse und Ausblick

Die Analyse der beiden Varianten ergibt, dass die Transkription mit noScribe strukturiertere und besser lesbare Textabschnitte liefert, als die Anwendung von Microsoft 365. Durch die gezielte Optimierung des Prompts konnten präzise gegliederte Protokolle erstellt werden, in denen Teilnehmerlisten, Diskussionspunkte und To-dos klar ausgewiesen werden. Insgesamt lieferten sowohl die kommerzielle als auch die lokal betriebene Lösung eine grundsätzliche technische Machbarkeit der automatisierten Gesprächsdokumentation mit zufriedenstellenden Ergebnissen. Gleichzeitig wurden Aspekte wie Datenschutzanforderungen und Benutzerfreundlichkeit als wichtige Ansatzpunkte für weitergehende Optimierungen identifiziert.

Variante AVariante B
Transkription
AnwendungMicrosoft 365noScribe
DatenverarbeitungExternLokal
KostenBis 300 Min. teil des Microsoft-Abonnement, danach fallen zusätzliche Kosten anInitial kostenlos. Kosten für den Aufbau Verarbeitungs-kapazitäten sind zu berücksichtigen.
GeschwindigkeitHoch (ca. 2 Minuten)Gering (ca. 15 Minuten)
QualitätGeringe Unterschiede, wobei noScribe tendenziell etwas besser abschneidet und mehr Einstellungsmöglichkeiten bietet
Zusammenfassung
AnwendungChatGPTLlama-3 7B
DatenverarbeitungExternLokal
KostenFreemiumInitial kostenlos. Kosten für den Aufbau Verarbeitungs-kapazitäten sind zu berücksichtigen.

Auf dieser Basis wird als nächster Schritt ein Pilotbetrieb geplant, in dem Datenschutzaspekte und Nutzerakzeptanz in einer realen Umgebung überprüft werden. Langfristig ist zudem eine Skalierung in weiteren Bereichen wie den Bereichsleiterrunden vorgesehen.


Sie haben Fragen zu diesem Projekt?

Dann freuen wir uns über eine Nachricht an:

Mittelstand-Digital Zentrum Hamburg
mittelstand-digital@haw-hamburg.de

Haben wir Ihr Interesse geweckt?

Wir bieten weitere Angebote zum Thema KI und Chatbots an.
Schauen Sie gerne in unsere Veranstaltungen rein.

Das Mittelstand-Digital Zentrum Hamburg gehört zu Mittelstand-Digital. Mit dem Mittelstand-Digital Netzwerk unterstützt das Bundesministerium für Wirtschaft und Energie die Digitalisierung in kleinen und mittleren Unternehmen und dem Handwerk. Kommen Sie gern auf uns zu, wir bringen Sie Digital Voraus!

Weiterlesen

Tisch in einer Nachhilfeschulen mit KI auf einem Laptop

KI-Kompass für Nachhilfeschulen

KI-Kompass für Nachhilfeschulen – Ein Einblick in die Workshopreihe

Einleitung

Der VNN Bundesverband Nachhilfe- und Nachmittagsschulen e. V. setzt sich als gemeinnützige Organisation für Qualität, Transparenz, Zuverlässigkeit und Kompetenz in der Nachhilfebranche ein. Als Bundesverband vertritt der VNN die Interessen der institutionellen Nachhilfe und fungiert als Partner von Politik, Schulen und Lehrkräften. Angesichts steigender Erwartungen an digitale Bildungsangebote und begrenzter personeller Ressourcen in den Nachhilfe- und Nachmittagsschulen, hat der VNN im Frühjahr 2025 eine dreiteilige Workshop-Reihe initiiert, um einen praxisnahen Einblick in die Potenziale Künstlicher Intelligenz (KI) zu geben und erste konkrete Anwendungsfälle speziell für Nachhilfe- und Nachmittagsschulen zu erarbeiten. 


Problemstellung 

Derzeit werden in vielen Nachhilfeschulen Unterrichtsplanungen, Feedback-Protokolle und Social-Media-Inhalte manuell erstellt – häufig von inhabergeführten Betrieben, in denen die Schulinhaber:innen nahezu alle Aufgaben selbst übernehmen. Diese Mehrfachbelastung führt zu einem hohen zeitlichen Aufwand, der nicht nur Unterrichtsqualität und Schülerfeedback beeinträchtigt, sondern auch die Außendarstellung auf digitalen Kanälen erschwert. Sowohl im direkten Kontakt mit Lernenden als auch in der Öffentlichkeitsarbeit fehlen effiziente, automatisierte Hilfsmittel, um Routineaufgaben zu beschleunigen und Fehlerquellen zu minimieren. Vor diesem Hintergrund zielte die Workshop-Reihe darauf ab, Mitarbeiter:innen und Lehrkräfte für KI-Anwendungen zu sensibilisieren, konkrete Optimierungspotenziale in den individuellen Arbeitsabläufen zu identifizieren und erste prototypische Lösungsansätze zu entwickeln und zu skizzieren.


Vorgehen

Die dreiteilige Workshop-Reihe baut methodisch aufeinander auf und verfolgt das Ziel, in drei aufeinanderfolgenden Terminen systematisch von der KI-Einstiegsvermittlung über die Prozessanalyse bis hin zur praktischen Lösungserprobung vorzugehen. Zunächst wird in einem Impuls-Vortrag das Grundverständnis für Künstliche Intelligenz geschaffen und erste Ideen für den Schulalltag skizziert. Anschließend erfolgt in kollaborativen Breakout-Sessions eine detaillierte Analyse und Dokumentation der relevanten Prozesse, um konkrete Optimierungspotenziale zu identifizieren. Im abschließenden Termin werden diese Erkenntnisse aufgegriffen, praxisnahe KI-Lösungen demonstriert und gemeinsam weiterentwickelt, sodass Teilnehmende unmittelbar erprobungsfähige Ansätze zur Effizienzsteigerung in ihren Nachhilfeschulen mitnehmen.

Impuls-Vortrag & Ideenfindung

Der Auftaktworkshop begann mit einem einstündigen Impuls-Vortrag, in dem grundlegende KI-Konzepte (Chatbots, Generative Modelle, Bild- und Text-Automatisierung) vorgestellt wurden. Mit gezielten, aktivierenden Fragen wie „Welche Routineaufgaben kosten Sie neben dem Unterricht am meisten Zeit?“ wurden die Teilnehmer:innen über ein interaktives Online-Tool aktiviert und zur Mitarbeit angeregt. Anschließend wurden in einer offenen Gesprächsrunde die gesammelten Ideen gebündelt.

Wordcloud von Aufgaben neben dem Unterricht

Workshop zur Prozessanalyse & Dokumentation

Im zweiten Workshop stand die Entwicklung konkreter KI-Anwendungsfälle im Mittelpunkt und zugleich die Skizzierung eines grundlegenden Einführungsprozesses. Die Teilnehmenden arbeiteten in rotierenden Breakout-Sessions auf einem gemeinsamen Miro-Board, um potenzielle Use Cases zu sammeln, die jeweiligen Anforderungen und Herausforderungen zu dokumentieren und einen strukturierten Ablaufplan für die Einführung von KI-Lösungen zu entwerfen. Als zentrale Ergebnisse kristallisierten sich drei Szenarien heraus: Die automatisierte Erstellung rechtefreier Bilder für verschiedene Anwendungen, eine KI-gestützte Content-Assistenz für Social Media sowie SEO-optimierte Textvorschläge für die Webseiten der Nachhilfe- und Nachmittagsschulen.

Board mit Post-its als Ergebnis des Workshops

Lösungsansätze präsentieren & weiterentwickeln: Effizienter arbeiten mit KI

Im dritten Workshop wurden die im Vorfeld erarbeiteten Ideen und Use Cases praxisnah umgesetzt und in anschaulichen Live-Demonstrationen präsentiert:

Generative Bilderzeugung für Social Media: Anhand einer Live-Demo wurden Social-Media-Beiträge visualisiert. Die Teilnehmer:innen erstellten in Kleingruppen eigene Grafiken zu aktuellen Lernmotiven, die sofort optimiert und exportiert wurden.

Content-Strategie & Textgenerierung via LLMs: Aufbauend auf einem allgemeinen Prompting-Workshop wurde beispielhaft eine Social-Media-Strategie entwickelt und ein konkretes Konzept für eine Posting-Reihe erstellt. Anschließend erhielten die Teilnehmenden eine praxisorientierte Einführung, wie sich mit den passenden Prompts, Stichwörtern und Kontextinformationen hilfreiche Beitragsentwürfe generieren lassen – stets unter Berücksichtigung eines SEO-Fokus und einer zielgruppengerechten Ansprache.


Ergebnisse und Ausblick

Alle drei Workshops bauten systematisch aufeinander auf und vermittelten den Teilnehmenden wesentliche Grundlagen für den erfolgreichen Einsatz von KI in Nachhilfeschulen. Anhand praxisnaher Beispiele erhielten sie Hilfestellungen, Prompt-Vorlagen und Vorgehensmodelle, mit denen sie eigenständig erste Anwendungsfälle ableiten können. Die vermittelten Konzepte wurden von den Teilnehmenden als nachvollziehbar und direkt umsetzbar eingeschätzt, sodass sie nun über das nötige Rüstzeug verfügen, um KI-gestützte Prozesse in ihren eigenen Arbeitsabläufen weiterzuentwickeln und zu implementieren.


Sie haben Fragen zu diesem Projekt?

Dann freuen wir uns über eine Nachricht an:

Mittelstand-Digital Zentrum Hamburg
mittelstand-digital@haw-hamburg.de

Haben wir Ihr Interesse geweckt?

Wir bieten weitere Angebote zum Thema KI und Chatbots an.
Schauen Sie gerne in unsere Veranstaltungen rein.

Das Mittelstand-Digital Zentrum Hamburg gehört zu Mittelstand-Digital. Mit dem Mittelstand-Digital Netzwerk unterstützt das Bundesministerium für Wirtschaft und Energie die Digitalisierung in kleinen und mittleren Unternehmen und dem Handwerk. Kommen Sie gern auf uns zu, wir bringen Sie Digital Voraus!

Weiterlesen

Prozesse optimieren mit Organisation Ihrer Daten - Digitalisierung

Prozesse optimieren, Zukunft sichern – Impulse aus der Praxis

Prozesse optimieren, Zukunft sichern – Impulse aus der Praxis

Die Abfahrer OHG ist ein professionelles Umzugsunternehmen mit Sitz in Bremen, das sich auf Transportdienstleistungen spezialisiert hat. Mit langjähriger Erfahrung bietet das Unternehmen umfassende Lösungen für Privat- und Geschäftskunden an. Die Abfahrer OHG bietet umfassende Dienstleistungen in den Bereichen Umzüge, Entrümpelungen und Einlagerungen an, die speziell auf die individuellen Bedürfnisse ihrer Kunden zugeschnitten sind.

Das Unternehmen übernimmt Umzüge jeglicher Art und Größe, sowohl lokal als auch überregional, und garantiert einen sicheren und reibungslosen Transport des Eigentums seiner Kunden. Das Unternehmen stützt sich auf jahrelange Erfahrung und hat sich einen Namen für qualitativ hochwertige Dienstleistungen gemacht.

Das Unternehmen existiert seit mehreren Jahrzehnten und ist organisch gewachsen, was eine solide Grundlage für den Erfolg geschaffen hat. Dieses Wachstum hat jedoch auch spezifische Herausforderungen mit sich gebracht, insbesondere im Bereich der IT-Systeme.


1.  Herausforderungen / Problemstellung

Trotz des Fehlens einer dedizierten IT-Abteilung hat die Abfahrer OHG durchdachte Lösungen implementiert, um ihre Kundenakquise und -betreuung effektiv zu gestalten. Dazu gehören beispielsweise Formulare, die auf langjähriger Erfahrung basieren und den Kunden eine einfache und transparente Berechnung von Umzugs-, Entrümpelungs- und Lagerkosten ermöglichen. Die 24/7-Erreichbarkeit im Erstkontakt über die Webseite sorgt zudem für eine geringe Einstiegshürde und hohe Kundenzufriedenheit.


2.  Vorgehen

Gemeinsam mit dem Mittelstand-Digital Zentrum Hamburg wurde ein mehrstufiger Prozess genutzt, um die Herausforderungen der Abfahrer OHG systematisch zu identifizieren. Dabei wurde in einer ersten Phase mit geleiteten Interviews gearbeitet, um die Perspektiven des Inhabers und der Mitarbeitenden auf die zentralen Themen einzuholen. In Einzel- und Gruppengesprächen wurden wiederkehrende Probleme und Verbesserungspotenziale erfasst, die insbesondere die Bereiche Kundenkommunikation, Buchhaltung und interne Abläufe betrafen, aber auch über die Weiterentwicklung des bisherigen Geschäftsmodells gesprochen. Die Antworten halfen dabei, zentrale Themen zu priorisieren und erste Ansatzpunkte zu finden.

In einer zweiten Phase wurden offene Brainstorming-Runden organisiert, um gemeinsam kreative Ideen und Lösungsvorschläge zu entwickeln. Moderiert und strukturiert dokumentiert, wurden die gesammelten Vorschläge analysiert und in Themengebiete geclustert. Diese Methode ermöglichte es, konkrete Einblicke in wiederkehrende Probleme und Optimierungsmöglichkeiten zu gewinnen. Ergänzend wurden relevante Dokumentationen wie Rechnungen, Buchhaltungsunterlagen und die im Unternehmen eingesetzte Software ausgewertet. In diesem Prozess wurden folgenden Herausforderungen und Potentiale identifiziert:

Prozesse und Digitalisierung:

  • Abgleich der offenen Posten mit dem Steuerbüro oder Buchhaltungsdienstleister, insbesondere bei den Lagerkunden.
  • Wiederkehrende Fragen in der Kommunikation mit Kunden hinsichtlich Kosten, Terminen und Rechnungen.
  • Bedarf an effizienteren und automatisierten internen Prozessen.

Geschäftsmodell und Nachhaltigkeit:

  • Vermeidung von Leerfahrten und effizientere Nutzung der Fahrzeuge bei Fernumzügen durch klassische Logistikdienstleistungen.
  • Adressierung neuer Marktsegment durch die Integration von nachhaltigen Materialien und klimaneutralen Transportoptionen.
  • Erweiterung der Absatzmöglichkeiten durch gezielte Marketingstrategien und Kooperationen.

Neben den von den Mitarbeitenden identifizierten Potenzialen und Herausforderungen fiel im Zuge der Betrachtung der Software- und Hardware-Systeme des Unternehmens auch der Fokus auf das Thema Cybersicherheit und Datensicherheit. Hier setzt das Unternehmen derzeit auf eine verlässliche, lokale und periodische Backup-Lösung.


3. Erkenntnisse und Projektergebnisse

Die identifizierten Herausforderungen und Potenziale bilden die Grundlage für die weiteren Schritte zur Optimierung der Prozesse und zur strategischen Weiterentwicklung der Abfahrer OHG.

Ein zentraler Fokus liegt auf der Weiterentwicklung der bisherigen Backup-Lösung. Die aktuell eingesetzte lokale und periodische Backup-Lösung soll durch eine automatische, inkrementelle Cloud-Lösung ergänzt und langfristig ersetzt werden. Diese Maßnahme wird die Datensicherheit und den Schutz vor Datenverlust signifikant erhöhen, während gleichzeitig die Flexibilität und Skalierbarkeit der Systeme gesteigert wird. Im Zuge der Backup-Modernisierung plant das Unternehmen ebenfalls die Aktualisierung seiner bisherigen Office-Software-Systeme. Diese sollen zukünftig als Grundlage für weitere Schritte zur Digitalisierung und Automatisierung dienen. Insbesondere werden hier Lösungen evaluiert, die eine effizientere Zusammenarbeit und Kommunikation innerhalb des Teams sowie mit den Kunden ermöglichen.

Zusätzlich wird die Abfahrer OHG ihre Nachhaltigkeitsstrategien ausbauen. Zukünftig prüft das Unternehmen, die Option seinen Kunden nachhaltige Verpackungsmaterialien sowie CO2-Kompensation anzubieten. Diese Maßnahmen unterstreichen das Engagement der Abfahrer OHG, sowohl ökologische Verantwortung zu übernehmen als auch den wachsenden Anforderungen umweltbewusster Kunden gerecht zu werden.


Sie haben Fragen zu diesem Projekt?

Dann freuen wir uns über eine Nachricht an:

Mittelstand-Digital Zentrum Hamburg
mittelstand-digital@haw-hamburg.de

Haben wir Ihr Interesse geweckt?

Wir bieten weitere Angebote zum Thema Prozessoptimierung an.
Schauen Sie gerne in unsere Veranstaltungen rein.

Das Mittelstand-Digital Zentrum Hamburg gehört zu Mittelstand-Digital. Mit dem Mittelstand-Digital Netzwerk unterstützt das Bundesministerium für Wirtschaft und Energie die Digitalisierung in kleinen und mittleren Unternehmen und dem Handwerk. Kommen Sie gern auf uns zu, wir bringen Sie Digital Voraus!

Weiterlesen

AR als digitaler Büroführer im Büro

easyARguide – Digitale Büroführung mit AR

easyARguide – Digitale Büroführung mit AR

Mit dem „easyARguide“ wurde Augmented Reality (AR) als innovative Lösung für digitale Büroführungen am Beispiel des Standorts der Kölner Firma „World of VR“ erprobt und hier als Best Practice aufbereitet. Ziel war es, mit der Anwendung, eine flexible und zeitgemäße Lösung einzusetzen, um neue Mitarbeitende und Gäste effizient durch den Bürokomplex zu navigieren und dabei relevante Informationen zur Raumstruktur, Ausstattung und Organisation ortsgebunden und visuell aufzubereiten und zu präsentieren.

Gerade für kleine und mittlere Unternehmen (KMU) bietet dieser digitale Ansatz erhebliche Vorteile: Er spart Zeit, reduziert den organisatorischen Aufwand und ermöglicht gleichzeitig eine individuelle, interaktive Erkundung der Räumlichkeiten.

  • Verteilte Informationen im Büro

    Verteilte Informationen im Büro

  • easyARguide Lernmodus als Büroführer auf dem Handy

    AR-Büroführer auf dem Smartphone

  • Verschiedene virtuelle Hologramme als Hinweise

    Verschiedene virtuelle Hologramme als Hinweise


Ausgangslage und Motivation

In vielen Unternehmen erfolgt die klassische Einführung in die Büroräumlichkeiten bislang durch eine persönliche Begleitung erfahrener Mitarbeiter:innen.

Doch diese analoge Lösung ist in der Praxis oft zeitintensiv, personengebunden und schwer skalierbar. Dieser Ansatz stößt speziell an seine organisatorischen Grenzen, wenn mehrere neue Kolleg:innen oder Gäste gleichzeitig eingewiesen werden müssen.

Hinzu kommt, dass weitläufige oder komplex strukturierte Gebäude eine zusätzliche Hürde für die Orientierung darstellen und es vielen Menschen schwerfällt, sich in unbekannten und weitläufigen Bürogebäuden ohne Hilfestellung direkt zurechtzufinden.

Unser Lösungsansatz: Eine digitale, AR-gestützte Büroführung, die Orientierung erleichtert, Personalressourcen schont und zugleich eine individuelle, interaktive Erkundung der neuen Umgebung ermöglicht. Hierbei ist sie jederzeit verfügbar, unabhängig von Gruppengrößen, unterstützt visuell und kann einfach in bestehende Prozesse integriert werden.


Vorgehensweise

Die Büroführung erfolgt selbstgesteuert und interaktiv: Die Nutzenden bewegen sich im eigenen Tempo durch die Räumlichkeiten und erhalten durch virtuelle Hinweise, Texte, Bilder und ggf. Videos eine mediengestützte Einführung über die Raumstruktur, Ausstattung und Nutzung in die neue Umgebung direkt eingeblendet.

Ein zentrales Merkmal des easyARguide ist die einfache Erstellung eigener Inhalte – ganz ohne Programmierkenntnisse. Über eine intuitive No-Code-Oberfläche können Verantwortliche die Büroführung direkt in der AR-Anwendung gestalten, indem sie digitale Marker, Texteinblendungen, Fotos, Videos oder 3D-Objekte hinzufügen. So lassen sich individuelle Rundgänge flexibel anpassen, erweitern oder aktualisieren und das direkt am Ort des Geschehens.

Die Anwendung ist auf mehreren Geräten verfügbar, darunter HoloLens, Meta Quest 3 und Android-Tablets. Dadurch kann sie je nach Zielgruppe und Anwendungskontext variabel eingesetzt werden, etwa im Onboarding, bei Events oder zur Orientierung im Arbeitsalltag.

  • Anweisung Radkappe abziehen

  • Start der Büroführung

    Start der Büroführung

  • Anweisungen zum Jalousien schließen

    Anweisungen zum Jalousien schließen

  • Büroführung: Ein- und Ausgänge

    Büroführung: Ein- und Ausgänge

Erstellte Szenarien der digitalen Büroführung

Der erstellte Guide bietet zwei Hauptmodi für die Büroführung:

  1. Modus: Generelle Büroführung
    In diesem Modus werden allgemeine Informationen zur Bürostruktur vermittelt. Nutzer:innen erhalten Hinweise zu wichtigen Bereichen wie Arbeitsplätzen, Konferenzräumen, Aufenthaltsbereichen und zentralen Anlaufstellen. Dabei wird erläutert, wie die Büronutzung organisiert ist und welche Abläufe für den Alltag wichtig sind. Dieser Modus ist ideal für das Onboarding neuer Mitarbeiter.

  2. Modus: Sicherheit im Feierabendprozess
    Was ist, wenn man als letzte Person im Büro ist? Dieser Modus richtet sich an Mitarbeitende, die am Ende des Arbeitstages das Bürogebäude verlassen. Hier werden ihnen Schritt für Schritt alle relevanten Maßnahmen erklärt: das Schließen der Jalousien und Fenster, das Ausschalten des Lichts, das Reduzieren der Heizung auf ein energiesparendes Niveau und das korrekte Abschließen der Türen. Durch visuelle Hinweise und AR-Anweisungen wird sichergestellt, dass keine wichtigen Aufgaben übersehen werden – ein echter Mehrwert für die betriebliche Sicherheit.
  • Beispiel des 1. Modus: virtuelle Informationen zum Pausentisch

    Beispiel des 1. Modus: virtuelle Informationen zum Pausentisch

  • Beispiel des 2. Modus: AR-Anweisung zum Abschließen

    Beispiel des 2. Modus: AR-Anweisung zum Abschließen

Erkenntnisse

Die technische Umsetzung des AR-Konzeptes bei Büroführungen mithilfe des easyARguide konnte erfolgreich durchgeführt werden. Dabei basiert eine solche AR-Führung auf virtuellen Markierungen und interaktiven Elementen, welche den oder die Nutzer:in durch das Büro leiten. Die wichtigsten Erkenntnisse zu den Funktionen sind:

  • Navigation: Virtuelle Wegpunkte helfen dabei, sich in weitläufigen Gebäuden zurechtzufinden. Da das kleine Sichtfeld der AR-Brille dazu führen kann, dass Objekte nicht sofort sichtbar sind, wurde darauf geachtet, eindeutige Hinweise zur Orientierung bereitzustellen.

  • Menü-Interaktion: Die intuitive Benutzeroberfläche ermöglicht eine einfache Steuerung, jedoch kann es in bestimmten Situationen zu Überlagerungen digitaler Elemente kommen. Das kann passieren, wenn das Hauptmenü, welches die nutzende Person automatisch verfolgt um in dessen Sichtfeld zu bleiben, plötzlich auf im Raum platzierte Holograme trifft.

  • Einfache Einrichtung: Die Handhabung des Handtrackings erfordert eine kurze Eingewöhnungszeit von etwa 10 bis 30 Minuten. Danach können Administrator:innen den Guide eigenständig für ihre Bedürfnisse anpassen.

  • Effektive Alternative zur analogen Büroführung: Nutzer:innen können selbstständig das Gebäude erkunden, ohne auf eine geführte Tour angewiesen zu sein. Dies fördert eine individuellere und flexiblere Orientierung.

  • Persistenz: Einmal eingerichtet, kann der Guide jederzeit wiederverwendet werden, beispielsweise für neue Mitarbeitende. Jedoch ist es empfehlenswert, die Inhalte regelmäßig zu überprüfen und bei strukturellen oder organisatorischen Änderungen zu aktualisieren.

Fazit und Ausblick

Die Erprobung des easyARguide hat in der Praxis eindrucksvoll gezeigt, wie Augmented Reality zur Effizienzsteigerung und Prozessoptimierung im Büroalltag beitragen kann. Besonders für KMU, die mit begrenzten Ressourcen arbeiten, bietet die Technologie Mehrwert und großes Potenzial:

  • Bessere Orientierung: Neue Mitarbeiter:innen und Kunden gewöhnen sich schneller an ihre Umgebung und finden sich leichter zurecht.

  • Zeitersparnis: Statt wiederkehrender Führungen durch das Personal kann die AR-Anwendung effizient und flexibel eingesetzt werden.

  • Erhöhte Interaktivität: Durch die Kombination von visuellen Wegpunkten, interaktiven Erklärungen und Multimedia-Inhalten wird die Büroführung ansprechender gestaltet.

  • Langfristige Nutzung: Das System bleibt für neue Mitarbeitende oder Besuchende erhalten und kann bei Bedarf aktualisiert werden.

Der easyARguide kann nicht nur für Büroführungen, sondern auch in anderen Schulungskontexten wie Sicherheitseinweisungen oder bei Events vielfältig eingesetzt werden. Zukünftige Erweiterungen der erstellten Guides wie personalisierte Touren, mehrsprachige Inhalte oder andere standortgebundene Schulungen sind denkbar und bieten Raum für eine kontinuierliche Weiterentwicklung und eine verbesserte Erfahrung für Nutzende.

Somit gelingt es, analoge Prozesse in KMU sinnvoll zu digitalisieren, Mitarbeitende aktiv einzubinden und gleichzeitig Ressourcen zu schonen. Die digitale Büroführung mit easyARguide ist ein Beispiel dafür, wie digitale Innovationen im Mittelstand erfolgreich zur Anwendung kommen können.

Entdecken Sie noch weitere Best Practices auf der Hauptseite des easyARguide Projektes.


Flyer öffnen

  • Logo Mittelstand-Digital Zentrum Darmstadt
  • Logo Mittelstand-Digital Zentrum Hamburg
  • Logo Mittelstand-Digital Zentrum Rheinland

Haben Sie Fragen zu diesem Projekt?

Dann freuen wir uns über eine Nachricht an:

Mittelstand-Digital Zentrum Hamburg
mittelstand-digital@haw-hamburg.de

Haben wir Ihr Interesse geweckt?

Wir bieten weitere Angebote zum Thema AR an.
Schauen Sie gerne in unsere Veranstaltungen rein.

Das Mittelstand-Digital Zentrum Hamburg gehört zu Mittelstand-Digital. Mit dem Mittelstand-Digital Netzwerk unterstützt das Bundesministerium für Wirtschaft und Energie die Digitalisierung in kleinen und mittleren Unternehmen und dem Handwerk. Kommen Sie gern auf uns zu, wir bringen Sie Digital Voraus!

Weiterlesen

AR beim Reifentausch in der KFZ Werkstatt

easyARguide – Augmented Reality in der Kfz-Werkstatt

easyARguide – Augmented Reality in der Kfz-Werkstatt

Das Mittelstand-Digital Zentrum Rheinland hat in Kooperation mit der mittelständischen Autowerkstatt KFZ-Technik Kaspers die Augmented Reality (AR) Anwendung „easyARguide“ in einem Praxistest erprobt. Ziel des Tests war es, die Einsatzmöglichkeiten der Anwendung im Alltag einer Kfz-Werkstatt zu bewerten und Potenziale sowie Herausforderungen zu identifizieren, um in diesem Best Practice die gewonnenen Erkenntnisse zu teilen. 


Digitale Schritt-für-Schritt-Anleitung für den Radwechsel

Im Mittelpunkt des Praxistests stand die Entwicklung eines digitalen Leitfadens für den Radwechsel, einem alltäglichen, aber sicherheitsrelevanten Vorgang in Werkstätten. Gemeinsam mit dem Werkstattinhaber, Herrn Kaspers, wurde eine strukturierte und visuell unterstützte Anleitung in easyARguide erstellt, die alle wesentlichen Schritte des Prozesses abdeckt, angefangen beim Abziehen der Radkappe über das Lösen der Radschrauben und die Demontage des Rads bis zur fachgerechten Montage des neuen Rads. Die abschließenden Schritte, wie das Anbringen der Radschrauben und das Festziehen mit einem Drehmomentschlüssel, wurden ebenfalls in die Anleitung integriert. 

Für die visuelle Darstellung des gesamten Prozesses wurden Pfeilsymbole aus der Symbolgalerie, einer Sammlung vorgefertigter 3D-Objekte, verwendet, um die relevanten Arbeitsbereiche eindeutig zu markieren. Ergänzend dazu wurden die einzelnen Schritte durch beschreibende Textfelder erläutert.

Eine Besonderheit war der Einsatz der Bildfunktion, mit der beispielsweise Werkzeuge, wie der Drehmomentschlüssel in dieser Anleitung, als reale Objekte visuell hervorgehoben werden. Durch das Einblenden direkt im Sichtfeld der Augmented-Reality-Brille, wird das Werkzeug eindeutig identifizierbar.

  • Anweisung Radkappe abziehen

    Anweisung Radkappe abziehen

  • Anweisung Radschrauben lösen

    Anweisung Radschrauben lösen

  • Anweisung Radschrauben festziehen

    Anweisung Schrauben anziehen


Erkenntnisse aus dem Praxiseinsatz: Herausforderungen und Lösungen

Wie bei vielen digitalen Neuerungen zeigte sich auch bei der Einführung von Augmented Reality Technologie: Der erste Schritt ist oft der schwerste. Die Werkstattmitarbeitenden mussten sich zunächst mit der Bedienung der AR-Brille vertraut machen. Diese Aufgabe gehörte anfangs zu den größten Hürden, da die erstmalige Handhabung von AR-Hardware/Software ungewohnt ist. Durch wiederholte Nutzung fand eine schrittweise Gewöhnung an die Anwendung statt und den Personen fiel die Interaktion zunehmend leichter.

Zudem stellten die anfänglichen Lichtverhältnisse in der Werkstatt durch entstehende Sichtprobleme eine Herausforderung dar. Hierbei war die Anzeige der AR-Brille durch die begrenzte Displayleuchtkraft bei starker Umgebungshelligkeit nur schwer zu erkennen. Durch den gezielten Einsatz zusätzlicher Beleuchtung des Arbeitsplatzes konnte dieses Problem aber weitgehend behoben werden.

Wichtig ist: Für die Einführung neuer Technologien sollte ausreichend Eingewöhnungszeit in praxisnahen Arbeitsumgebungen eingeplant werden. Dabei können Hindernisse identifiziert und behoben, sowie ein Raum zum Anlernen geschaffen werden. Zudem kann ein strukturiertes Schulungskonzept helfen, Mitarbeitende effektiv an digitale Werkzeuge heranzuführen.


Erstellung eines AR-Leitfadens – Aufwand mit Mehrwert

Ein weiterer unvorteilhafter Aspekt, der im Test von easyARguide identifiziert werden konnte: Der Zeitaufwand für die Erstellung von Guides. Denn aktuell benötigt die Erstellung eines AR-Leitfadens vergleichsweise mehr Zeit als eine klassische mündliche Einweisung durch erfahrene Mitarbeitende. Dieser zeitliche Mehraufwand ist jedoch stark vom jeweiligen Prozess und dem Umgang mit der AR-Brille abhängig.

Zudem relativiert sich der initiale Mehraufwand recht schnell. Denn ist ein Guide erst einmal erstellt, kann er beliebig oft verwendet werden, z. B. zur Einarbeitung neuer Mitarbeitender oder Auszubildender. Dadurch kann die Kapazität der Fachkraft anderweitig genutzt werden oder auch ein fundamentales Anlernen stattfinden, wenn die Fachkraft aus dem Betrieb ausgeschieden ist.

Somit wird Know-how nachhaltig digital gesichert und jederzeit abrufbar gemacht. Das ist ein großer Vorteil insbesondere für kleinere und mittlere Unternehmen (KMU), die oft unter Fachkräftemangel leiden.

Die visuelle und interaktive Unterstützung durch AR-Technologie kann hierbei nicht nur die Qualität der Anleitungen verbessern, sondern auch die Fehlerquote verringern und die Schulung neuer Auszubildender und Mitarbeitender erleichtern.


Fazit: Augmented Reality als zukunftsweisende Unterstützung für KMU im Handwerk

Der Praxistest hat gezeigt: Im Handwerk und speziell in der Kfz Branche ist easyARguide als Erfolg zu werten. Augmented Reality ist kein Zukunftsszenario mehr, sondern bereits heute sinnvoll einsetzbar. Besonders im handwerklichen Umfeld wie der Kfz-Branche können digitale Assistenten wie easyARguide die Arbeit effizienter, sicherer und transparenter machen.

Trotz der anfangs bestehenden Herausforderungen durch den erstmaligen Kontakt zu AR-Technologien, konnte ein funktionierender Guide zur Demonstration der Anwendung erstellt und praxisnah getestet werden. Mit diesen Erfahrungen werden wertvolle Erkenntnisse für andere KMU geliefert, die ihre Prozesse digital unterstützen und zukunftssicher gestalten möchten.


Interesse am easyARguide: Entdecken Sie noch weitere Best Practices auf der Hauptseite des easyARguide Projektes.

Flyer öffnen

  • Logo Mittelstand-Digital Zentrum Darmstadt
  • Logo Mittelstand-Digital Zentrum Hamburg
  • Logo Mittelstand-Digital Zentrum Rheinland

Haben Sie Fragen zu diesem Projekt?

Dann freuen wir uns über eine Nachricht an:

Mittelstand-Digital Zentrum Hamburg
mittelstand-digital@haw-hamburg.de

Haben wir Ihr Interesse geweckt?

Wir bieten weitere Angebote zum Thema AR an.
Schauen Sie gerne in unsere Veranstaltungen rein.

Das Mittelstand-Digital Zentrum Hamburg gehört zu Mittelstand-Digital. Mit dem Mittelstand-Digital Netzwerk unterstützt das Bundesministerium für Wirtschaft und Energie die Digitalisierung in kleinen und mittleren Unternehmen und dem Handwerk. Kommen Sie gern auf uns zu, wir bringen Sie Digital Voraus!

Weiterlesen

easyARguide - Logo Frame

easyARguide – Augmented Reality für den Mittelstand

easyARguide – Augmented Reality für den Mittelstand 

Das Ziel des Augmented Reality (AR) Projekt „easyARguide“ ist die Digitalisierung und Konservierung von Lernprozessen mittels AR-Technologie. Entwickelt wird easyARguide von den Mittelstand-Digital Zentren Darmstadt, Hamburg und Rheinland.

  • Logo Mittelstand-Digital Zentrum Darmstadt
  • Logo Mittelstand-Digital Zentrum Hamburg
  • Logo Mittelstand-Digital Zentrum Rheinland

Der Fokus des Projektes ist primär die Erschließung von AR für kleine und mittelständische Unternehmen (KMU), insbesondere Handwerksbetrieben. Die Software ermöglicht es dem Fachpersonal virtuelle Lerninhalte selbstständig und ohne Programmierkenntnisse zu Erstellen. Lernende (wie beispielsweise Auszubildende) können die virtuellen Anleitungen danach selbstgesteuert nutzen und durchführen. Dabei ist easyARguide wiederholbar und besitzt ein lernpsychologisch fundiertes Konzept, das für ein effizientes Lernen sorgt.

Ausgangslage 

Der demografische Wandel führt in Handwerksbetrieben und produzierenden Unternehmen zunehmend zum Verlust ausgebildeter Fachkräfte und deren implizitem Fachwissen. Es stehen einerseits zu wenige interessierte Auszubildende zur Verfügung, um die vorhandenen Stellen zu besetzen, andererseits verlassen zunehmend langjährige Mitarbeiter:innen im Rentenalter und damit auch deren implizites Wissen die Unternehmen. Besonders problematisch ist das vor dem Hintergrund, dass in vielen Fällen in handwerklichen Betrieben keine effektive Speicherung von Wissen vorgenommen wird, sondern nur eine direkte Weitergabe von Ausbilder:in zu Auszubildender Person besteht. Mit dem Ausscheiden erfahrener Mitarbeiter:innen aus dem Berufsfeld, geht deshalb oftmals ein großer Teil des Wissens dieser Person, welches sich über Jahre in der beruflichen Praxis angeeignet wurde, verloren.

Deshalb zielt „easyARguide“ unter anderem darauf ab, diesem Verlust von Fachwissen durch Bewahrung und Sicherung des Wissens entgegenzuwirken. Lehrende können mit der, im Rahmen des Projektes entwickelten Anwendung komplett ohne Programmierkenntnisse domänenunabhängig Lerninhalte mit einem AR Head-Mounted-Display (HMD) umsetzen und ihren Lernenden über die Plattformen HMD oder Tablet verfügbar machen.

Vorherige Untersuchungen zur Anwendung von AR in der Ausbildung zeigen, dass der Einsatz von AR in weiten Teilen der Aus- und Weiterbildungsprozesse eine Reduzierung von Anlernzeiten und Prozessfehlern bewirken kann. Zudem wurde ein Anstieg der Lerneffizienz sowohl während als auch nach dem Training beobachtet. Dennoch ist der Kostenaufwand für die spezialisierte Entwicklung, Einrichtung und Implementierung von konventionellen AR-Technologien in den Aus- und Weiterbildungsprozess eine der größten Herausforderungen. Deshalb wurde bei der Entwicklung der Anwendung das Ziel verfolgt einen unmittelbaren Einbezug des Fachpersonals in die Erstellung von vielfältigen AR-Trainingsszenarien zu ermöglichen. Dadurch kann für KMU finanzieller Aufwand reduziert und ein niederschwelliger Zugang für die Integration von AR in Lehr-Lernprozesse gefördert werden.

Wichtig ist: easyARguide kann Ausbilder:innen nicht ersetzen, sondern soll sie in ihrer täglichen Arbeit unterstützen und entlasten. Da Lernende Teile der Inhalte zeitlich flexibel bearbeiten können, bleibt in den direkten Lernphasen mit den Lehrenden mehr Raum für individuelle Betreuung und gezielte Rückfragen. Somit wird eine intensivere Lernbegegnungen geschaffen.

Was macht AR als Medium sinnvoll für den Einsatz beim Lernen?
  • Virtuelle Inhalte im Sichtfeld

    Digitale Anleitungen oder Markierungen können direkt über dem realen Arbeitsumfeld eingeblendet werden und ersparen den Blickwechsel.

  • Kontextabhängige Informationen

    Inhalte erscheinen automatisch passend zur Blickrichtung und Position.

  • Realer Einsatzszenarien virtuell erweitern

    3D-Objekte, Animationen oder Hinweise ergänzen reale Arbeitsschritte direkt im Raum

  • Lernen am echten Arbeitsplatz

    Keine separate Schulungsumgebung nötig. Damit bringt AR die Anleitung dorthin, wo sie gebraucht wird.

  • Freihändiges Arbeiten durch Gesten

    Navigation durch Lerninhalte ohne Berührung ist ideal für Arbeiten mit Werkzeugen.

  • Nahtlose Verbindung von Theorie und Praxis durch Lerning-by-Doing

    Wissen wird dort vermittelt, wo es angewendet wird ohne Medienwechsel.

  • Virtuelle Demonstration von Handgriffen

    Virtuelle Hände oder animierte Schritte zeigen Bewegungsabläufe direkt am Einsatzort.


Herausforderungen

Design-Herausforderungen

Eine entscheidende Problemstellung war die Gestaltung eines benutzerfreundlichen Interfaces, das sich flexibel an unterschiedliche Anwendungsszenarien anpassen lässt und gleichzeitig ein schnelles Erlernen der Software ermöglicht. Hierfür wurde ein modularer Baukasten entwickelt, der es ermöglicht, Arbeitsschritte visuell und interaktiv zu erstellen. Dabei wurde darauf geachtet, dass die Anzahl an Informationen Anwender:innen möglichst nicht überlastet und ebenso die Funktion der Software nicht einschränkt wird. Gleichzeitig sollte die Software optisch ansprechend wirken, damit die Akzeptanz für Anwendende erhöht wird.

Die Anwendung wurde in mehreren Testläufen direkt in Handwerksbetrieben erprobt. Das Feedback aus diesen realen Arbeitsumgebungen war entscheidend, um eine möglichst hohe Akzeptanz zu erzielen – insbesondere bei Nutzenden, die bislang wenig Berührungspunkte mit digitalen Technologien haben. Dabei zeigte sich unter anderem, dass die Bedienung per Handgesten an unterschiedliche Altersgruppen angepasst werden musste. Einfache, eindeutig erkennbare Bewegungen wurden gegenüber komplexeren Gesten bevorzugt und so im Projekt umgesetzt.

Technische Herausforderungen

Die technische Umsetzung brachte eine Vielzahl an Anforderungen mit sich. Zu Beginn musste eine geeignete Entwicklungsumgebung für AR-Anwendungen geschaffen werden, die den unterschiedlichen Zielplattformen gerecht wird – darunter Microsoft HoloLens, Meta Quest 3, Magic Leap sowie mobile Android-Geräte. Jede dieser Plattformen bringt individuelle Einschränkungen mit sich, insbesondere hinsichtlich Sensorik und Rechenleistung. Die Entwicklung erfolgte primär auf der HoloLens 2, bevor eine Portierung auf die weiteren Plattformen, mit jeweils spezifischen Funktionseinschränkungen, erfolgte.

Ein zentraler technischer Aspekt war die Kalibrierung eines festen Orientierungspunktes im Raum. Ziel war es, virtuelle Inhalte, etwa Werkzeuge oder Anleitungen, stabil und präzise im physischen Raum zu verankern. Hierfür wurde ein lizenzfreies Marker-Tracking-System eingebunden, das auf frei gestaltbaren QR-Codes basiert. Die Suche nach einer geeigneten Lösung gestaltete sich zeitaufwändig, da viele verfügbare Systeme entweder inkompatibel mit dem bestehenden Technologiestack waren – insbesondere im Hinblick auf Softwareversionen – oder eine restriktive Lizenzierung hatten. Zunächst wurde entgegen der Vision eines optisch scanbaren Markers eine manuell ausrichtbare Markierung umgesetzt. Diese Lösung benötigte nur einen Bruchteil der benötigten Entwicklungskapazität eines Marker-Trackings und funktioniert plattformunabhängig sehr gut. Im Verlauf des Projekts konnten neue Möglichkeiten identifiziert werden, die eine zuverlässige und plattformunabhängige Platzierung von 3D-Elementen im Raum ermöglichten.

Ein weiterer Schwerpunkt lag in der Integration verschiedener Medienformate als visuelle Elemente innerhalb des Baukastensystems. Die Anwendung unterstützt neben Text und Bildern auch Audio- und Videoinhalte sowie Animationen – sowohl von virtuellen Objekten als auch von aufnehmbaren Handbewegungen (diese werden als holografische Repräsentation aufgenommen).
Um die Nutzung effizient zu gestalten und auf das Feedback der Testnutzenden einzugehen, wurden zudem Funktionen wie das Duplizieren von Medienelementen von Arbeitsschritten in einen anderen hinein und eine „Rückgängig“-Funktion implementiert.

Im Rahmen der Entwicklung wurden verschiedene Modelle von Tracking- und Haptik-Handschuhen getestet, um deren Eignung für den Einsatz in AR-gestützten Wartungs- und Montageprozessen zu evaluieren. Die Auswahl umfasste mehrere kabellose Varianten unterschiedlicher Hersteller. Ergänzend dazu fand ein Workshop mit anderen AR-Forschungsprojekten statt, bei dem ein direkter Vergleich der Handschuhe im Hinblick auf Praxistauglichkeit, Präzision und Integration mit bestehenden AR-Systemen durchgeführt wurde.

Im Testverlauf zeigte sich, dass die Handschuhe in puncto Trackingqualität durchaus überzeugen konnten: Die Hand- und Fingerbewegungen wurden präzise und stabil erfasst, was in virtuellen Interaktionen ein sehr natürliches Bediengefühl ermöglichte. Auch das Potenzial für komplexe Anwendungsfälle wurde positiv bewertet.

Den Vorteilen standen jedoch mehrere gewichtige Nachteile gegenüber. In der Praxis erwiesen sich viele Modelle als unhandlich im Umgang mit realen Werkzeugen – die verbauten Sensoren und Module störten bei der Nutzung oder führten zu ungenauer Erfassung. Auch zeigte sich eine hohe Empfindlichkeit gegenüber industriellen Bedingungen wie Staub, Schmutz oder öligen Oberflächen, was ihre Alltagstauglichkeit in typischen Montageumgebungen stark einschränkt. Zusätzlich verursachten die Systeme einen erheblichen Aufwand bei Kalibrierung und Wartung, was insbesondere im laufenden Betrieb als störend empfunden wurde. Weitere Kritikpunkte betrafen die fehlende Kompatibilität mit Standalone-AR-Brillen, also eigenständigen Datenbrillen mit integrierter Technik, die ohne zusätzliches Gerät funktionieren. Da viele Handschuhsysteme einen PC als Überbrückung für die Übertragung der sensorischen Daten benötigen, sowie den hohen Zeitaufwand für das An- und Ausziehen, der teils bis zu fünf Minuten pro Hand betragen konnte, überwiegten die Nachte der Nutzung. Auch Sicherheitsaspekte wie potenzielles Hängenbleiben an Geräten spielten eine Rolle.

Vor dem Hintergrund dieser Erfahrungen wurde deutlich, dass sich der ursprünglich angestrebte Mehrwert der Handschuhe zunehmend relativiert hat. Die aktuellen AR-Brillen verfügen mittlerweile über sehr zuverlässiges integriertes Handtracking, das in vielen Fällen eine ausreichend präzise und gleichzeitig deutlich unkompliziertere Lösung bietet. Dadurch entfällt die Notwendigkeit externer Tracking-Handschuhe, insbesondere für Anwendungsfälle wie das easyARguide-Projekt, bei dem Effizienz, Sicherheit und Alltagstauglichkeit im Vordergrund stehen.

Insgesamt kam das Projektteam daher zu dem Schluss, dass sich der Einsatz von Tracking- oder Haptik-Handschuhen im Kontext von easyARguide nicht als sinnvoll erwiesen hat. Die Nachteile überwiegen gegenüber dem begrenzten Nutzen, sodass künftig auf die native Handerkennung der AR-Geräte gesetzt wird.


Vorgehen 

Zu Beginn der Entwicklung von easyARguide wurde ein Lehr-Lern-Konzept entwickelt, das gezielt auf die Potenziale von Augmented Reality zugeschnitten ist. Ziel war es, nicht nur Inhalte digital darzustellen, sondern die didaktischen Möglichkeiten der Technologie voll auszuschöpfen.

Das Lehr-Lern-Konzept von easyARguide basiert in seiner ersten Iterationsstufe auf der Vier-Stufen-Lernmethode. Diese ist in Abbildung 1 im mittleren Bereich als „Lernenden-Ebene“ dargestellt. Ergänzt wird das Modell durch zwei zusätzliche Ebenen: die Projektebene (unten) und die Lehrenden-Ebene (oben).

Die Projektebene bildet den Ausgangspunkt von easyARguide. Sie stellt sicher, dass alle Phasen des Lernprozesses durch die technische Umsetzung sinnvoll unterstützt und abgedeckt werden. Die Lehrenden-Ebene wurde eingeführt, um ein kontinuierliches Feedback der Lernenden zu ermöglichen. Dadurch kann der Lehrende die Inhalte flexibel anpassen und bei Bedarf verbessern – visualisiert durch den Pfeil in Abbildung 1.

4 Stufen Lernkonzept angepasst an easyARguide
Abbildung 1: Vier stufen Lernprozess


Das Konzept ist als erster Entwurf zu verstehen und wurde praxisnah parallel zu Entwicklungsprozess des Prototyps erprobt. Ziel war eine benutzerorientierte Weiterentwicklung durch kontinuierliche Evaluation und Integration von Feedback. Der entwickelte Prototyp vermittelt die wesentlichen Ausbildungsinhalte mit AR-Elementen und greift dabei auf das zuvor definierte Konzept zurück.

Für die Erprobung konnte mit der ElbHandWerk GmbH, einem Unternehmen aus dem Bereich Sanitär- und Heizungsbau im Hamburger Umland, ein praxisnaher Partner gewonnen werden. Der Prototyp wurde dort in wiederholten Testungen eingesetzt. Durch den Austausch mit den Mitarbeitenden vor Ort wurde regelmäßig Feedback eingeholt, das direkt in die Weiterentwicklung eingeflossen ist. Durch diesen iterativen Prozess – bestehend aus Entwicklung, Testung und Optimierung – konnte sowohl die technische Umsetzung als auch das Lehr-Lern-Konzept gezielt auf die Anforderungen kleiner und mittelständischer Betriebe abgestimmt werden. Ziel war, einen praxistauglichen Prototyp zu entwickeln, der für viele Zielgruppen geeignet ist. Der Prototyp ist im Anschluss an das Projekt im Rahmen der Initiative Mittelstand-Digital kostenneutral zur Verfügung gestellt worden.

Um das System möglichst effizient und praxisorientiert nutzbar zu machen, wurde zudem eine optionale adaptive Logik entwickelt. Sie ermöglicht es, Guides so zu erstellen, dass deren Komplexität und Informationsdichte an den Kenntnisstand der Lernenden angepasst werden kann. Die Guides gliedern sich mithilfe eines Regelsystems in drei Kompetenzstufen auf – mit detaillierteren Anleitungen für Einsteiger und reduzierter Informationsdichte für Fortgeschrittene. Lernende und Lernelemente werden dabei Kompetenzgruppen zugewiesen, wodurch eine gezielte didaktische Ansprache ermöglicht wird.

Das adaptive Lernmodell soll einerseits den individuellen Lernfortschritt bestmöglich unterstützen, aber gleichzeitig auch flexibel genug sein, um Lehrenden Freiraum bei der Gestaltung ihrer Anleitungen zu lassen. Die aktuell umgesetzte Einteilung in drei Kompetenzstufen stellt einen ersten praxistauglichen Kompromiss zwischen diesen Anforderungen dar. In der Trainingserstellung verändern sich durch die Anwendung von adaptivem Lernen nur minimal die Vorgaben an die Arbeitsschritte, sodass sich ein Mehrwert im Lerneffekt ergibt, ohne dass ein relevanter Mehraufwand in der Erstellung entsteht. Eine detaillierte Beschreibung des Modells ist in einem begleitenden Fachartikel dokumentiert. Eine tiefergehende Untersuchung des Systems ist im Anschluss an das Projekt geplant, da im Bereich adaptiver Lernsysteme innerhalb der AR-Anwendungspraxis bisher nur wenige fundierte Erkenntnisse vorliegen.

Entwicklungsschritte im Überblick

Die Basis bildete eine Anforderungsanalyse, in der zentrale Funktionen für den Prototyp definiert wurden. Es folgte eine agile Entwicklung in wöchentlichen Sprints, wobei zunächst ein Minimalprototyp entstand. Dieser beinhaltete unter anderem:

  • Die Erstellung und Bearbeitung von Arbeitsschritten eines Guides.
  • Eine kleine Auswahl an 3D-Objekten, die im Raum platziert und animiert werden konnten.
  • Die Nutzung von Textfeldern zur Informationsvermittlung.
  • Die Möglichkeit, AR-Guides zu speichern und zu laden.
  • Die Integration eines lizenzfreien Marker-Trackings für stabile 3D-Platzierung im Raum.
  • Sowie die Trennung der Anwendung in zwei Modi:
    • Einen Baukastenmodus für Ausbilder:innen zur Erstellung von Lerninhalten.
    • Und einen Lernmodus, in dem die Bearbeitung deaktiviert ist.
  • Virtueller Pfeil im Raum zur Darstellung einer Drehrichtung

    Erste Tests mit richtungsweisenden Objekten des Prototyp

  • Ein Schritt eines Guides in der Installation eines Dampfkessels

    Individuell gebauter virtueller Guide als Ausgangslage

  • virtuelle 3D Wasserpumpenzange zum Anzeigen des Bewegungsablaufes

    Erste Tests zur Aufnahme von Animationen eines Objektes

Parallel zu den Tests im Handwerksbetrieb wurde der Funktionsumfang kontinuierlich erweitert. Basierend auf dem konkreten Bedarf der Nutzer:innen wurden unter anderem folgende Funktionen ergänzt:

  • Einfügen, Löschen und Duplizieren von Arbeitsschritten an beliebigen Stellen.
  • Intuitivere Anpassung der Gestensteuerung für unterschiedliche Alters- bzw. Nutzergruppen.
  • Integration von Funktionen zum Rückgängigmachen und Wiederherstellen von Aktionen.
  • Einbindung von Foto-, Video- und Audioinhalten im virtuellen Raum.
  • Sowie die Erstellung eines interaktiven Tutorial-Guides für neue Nutzer:innen.
  • Die Umsetzung von Handtracking zur Aufnahme und Darstellung animierter Handbewegungen.

Im Rahmen dieses Arbeitspakets wurde auch das Potenzial haptischer Handschuhe getestet.

Abschließend wurde das adaptive Lernsystem entwickelt. Gleichzeitig wurden letzte Optimierungen an der Benutzeroberfläche vorgenommen, um die Anwendung für Ausbilder:innen und Lernende gleichermaßen verständlich und effizient nutzbar zu machen. Die Auswertung des adaptiven Lernsystems sowie weitere wissenschaftliche Untersuchungen zur Wirksamkeit sind in Planung und werden zukünftig in einem Papier dargelegt.

Portierung und Weitertragen des Know-hows

Besonderes Augenmerk wurde hier auf die Reichweite gelegt, um die Einstiegshürde zu minimieren: Auch wenn nicht alle Funktionen plattformübergreifend verfügbar sind, wurde z. B. auf mobilen Geräten der Lernmodus bereitgestellt, um den Einstieg möglichst niedrigschwellig zu gestalten. Die vollständige Portierung der Benutzeroberfläche hätte andernfalls einen unverhältnismäßig hohen Aufwand bedeutet. Die angestrebten weiteren Plattformen, neben der HoloLens 2 waren die Meta Quest 2/3, Magic Leap und Android-basierte mobile Geräte.

Nach Abschluss des Projekts wurde der Quellcode auf GitHub veröffentlicht, um eine weitere Nutzung und Weiterentwicklung als Open-Source-Lösung zu ermöglichen.


Auszeichnungen

GOLC Award

Wir wurden auf der auf der STE 2026 Konferenz mit dem GOLC International Online Laboratory Award 2026 in der Kategorie Virtual- und Augmented-Reality-Experiments ausgezeichnet, der vom Global Online Laboratory Consortium verliehen wird. Dieser Award würdigen weltweit herausragende Innovationen im verschiedenen Bereichen der Forschung. Das GOLC tragen dazu bei, den Stand der Technik im Bereich der Online-Labore weltweit in allen Bereichen der Bildung voranzubringen.

Die Auszeichnung bestätigt die Innovationskraft von easyARguide im Bereich Augmented Reality und unterstreicht unseren Beitrag zur Weiterentwicklung moderner, digital unterstützter Lern- und Anwendungsszenarien.

GOLC Award Verleihung auf der Bühne

DIVR XR Award

Mit Stolz darf auch gesagt werden, dass easyARguide für den renommierten DIVR XR Science Award 2024 nominiert war. Eine Auszeichnung, die herausragende Innovationen im Bereich Extended Reality (XR) würdigt. Unser Projekt zeigt eindrucksvoll, welches Potenzial hinter smarten und intuitiven AR-Lösungen digitaler Assistenzsysteme steckt. Mit unserer Anwendung hoffen wir auch kleine und mittlere Unternehmen ins Boot der Digitalisierung zu holen. 

easyARguide Team stellt ihr Projekt beim DIVR XR Award vor Mitarbeiterin erklärt das Projekt Ganzer easyARguide Stand beim DIVR XR

Erkenntnisse

Die Entwicklung und Erprobung von easyARguide hat zahlreiche Erkenntnisse hervorgebracht – sowohl auf technischer als auch auf organisatorischer und didaktischer Ebene. Einige der zentralen Learnings und überraschenden Ergebnisse sind im Folgenden zusammengefasst:

  • Der Entwicklungsaufwand war deutlich höher als ursprünglich angenommen.

    Insbesondere die Komplexität bei der plattformübergreifenden Umsetzung und das Ermitteln von kompatiblen, lizenzfreien Tools, wie etwa im Bereich Marker-Tracking, erwiesen sich als zeitintensiv. Auch die kontinuierliche Integration von Nutzer:innenfeedback erforderte regelmäßige Umstellungen im Entwicklungsprozess, was zusätzliche Ressourcen band.

  • Das Feedback der Testnutzer:innen war durchweg positiv – begleitet von großer Neugier und Offenheit.

    Mitarbeitende im Handwerk zeigten sich begeistert von der intuitiven Nutzung der AR-Inhalte. Besonders positiv bewertet wurde, dass sie aktiv in die Weiterentwicklung eingebunden wurden.

  • Die Anforderungen an eine AR-Lösung im KMU-Umfeld unterscheiden sich deutlich von denen größerer Unternehmen.

    Lösungen müssen niedrigschwellig einsetzbar sein, mit möglichst wenig zusätzlicher Hardware auskommen und sich in bestehende Prozesse einfügen lassen. Die Möglichkeit zur Nutzung auf mobilen Geräten (z. B. Android-Tablets) wurde deshalb als besonders wichtig bewertet.

  • Modelle für Lerninhalte müssen flexibel erweiterbar sein.

    Die im Projekt eingeführten virtuellen 3D Objekte sind ein guter Ansatz zur Darstellung unspezifischer Situationen, müssen aber weiter verfeinert werden – z. B. im Hinblick auf individuelle Lernbereiche oder branchenspezifische Inhalte. Hierfür steht eine Importfunktionalität aus.

  • Eine enge Verzahnung von Entwicklung und Anwendung erhöht die Qualität.

    Durch die direkte Zusammenarbeit mit einem mittelständischen Partner konnten Anforderungen frühzeitig erkannt und realitätsnah umgesetzt werden. Das hat nicht nur die Funktionalität verbessert, sondern auch das Vertrauen in die Technologie gestärkt.

  • Open-Source-Ansatz schafft neue Potenziale.

    Durch die Veröffentlichung der Anwendung als Open-Source-Projekt ergibt sich die Möglichkeit, dass andere Unternehmen, Bildungseinrichtungen oder Entwickler:innen das easyARguide-Projekt an eigene Anforderungen anpassen und weiterentwickeln können – auch jenseits der ursprünglich geplanten Nutzungsszenarien.

  • Während der Testphase wurden zahlreiche neue Anwendungsbereiche identifiziert, die über das ursprüngliche Konzept hinausgehen.

    Darunter z. B. Einsatzmöglichkeiten beim Onboarding als Standortführung oder im Tourismusbereich als Erlebnisraum. Diese Ideen stammten überwiegend direkt von den Anwender:innen vor Ort oder auf Fachmessen – ein klares Indiz für den praktischen Mehrwert und die Offenheit zur Mitgestaltung.


Best Practices

Im Rahmen der weiteren Projektergebnisse wurden einige dieser neu identifizierten Anwendungsmöglichkeiten bereits konkret erprobt. In anschließenden Best-Practice-Berichten wird exemplarisch gezeigt, wie die easyARguide-Anwendung in unterschiedlichen betrieblichen Kontexten eingesetzt werden kann und welche Chancen sich daraus für kleine und mittelständische Unternehmen ergeben.


Flyer öffnen


Haben Sie Fragen zu diesem Projekt?

Dann freuen wir uns über eine Nachricht an:

Mittelstand-Digital Zentrum Hamburg
mittelstand-digital@haw-hamburg.de


Haben wir Ihr Interesse geweckt?

Wir bieten weitere Angebote zum Thema AR an.
Schauen Sie gerne in unsere Veranstaltungen rein.

Weiter Informationen zum Projekt finden Sie auch auf der Demonstratoren Datenbank von Mittelstand-Digital.

Das Mittelstand-Digital Zentrum Hamburg gehört zu Mittelstand-Digital. Mit dem Mittelstand-Digital Netzwerk unterstützt das Bundesministerium für Wirtschaft und Energie die Digitalisierung in kleinen und mittleren Unternehmen und dem Handwerk. Kommen Sie gern auf uns zu, wir bringen Sie Digital Voraus!

Weiterlesen

KI Roboter mit Bewertungssternen und an den Seiten Daumen hoch und runter

Demonstrator zur präziseren visuellen Qualitätskontrolle mit KI

Demonstrator zur visuellen Qualitätskontrolle mit KI

Ausgangslage 

Die Produktionsprozesse in modernen Fertigungsunternehmen werden durch innovative Technologien stetig weiterentwickelt, sodass Effizienz, Präzision und Qualität kontinuierlich gesteigert werden. HellermannTyton, ein weltweit führender Hersteller von hochwertigen Lösungen im Bereich Kabelmanagement, Verbindungstechnik und industrieller Kennzeichnung, hat dabei ein hochmodernes, pixelbasiertes Qualitätssystem eingeführt, das sämtliche potenzielle Defekte zuverlässig erfasst. Das Unternehmen, das 1935 in Hamburg gegründet wurde und seit 2000 seinen Sitz in Tornesch hat, bietet Lösungen für Branchen wie die Automobilindustrie, den Maschinenbau, die Luft- und Raumfahrt, die Elektroinstallation und die Telekommunikation.

EdgeClip mit Kabelbinder

Abbildung 1:

EdgeClip (links) mit Kabelbinder

Durch das hohe Qualitätsversprechen von HellermannTyton wird jedes Produkt mit höchster Präzision geprüft. Besonders die visuelle Kontrolle des EdgeClip, einer Kabelhalterungslösung für die Kantenmontage, stellt dabei eine Herausforderung dar. Diese Halterung, die aus einem widerstandsfähigen Kunststoffgehäuse mit integrierter Federstahlklammer besteht, ermöglicht eine zuverlässige und flexible Befestigung und wird vor allem in der Automobil- und Maschinenbauindustrie geschätzt. Das bestehende System sorgt bereits für eine sehr hohe Qualitätsprüfung, dennoch stößt es bei der präzisen Unterscheidung zwischen tatsächlichen Defekten und Pseudoausschuss an seine Grenzen. Pseudoausschuss bezeichnet in diesem Kontext fehlerfrei produzierte Bauteile, die fälschlicherweise als Ausschuss klassifiziert werden. Dies kann durch optische Effekte wie Reflexionen, Glanzstellen oder Verunreinigungen verursacht werden, die das Prüfsystem als Defekt interpretiert, obwohl das Bauteil in einwandfreiem Zustand ist. Zudem führen Schmutz- und Staubpartikel, Zinksplitter oder verschmutzte Beschichtungen zu fehlerhaften Klassifizierungen. Auch minimale Abweichungen in Geometrie, Abmessungen oder Chargenunterschiede stellen für das System eine Herausforderung dar. Da Mikrofehlerabweichungen nahezu unendlich viele Variationen aufweisen und oft eine glatte Struktur haben, wird eine eindeutige Klassifizierung erschwert. Im Rahmen des Projekts wird daher daran gearbeitet, die Pseudoausschussrate weiter zu senken und damit die Effizienz und Nachhaltigkeit der Produktion zu steigern.

Verschmutzungsgrade des EdgeClips

Abbildung 2:

Verschmutzungsgrade des EdgeClips

In diesem Kontext wurde ein Pilotprojekt ins Leben gerufen, um den Einsatz künstlicher Intelligenz, speziell Convolutional Neural Networks (CNN), in der visuellen Qualitätskontrolle zu erproben. Ziel war es, ein System zu entwickeln, das in Echtzeit Bilder von Produktionsprozessen auswerten kann, um fehlerhafte Teile zuverlässig zu identifizieren. Zur Umsetzung wurde ein prototypischer Anlagen-Nachbau realisiert, der typische Produktionsbedingungen simuliert. Dabei wurden hochauflösende Industriekameras, ein Drehteller mit pneumatischer Steuerung und eine modulare IT-Architektur eingesetzt, um eine realitätsnahe Testumgebung zu schaffen.


Herausforderungen

Die Integration einer visuellen Qualitätskontrolle mit KI in eine bestehende Produktionsumgebung stellte sowohl technische als auch organisatorische Herausforderungen dar. Eine der zentralen Anforderungen bestand darin, dass das KI-Modell Bilder in Echtzeit analysieren sollte, um den Produktionsfluss nicht zu behindern. Dies bedeutete, dass die Verarbeitung innerhalb von max. 200 Millisekunden erfolgen musste. Um diese Vorgabe zu erfüllen, war die Auswahl geeigneter Edge-Computing-Geräte und entsprechender KI-Modelle entscheidend. Hier mussten Systeme gefunden werden, die sowohl leistungsstark als auch kosteneffizient waren, wie etwa die NVIDIA Jetson Plattform oder vergleichbare Lösungen. Gleichzeitig musste das KI-Modul nahtlos in die bestehende Maschinensteuerung integriert werden. Dies erforderte standardisierte Schnittstellen, um eine reibungslose Kommunikation zwischen der KI und den Steuerungssystemen zu gewährleisten.

Ein weiteres wesentliches Problem war die Datenqualität und -vorbereitung. Die Erfassung von 20.000 Bildern in einer Produktionsumgebung stellte Herausforderungen hinsichtlich Konsistenz und Qualität dar. Faktoren wie unterschiedliche Lichtverhältnisse, variierende Auflösungen und Bewegungsunschärfen mussten systematisch adressiert werden. Zudem war die manuelle Klassifikation und Annotation der Bilder essenziell, um eine einheitliche und qualitativ hochwertige Datenbasis für das Training des KI-Modells zu schaffen. Dies erforderte präzise Tools und klar definierte Kriterien, um Fehlklassifikationen zu minimieren.

Die Modellrobustheit und die Anpassung mittels Transferlernen bildeten eine weitere Herausforderung. Das vorab trainierte KI-Modell musste für die spezifischen Produktionsbedingungen optimiert werden. Dabei war es besonders wichtig, dass das Modell auch bei veränderten optischen Rahmenbedingungen, wie unterschiedlichen Kamerawinkeln oder variierender Lichtintensität, stabile Ergebnisse liefern konnte. Eine iterative Optimierung war notwendig, um Fehlklassifikationen, insbesondere unter extremen Lichtverhältnissen, systematisch zu analysieren und die gewonnenen Erkenntnisse in den Trainingsprozess zurückzuführen.

Neben den technischen Herausforderungen spielten die betriebliche Einbindung und Akzeptanz der neuen Technologie eine entscheidende Rolle. Dies umfasste nicht nur die Handhabung des Systems, sondern auch das Verständnis für dessen Funktionsweise und die Interpretation der Ergebnisse.


Vorgehen

Agiles Vorgehensmodell nach CRISP-DM

Abbildung 3:

Agiles Vorgehensmodell nach CRISP-DM

Um die Herausforderungen der Integration einer visuellen Qualitätskontrolle mit KI zu bewältigen, wurde ein strukturiertes und iteratives Vorgehen entwickelt, das sowohl technische als auch organisatorische Aspekte berücksichtigte. Dabei wurde berücksichtigt, dass der Prozess nicht strikt linear verläuft, sondern fortlaufend angepasst wird, insbesondere durch häufige Rücksprache zwischen ML- und Fach-Experten. Dort wurden detaillierte Anforderungen definiert und ein umfassendes Konzept erstellt. Dieses umfasste die Entwicklung einer modularen Systemarchitektur mit einem Datenerfassungsmodul, einem zentralen KI-Analysemodul und einer Schnittstelle zur Maschinensteuerung. Zudem wurde eine Datenpipeline zur automatisierten Bilddatenerfassung und Vorverarbeitung definiert, um Bildrauschen zu reduzieren und Kontraste anzupassen

Prototyp mit pneumatischem Drehteller

Abbildung 4:

Prototyp mit pneumatischem Drehteller

Ein zentrales Ergebnis des Projekts war der prototypische Nachbau der Produktionslinie, der als Testumgebung zur Validierung der Qualitätskontrolle mit KI diente. Zusätzlich wurde ein Echtzeit-Monitoring-Dashboard in das System integriert, das eine kontinuierliche Evaluierung und Validierung der KI-gestützten Analyse ermöglicht. Dieses Dashboard erlaubt nicht nur die Visualisierung wichtiger Produktionskennzahlen, sondern bietet auch eine semiautomatisierte Generierung neuer Trainingsdaten. Dabei werden Bilder automatisch erfasst und mithilfe vordefinierter Labels versehen, sodass daraus ein datenbankbasierter Datensatz für das Training neuer KI-Modelle entsteht. Darüber hinaus können bestehende Klassifikationsentscheidungen überprüft und mit realen Teilebewertungen verglichen werden, wodurch eine iterative Verbesserung der bestehenden KI-Systeme möglich wird. Dieser Prototyp bestand aus einem Drehteller mit pneumatischer Steuerung, der eine flexible Simulation variabler Geschwindigkeiten und Positionen ermöglichte. Dadurch konnten realistische Produktionsbedingungen nachgestellt werden, um die Leistungsfähigkeit der KI-gestützten Analyse unter unterschiedlichen Szenarien zu testen. Zur Sicherstellung einer detaillierten Bildaufnahme wurden mehrere hochauflösende Industriekameras strategisch positioniert, sodass verschiedene Blickwinkel und Lichtverhältnisse optimal erfasst wurden. Diese vielseitige Kamerainfrastruktur ermöglichte eine umfassende Erfassung der Bauteile in unterschiedlichen Produktionssituationen. In einem definierten Zeitraum wurden rund 20.000 Bilder aus dem Produktionsprozess gesammelt und mithilfe spezialisierter Annotationstools in „Gut-Teile“ und „Schlecht-Teile“ kategorisiert. Die Bilder wurden anschließend vorverarbeitet, wobei Filter zur Rauschreduzierung, Kontrastanpassungen und Skalierungsanpassungen angewandt wurden, um eine konsistente Datenbasis für das Modelltraining zu schaffen.

CAD-Zeichnung des Prototyps mit mehreren Kameras

Abbildung 5:

CAD-Zeichnung des Prototyps mit mehreren Kameras

Die technische Umsetzung umfasste die Entwicklung der Systemarchitektur in einer modularen Container-Umgebung, beispielsweise mit Docker, um eine flexible Skalierung und einfache Integration in bestehende IT-Landschaften zu gewährleisten. Das Datenerfassungsmodul wurde so konzipiert, dass es einen Live-Zugriff auf die Kameras ermöglichte und Bilder in Echtzeit vorverarbeitete. Das zentrale KI-Analysemodul basierte auf einem Convolutional Neural Network (CNN), das durch Transferlernen an die spezifischen Produktionsbedingungen angepasst wurde. Umfangreiche Hyperparameter-Tuning-Prozesse, wie die Anpassung von Lernraten, Batch-Größen und Netzwerkarchitekturen, verbesserten die Modellgenauigkeit stetig. Die Anbindung an die Produktionssteuerung erfolgte über eine REST-API, wodurch die Analyseergebnisse direkt in den Produktionsprozess integriert wurden. Zur Sicherstellung der Echtzeitfähigkeit kamen leistungsstarke Edge-Computing-Geräte zum Einsatz, die über GPIO-Schnittstellen direkt mit der Maschinensteuerung verbunden wurden. Benchmark-Tests zeigten, dass die Inferenzzeiten konstant unter 200 Millisekunden lagen und somit der Produktionsfluss nicht beeinträchtigt wurde.

Grafische Benutzeroberfläche des Dashboards

Abbildung 6:

Grafische Benutzeroberfläche des Dashboards

In der anschließenden Test-, Validierungs- und Optimierungsphase wurden unterschiedliche Produktionsbedingungen simuliert, um die Robustheit des KI-Modells zu überprüfen. Dazu gehörten Tests unter verschiedenen Lichtverhältnissen, etwa bei natürlichem Licht, künstlicher Beleuchtung und Helligkeitsunterschieden. Zudem wurde der Einfluss von Bewegungsunschärfe und wechselnden Blickwinkeln analysiert. Fehlklassifikationen, die unter ungünstigen Bedingungen auftraten, wurden detailliert analysiert und in weitere Trainingszyklen integriert, um das Modell kontinuierlich zu verbessern.


Erkenntnisse

Das Projekt lieferte wertvolle und praxisrelevante Erkenntnisse, die sowohl technische als auch organisatorische Aspekte betreffen. Besonders die technische Leistungsfähigkeit und der Echtzeitbetrieb des Systems stellten wesentliche Erfolgsfaktoren dar. Durch den iterativen Trainingsprozess und den Einsatz von Transferlernen konnte eine Klassifikationsgenauigkeit von über 95 % erreicht werden, was verdeutlicht, dass das KI-Modell fehlerhafte Teile mit hoher Zuverlässigkeit identifiziert. Zudem wurde durch die Auswahl geeigneter Edge-Computing-Hardware und die optimierte Systemarchitektur eine Inferenzzeit von unter 200 Millisekunden realisiert, sodass der Produktionsfluss in keiner Weise beeinträchtigt wurde.

Das Projekt zeigte zudem, dass das entwickelte KI-System eine hohe Anpassungsfähigkeit und Flexibilität aufweist. Durch Transferlernen ließ sich das Modell effizient an spezifische Produktionsbedingungen anpassen. Dennoch wurde deutlich, dass regelmäßige Nachtrainingszyklen erforderlich sind, da sich optische Rahmenbedingungen, wie wechselnde Lichtverhältnisse, speziell Schattenwürfe, oder unterschiedliche Kameraperspektiven, im Produktionsalltag stetig verändern. Diese kontinuierliche Anpassung ist essenziell, um die langfristige Leistungsfähigkeit des Modells zu gewährleisten.

Zusammenfassend konnte durch das Projekt gezeigt werden, dass eine visuelle Qualitätskontrolle mit KI nicht nur technisch realisierbar ist, sondern durch gezielte Optimierungsmaßnahmen eine effiziente und verlässliche Integration in bestehende Produktionsprozesse ermöglicht werden kann. Außerdem zeigte das Projekt, dass der Aufwand zum Training, sowie zur Implementierung von Systemen für die Inferenz durch ein breites und kostengünstiges Angebot von Software-Bibliotheken und Hardware für die Inferenz auch für KMU tragbar geworden ist. Aufgrund der positiven Ergebnisse und der gewonnenen Erkenntnisse wurde entschieden, ein KI-gestütztes Kamerasystem für eine neue Maschinenkonzeption zu planen und einzuführen. Dieses System wird speziell darauf ausgelegt, die Qualitätssicherung weiter zu optimieren und eine noch präzisere Fehlererkennung in Echtzeit zu gewährleisten.


Sie haben Fragen zu diesem Projekt?

Dann freuen wir uns über eine Nachricht an:

Mittelstand-Digital Zentrum Hamburg
mittelstand-digital@haw-hamburg.de

Haben wir Ihr Interesse geweckt?

Wir bieten weitere Angebote zum Thema Qualitätskontrolle mit KI an.
Schauen Sie gerne in unsere Veranstaltungen rein.

Das Mittelstand-Digital Zentrum Hamburg gehört zu Mittelstand-Digital. Mit dem Mittelstand-Digital Netzwerk unterstützt das Bundesministerium für Wirtschaft und Energie die Digitalisierung in kleinen und mittleren Unternehmen und dem Handwerk. Kommen Sie gern auf uns zu, wir bringen Sie Digital Voraus!

Weiterlesen

Illustration eines Chatbot mit Produktvorschlägen

ChatPro – Chatbot-basierte Produktempfehlung für komplexe Produkte

ChatPro – Chatbot-basierte Produktempfehlung für komplexe Produkte

Ausgangslage 

Die CNT Gesellschaft für Personal- und Unternehmensentwicklung mbH bietet ein breit gefächertes Portfolio an eignungsdiagnostischen Verfahren, die gezielt auf unterschiedliche Zielgruppen und Anwendungskontexte zugeschnitten sind. Das zentrale Instrument, der CAPTain Test®, liegt in mehreren spezialisierten Ausführungen vor – etwa für Führungskräfte, Vertriebspersonal oder spezifische Verhaltensprofile wie Konfliktverhalten oder Selbstmanagement. Diese Varianten ermöglichen differenzierte und präzise Analysen individueller Stärken, Potenziale und Verhaltensweisen.

Mit der wachsenden Vielfalt an Testformaten steigt jedoch auch die Komplexität bei der Auswahl des passenden Instruments. Viele Kunden tun sich schwer, ohne fachliche Begleitung genau das Verfahren zu finden, das optimal zu ihren Anforderungen passt.

Um diesen Auswahlprozess effizienter und zugänglicher zu gestalten, ist der Einsatz intelligenter Unterstützungssysteme sinnvoll. Hierfür eignet sich ein LLM-gestützter Chatbot. Ein solcher Bot könnte Kundenanfragen analysieren, gezielt Informationen aus einer internen Wissensbasis abrufen und daraus automatisiert fundierte Produktempfehlungen ableiten. Das entlastet Beratungskapazitäten und erhöht gleichzeitig die Nutzerfreundlichkeit bei komplexen diagnostischen Entscheidungen.

CNT Webseite des Chatbot Projektes

Herausforderungen

Die Entwicklung eines KI-gestützten Chatbots zur Empfehlung passender Personaltests brachte eine Reihe technischer und organisatorischer Herausforderungen mit sich. Diese betrafen insbesondere die Datenqualität und die Auswahl sowie Integration eines leistungsfähigen Large Language Models (LLM). Schnell wurde außerdem klar, dass der Aufwand zur Bereitstellung eines selbst gehosteten Systems für die erwartete Nutzung unverhältnismäßig hoch wäre. Daher bestand eine zentrale Herausforderung darin, einen geeigneten Anbieter für Chatbots zu finden, der sowohl DSGVO-konform und sicher in der Datenverarbeitung ist als auch den Anforderungen an eine möglichst niedrige Latenzzeit und hohe Benutzerfreundlichkeit gerecht wird. Die Auswahl des LLM erfolgte in einem späteren Schritt, nachdem der geeignete Chatbot-Anbieter gefunden und integriert war.

Datenheterogenität und Datenqualität

Eine der zentralen Herausforderungen bestand in der heterogenen Datenbasis. Die Informationen zu den Personaltests lagen in unterschiedlichen Formaten, Webseiten und unstrukturierten Texten vor. Daher war eine sorgfältige Bereinigung, Harmonisierung und Transformation der Daten erforderlich. Ziel war es, eine standardisierte, semi-strukturierte Datenbasis zu schaffen, die optimal für die Verarbeitung durch das gewählte LLM vorbereitet ist.

Integration und Auswahl des Chatbot-Anbieters

Die Auswahl eines geeigneten Chatbots war ein kritischer Faktor für den Projekterfolg. Dabei wurden verschiedene Anbieter hinsichtlich Datenschutzes, Kosten, Leistungsfähigkeit und Integrationsmöglichkeiten verglichen. Da der Chatbot unter Umständen personenbezogenen Daten verarbeitet, spielte der Datenschutz eine entscheidende Rolle.

Ein weiterer wichtiger Aspekt war das Prompt Engineering. Um präzise und kontextbezogene Produktempfehlungen zu ermöglichen, mussten spezifische Instruktionen entwickelt und getestet werden. Dies erforderte eine iterative Optimierung der Prompts, um die bestmöglichen Ergebnisse zu erzielen.


Vorgehen

Das Projekt folgte einem linearen Ansatz, bei dem die Datenauswahl und Transformation parallel zur Auswahl des Anbieters anhand der im Vorfeld erhobenen Anforderungskriterien durchgeführt wurde. Dies ermöglichte eine strukturierte und gezielte Umsetzung der einzelnen Phasen.

Anforderungsanalyse und Auswahl eines Anbieters LLM-gestützten Chatbots

Zu Beginn des Projekts wurden in einem gemeinsamen Workshop durchgeführt relevante Use Cases und Kundenbedürfnisse identifiziert. Dieser Workshop diente nicht nur der reinen Anforderungsaufnahme, sondern auch dazu, ein gemeinsames Verständnis für die Zielsetzung des Projekts zu schaffen. Durch interaktive Diskussionen konnten unterschiedliche Perspektiven einbezogen und potenzielle Herausforderungen frühzeitig erkannt werden.

Im Rahmen der Anforderungsanalyse wurden detaillierte Anforderungen erstellt, die als Grundlage für die Auswahl und Umsetzung dienten. Dabei wurden zentrale Aspekte wie Datenschutz, Kosten und Benutzerfreundlichkeit besonders berücksichtigt, um den zukünftigen Betrieb des Systems sicherzustellen. Der Datenschutz spielte eine zentrale Rolle, da der Chatbot möglicherweise mit sensiblen Daten arbeitet und dabei stets DSGVO-konform agieren muss. Neben technischen Anforderungen wurden auch Nutzererwartungen und User Experience-Aspekte betrachtet. Es war essenziell, dass der Chatbot einfach zu konfigurieren und zu warten ist und eine intuitive, möglichst natürliche Interaktion ermöglicht.

Auf Basis dieser zuvor festgelegten Anforderungen wurden mehrere potenzielle Anbieter evaluiert. Dabei wurden insbesondere Datenschutz, Kosten und Benutzerfreundlichkeit untersucht. Nach einer umfassenden Analyse wurde schließlich ein Anbieter ausgewählt, der den definierten Anforderungen am besten entsprach.

Datenprüfung und Transformation

Nachdem der Anbieter ausgewählt wurde, erfolgte eine umfassende Dateninventur. Dabei wurden alle verfügbaren internen und externen Datenquellen zusammengeführt und analysiert. Die primäre externe Datenquelle waren die Inhalte der Webseite des Unternehmens. Während das automatische Einlesen der Webseiten über das Interface technisch einfach realisierbar war, zeigten erste Tests erhebliche Probleme in der Datenqualität. Daher wurde eine semi-automatische Crawling-Lösung auf Basis der Open-Source-Software Firecrawl.dev implementiert. Diese Lösung ermöglichte es, Webseitentexte gezielt in ein für LLMs verständliches Markdown-Format zu konvertieren.

Markdown für LLMs ist ein semi-strukturiertes Textformat, das eine klare Trennung von Inhalten und Layout ermöglicht. Dabei werden z. B. fettgedruckte Begriffe für Schlüsselbegriffe genutzt, Überschriften zur thematischen Gliederung definiert und Tabellen in strukturierte Dateneinheiten überführt. Diese Struktur stellt sicher, dass LLMs den Text effizient verarbeiten können, ohne auf überflüssige oder redundante Informationen zu stoßen.

Nach der automatischen Extraktion wurden die Daten manuell überarbeitet, um irrelevante Inhalte wie wiederkehrende Kontaktinformationen oder redundante Abschnitte zu entfernen. Dadurch wurde sichergestellt, dass die resultierende Datenbasis möglichst präzise und qualitativ hochwertig für die spätere Verarbeitung war.

Testen, Validierung & Optimierung

Nach der Datenprüfung und Transformation wurde der Chatbot zunächst in einem nicht-live Betrieb von mehreren Mitarbeitenden getestet. Dabei wurde insbesondere die Richtigkeit der empfohlenen Personaltests anhand zuvor definierter Kriterien überprüft. Zusätzlich wurden verschiedene Strategien zur Informationsgewinnung und Auswahl des optimalen Tests ausprobiert, um die bestmögliche Benutzerführung zu ermitteln.

Ein zentraler Bestandteil des Testprozesses und Optimierungsprozesses war das Prompt Engineering. Die Formulierungen der Prompts wurden iterativ überarbeitet und an unterschiedliche Szenarien angepasst. Durch wiederholte Tests wurden Anweisungen verfeinert, um die Genauigkeit und Relevanz der generierten Antworten zu maximieren. Dabei wurden verschiedene Versionen der Prompts entwickelt, um zu verstehen, wie sich unterschiedliche Formulierungen auf die Antwortqualität auswirken.

Zusätzlich wurden mehrere LLM-Anbieter getestet, um herauszufinden, wie unterschiedlich sie auf spezifische Instruktionen reagieren. Dabei wurde untersucht, welche Modelle am besten mit den Anforderungen der Personaltest-Empfehlungen harmonierten. Die Leistung der LLMs wurde anhand von Kriterien wie Präzision, Antwortgeschwindigkeit und Anpassungsfähigkeit an verschiedene Eingabevarianten bewertet.

Schließlich wurden alle Testergebnisse in einer Fehleranalyse zusammengeführt. Besonders falsche Empfehlungen und Missverständnisse in der Interaktion wurden detailliert anhand der Nachrichten-Historie untersucht. Auf Basis dieses Feedbacks erfolgten Anpassungen der Prompt-Strategie sowie eine gezielte Erweiterung der Wissensdatenbank, um die Qualität der Antworten kontinuierlich zu verbessern. Die iterative Optimierung stellte sicher, dass der Chatbot schrittweise an die Anforderungen der Benutzer angepasst wurde und eine hohe Präzision in der Beratung gewährleisten konnte.


Erkenntnisse und Projektergebnisse

Das Projekt zur Entwicklung eines KI-gestützten Chatbots für die Empfehlung von Personaltests hat wertvolle Erkenntnisse geliefert und bedeutende Fortschritte erzielt. Durch die strukturierte Herangehensweise konnten zahlreiche Herausforderungen identifiziert und gezielt gelöst werden.

Ein zentrales Ergebnis war die erfolgreiche Integration der Datenbasis, die aus einer Kombination interner und externer Quellen besteht. Die ursprünglich angedachte automatische Extraktion der Webseitentexte zeigte Qualitätsprobleme, weshalb eine semi-automatische Crawling-Lösung mit Firecrawl implementiert wurde. Diese ermöglichte es, Webseitentexte in ein für LLMs verständliches Markdown-Format umzuwandeln, das anschließend manuell überarbeitet wurde, um Redundanzen zu vermeiden und die Informationsqualität zu steigern.

Die Evaluierung verschiedener Chatbot-Anbieter anhand vordefinierter Kriterien führte zur Auswahl einer Lösung, die eine schnelle API-Integration, regelmäßige Updates und hohe Datenschutzstandards bietet. Dies stellte sicher, dass der Chatbot skalierbar und zukunftssicher ist.

Das Testen und Optimieren im nicht-live Betrieb mit Mitarbeitenden lieferte wertvolle Erkenntnisse zur Qualität der Produktempfehlungen. Es wurde festgestellt, dass die richtige Gestaltung der Prompts eine entscheidende Rolle spielt. Durch iteratives Prompt Engineering wurden die Anweisungen kontinuierlich angepasst, um präzisere Antworten zu erhalten. Zudem wurden verschiedene LLM-Anbieter getestet, um deren Reaktionen auf unterschiedliche Instruktionen zu analysieren und den besten Anbieter für die spezifischen Anforderungen auszuwählen.

Schließlich wird der Chatbot in den kommenden Wochen in den Live-Betrieb auf der Webseite überführt. In dieser Pilotierungsphase werden die Interaktionen mit den Kunden detailliert analysiert, um weiteres Optimierungspotenzial zu identifizieren. Besonders im Fokus stehen die Verbesserung der Antwortqualität sowie die Erhöhung der Conversion-Rate. Die Erkenntnisse aus der Echtzeit-Nutzung werden genutzt, um das System iterativ weiterzuentwickeln und den Mehrwert für die Nutzer kontinuierlich zu steigern.

Dieses Projekt zeigt zudem, dass KMU auch ohne eigenes Rechenzentrum und große IT-Abteilungen in der Lage sind, eigene Chatbots auf ihrer Webseite zu integrieren. Obwohl die Umsetzung eine sorgfältige Planung, ausgiebige Tests und verschiedene Iterationsschritte erfordert, ist es dennoch machbar. Durch die Nutzung externer Anbieter und moderner KI-Technologien können auch kleinere Unternehmen innovative Lösungen anbieten und ihre digitale Präsenz nachhaltig verbessern.


Sie haben Fragen zu diesem Projekt?

Dann freuen wir uns über eine Nachricht an:

Mittelstand-Digital Zentrum Hamburg
mittelstand-digital@haw-hamburg.de

Haben wir Ihr Interesse geweckt?

Wir bieten weitere Angebote zum Thema KI und Chatbots an.
Schauen Sie gerne in unsere Veranstaltungen rein.

Das Mittelstand-Digital Zentrum Hamburg gehört zu Mittelstand-Digital. Mit dem Mittelstand-Digital Netzwerk unterstützt das Bundesministerium für Wirtschaft und Energie die Digitalisierung in kleinen und mittleren Unternehmen und dem Handwerk. Kommen Sie gern auf uns zu, wir bringen Sie Digital Voraus!

Weiterlesen

IoT Internet of things

IoT im Handwerk – Geschäftsmodellerweiterung durch smarte Technologien

IoT im Handwerk – Geschäftsmodellerweiterung durch smarte Technologien

Ausgangslage und Herausforderung

Die Digitalisierung bietet Handwerksbetrieben vielfältige Chancen, ihre Geschäftsmodelle zu erweitern und effizienter zu gestalten. Vor diesem Hintergrund nahmen die Geschäftsführer des Malerbetriebs Tobias Gerdtz und der Firma BAD ELEMENTE aus Hamburg an einem IoT-Workshop des Mittelstand-Digital Zentrums Hamburg teil.

Beide Betriebe hatten zuvor im Rahmen einer Workshopreihe des Mittelstand-Digital Zentrums Hamburg zu neuen Geschäftsmodellen im Handwerk erste Ideen für digitale Innovationen entwickelt. Ziel des aktuellen Workshops war es, diese Ideen zu konkretisieren, das Potenzial des Internets der Dinge (IoT) zu erkennen und konkrete Ansätze für die Integration smarter Elemente in ihre Geschäftsmodelle zu entwickeln.


Vorgehen und Erkenntnisse

Der halbtägige Workshop begann mit einer Einführung in die Grundlagen und Möglichkeiten von IoT im Handwerk. Die Teilnehmenden konnten im BIL, dem Business Innovation Lab der HAW Hamburg, praktische Anwendungen direkt erleben. Verschiedene Simulationen demonstrierten den Einsatz smarter Sensoren und Systeme.

Angeleitet von unseren Experten konnten die Geschäftsführer IoT-Elemente ausprobieren und live beobachten, wie sie Daten erfassen und verarbeiten. Ein besonderer Schwerpunkt lag auf individuellen Anwendungsfällen für die beiden Betriebe:


Malerbetrieb Tobias Gerdtz

Der Betrieb lernte den Einsatz von Feuchtigkeitssensoren und Infrarotsensoren kennen. Diese Sensoren messen kontinuierlich den Feuchtigkeitsgehalt und die Temperatur von Oberflächen und senden die Daten in Echtzeit an eine zentrale App, die wiederum ein Dashboard speist. Der Vorteil: Die Kombination dieser Sensoren ermöglicht es, potenzielle Feuchtigkeitsprobleme und Wärmebrücken frühzeitig zu erkennen, die auf schleichende Wasserschäden hindeuten könnten. Besonders im Hinblick auf die proaktive Schimmelbekämpfung bieten diese Technologien erhebliche Vorteile. Kritische Werte werden frühzeitig gemeldet, bevor sichtbare Schäden entstehen, wodurch präventive Maßnahmen eingeleitet werden können. Für Kundinnen und Kunden bedeutet dies einen umfassenden Schutz vor kostspieligen Reparaturen und Gesundheitsrisiken.

Tobias Gerdtz knüpfte an Erkenntnisse aus der vorangegangenen Workshopreihe an und vertiefte das Konzept, wie Sensorik gezielt als Mehrwert im Leistungsportfolio integriert werden kann.

Das Projekt erinnert an ein bekanntes Best-Practice-Beispiel – ein Smart-Dach-Projekt, bei dem Sensoren die Feuchtigkeit und Temperatur der Dachkonstruktion kontinuierlich überwachen und automatisch Alarm schlagen, sobald Grenzwerte überschritten werden. Ähnlich dazu möchte Tobias Gerdtz ein smartes Monitoring entwickeln, um Gefahren durch zu hohe Feuchtigkeit oder potenzielle Wasserschäden frühzeitig zu erkennen und zu beheben.


BAD ELEMENTE

Für den Fachbetrieb für Badgestaltung standen IoT-Elemente zu Licht, Wärme, Musik, Gesundheit und Sicherheit im Fokus. Das smarte Bad-Konzept zielt darauf ab, einen ganzheitlichen Ansatz für Gesundheitsvorsorge, Wohlfühlfaktor und ökologische Vorteile zu bieten. Für Kundinnen und Kunden bedeutet dies ein Bad, das nicht nur den Komfort erhöht, sondern aktiv zur Gesundheitsförderung und Nachhaltigkeit beiträgt.


In einem Abschlussworkshop wurden Etappen der Umsetzung abgesteckt. Maler Gerdtz hat sich auf den Weg der Testung gemacht. Er begann mit Messungen an verschiedenen Hauswänden, wofür er spezielle Technik angeschafft hat, darunter:

  • Digitaler Temperatursensor und Raspberry Pi (RPi): Dieser Sensor misst kontinuierlich die Oberflächentemperatur und speichert die Daten lokal oder in der Cloud. Der RPI ist ein Mini-Computer, an den die Sensoren die Daten über den Homeassistent senden können.
  • Home Assistant: Über den Home Assistant, eine Open-Source-Plattform für Hausautomatisierung, werden die erfassten Daten gesammelt und analysiert. Das System ermöglicht die Integration verschiedener Sensoren und deren Steuerung über ein zentrales Dashboard.

Die Technik funktioniert, indem die Sensoren kontinuierlich Daten zu Temperatur und Feuchtigkeit an das System senden. Diese Daten können von Home Assistant visualisiert und ausgewertet werden, um problematische Stellen zu identifizieren. Der nächste Schritt von Tobias Gerdtz ist, die Datenanalyse zu automatisieren: Mithilfe von Künstlicher Intelligenz (KI) soll Home Assistant künftig selbstständig Muster erkennen und präventive Empfehlungen geben.

Tobias Gerdtz fasste seine bisherigen Erfahrungen zusammen:

„Der Workshop hat uns die Augen für die vielfältigen Möglichkeiten von IoT im Handwerk geöffnet. Der Einsatz der Feuchtigkeitssensoren und die Integration von Home Assistant sind ein entscheidender Schritt, um unsere Dienstleistungen präziser und nachhaltiger zu gestalten. Wir freuen uns darauf, unser System weiterzuentwickeln und den nächsten Schritt in Richtung KI-gestützter Analysen zu gehen.“

Sie haben Fragen zu diesem Digital-Konkret-Projekt?

Dann freuen wir uns über eine Nachricht an:

Mittelstand-Digital Zentrum Hamburg, Christine Mish

Christine.Mish@hwk-hamburg.de

Das Mittelstand-Digital Zentrum Hamburg gehört zu Mittelstand-Digital. Mit dem Mittelstand-Digital Netzwerk unterstützt das Bundesministerium für Wirtschaft und Energie die Digitalisierung in kleinen und mittleren Unternehmen und dem Handwerk. Kommen Sie gern auf uns zu, wir bringen Sie Digital Voraus!

Weiterlesen