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.

Abbildung 1:

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.

Abbildung 2:

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.

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.

Abbildung 3:

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

Abbildung 4:

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.

Abbildung 5:

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.

Abbildung 6:

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.

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.

Die CNT Gesellschaft für Personal- und Unternehmensentwicklung mbH bietet ein breit gefächertes Portfolio an Personaltests, die individuell auf verschiedene Zielgruppen und Anwendungsbereiche zugeschnitten sind.

Das Hauptprodukt CAPTain Test® gibt es in verschiedenen Ausführungen

• CAPTain compact® – die Auswertung mit der höchsten Flexibiltät, die eine kompakte und prägnante Analyse des Arbeits- und Leistungsstils und des Teamverhaltens liefert. Die Auswertung hilft dabei, individuelle Stärken, Entwicklungspotenziale und bevorzugte Arbeitsweisen zu erkennen.
• CAPTain management® – ausführliche Management-Gutachten bezogen auf unterschiedliche Hierarchieebenen und Anforderungen. Mit der Auswertung kann eine Eignung für die Führungsaufgabe beurteilt werden.
• CAPTain sales® – die Auswertung für den Vertrieb. In der Auswertung werden umfassend, objektiv und präzise die für den Vertrieb notwendigen Verhaltenskompetenzen erfasst.
• CAPTain smart® – die Auswertungen für spezielle Fragestellungen. Analysiert werden je nach Variante das Konfliktverhalten, der Kommunikationsstil, die Lernkompetenz, Selbstmanagementfähigkeiten oder die Teamrolle.
• Weitere Produkte erfassten die individuellen Motive, die interkulturelle Kompetenz oder die Vertriebskompetenz.

Aufgrund der zunehmenden Komplexität und Vielfalt dieser Tests fällt es Kunden häufig schwer, die für ihre spezifischen Anforderungen passenden Testverfahren auszuwählen.

Um diese Herausforderung zu bewältigen, ist es notwendig, innovative Lösungen zu entwickeln, die den Kunden dabei helfen, schnell und präzise die passenden Tests zu identifizieren. Eine solche Lösung könnte die Implementierung eines LLM-gestützten Chatbots sein, der in der Lage ist, Kundenanfragen zu analysieren, relevante Informationen aus einer Wissensdatenbank abzurufen und darauf basierend maßgeschneiderte Produktempfehlungen zu geben.

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.

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.

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.

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.

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.

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.

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.

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.

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.

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:

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.

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

Ausgangslage und Fragestellung

In der Ära der Digitalisierung ist ein aussagekräftiger und funktioneller Webauftritt für kleine und mittlere Betriebe unverzichtbar. Dies gilt auch für das Handwerk, wo traditionelle Betriebe wie die Tischlerei Paepcke zunehmend die Chancen erkennen, die eine digitale Präsenz bietet. Vor diesem Hintergrund initiierte das Mittelstand-Digital Zentrum Hamburg in Zusammenarbeit mit dem Mittelstand-Digital Zentrum Zukunftskultur ein Digital-Konkret-Projekt, um die Webseite der Tischlerei Paepcke neu zu gestalten.

Ziel war es, ein zielgruppengerechtes Wording und einen geeigneten Aufbau zu entwickeln und neue Interaktionsmöglichkeiten, wie beispielsweise eine digitale Angebotserstellung, zu erkunden. Ferner bestand das Ziel darin, die Webseite inhaltlich zu straffen und übersichtlicher zu gestalten, um Nutzerinnen und Nutzern wichtige Informationen direkt und effizient zugänglich zu machen sowie die Zielgruppe präzise anzusprechen.

Vorgehen

Das Projekt der Neugestaltung einer Webseite wurde durch eine Serie von Workshops realisiert, in denen die Struktur, der Inhalt und Erweiterungen der neuen Webseite diskutiert wurden. Gemeinsam mit dem Geschäftsführer der Tischlerei, Herrn Paepcke, wurden in drei intensiven Workshops die Grundlagen für einen attraktiven Webauftritt gelegt. Die Zusammenarbeit zeichnete sich durch einen offenen Ideenaustausch und das gemeinsame Bestreben aus, die digitale Visitenkarte des Unternehmens nicht nur zu erneuern, sondern auch mit neuen Funktionalitäten auszustatten, die den Bedürfnissen der Kundinnen und Kunden entgegenkommen. Dabei war besonders wichtig, sich in die Perspektive der potenziellen Kunden und Kundinnen zu versetzen, um unverständliche Fachbegriffe und Ausdrücke zu vermeiden.

Vorgehen und Lösung

Trotz des erfolgreichen Verlaufs der ersten drei Workshops fiel der letzte Workshop aufgrund verschiedener Umstände auf Seiten des Betriebes aus. Herr Paepcke entschied sich, basierend auf den erarbeiteten Ergebnissen und dem vorläufigen Anforderungskatalog, die weitere Umsetzung eigenständig voranzutreiben. Diese Entscheidung spiegelt das hohe Engagement und die Eigeninitiative des Geschäftsführers wider, die digitale Transformation seines Unternehmens aktiv mitgestalten zu wollen.

Lösung und Ergebnis

Das Endergebnis ist ein ausgearbeitetes Konzept für die Neugestaltung der Webseite, das als maßgeblicher Leitfaden für deren Struktur und Inhaltsschöpfung dient. Der Plan betont einen zielgruppenorientierten und klar strukturierten Webseitenaufbau und bietet Lösungsansätze zur Steigerung der Benutzerfreundlichkeit sowie zur Verbesserung der technischen Leistungsfähigkeit und inhaltlichen Ausrichtung. Weiterhin wurde ein FAQ-Bereich entwickelt, der es Nutzerinnen und Nutzern erlaubt, schnell und unkompliziert Antworten auf die am häufigsten gestellten Fragen zu erhalten, was die Effizienz und Zufriedenheit in der Kommunikation mit den Kundinnen und Kunden erhöhen soll.

Zitat

„Wir sind dabei, unsere Webseite zu gestalten, weil ich festgestellt habe, dass gerade jüngere Kunden ausschließlich digital unterwegs sind. Ein guter Webauftritt ist nahezu unumgänglich.“

– Geschäftsführer Tischlerei Paepcke

Schauen Sie sich sein Feedback in unserem Video an (ab Min. 2:45).

Die Tischlerei Paepcke verfügt nun über die notwendigen Ressourcen, um ihren Online-Auftritt zu verstärken und die Bindungen zu ihren Kundinnen und Kunden im digitalen Raum zu festigen.

Sie haben Fragen zu diesem Projekt?

Dann freuen wir uns über eine Nachricht an:

Célia Rodrigues, Handwerkskammer Hamburg
Handwerk4.0@hwk-hamburg.de

Ein Assistenzsystem für das Prüfteam des Siegels „Arbeitgeber der Zukunft“

Ausgangslage

Das Unternehmen Deutsches Innovationsinstitut für Nachhaltigkeit und Digitalisierung GmbH (diind) verleiht die Auszeichnung „Arbeitgeber der Zukunft“. Unternehmen können sich im Rahmen eines zweistufigen Prüfprozesses verifizieren lassen. Im Falle einer positiven Begutachtung dürfen sie das verliehene Siegel tragen.

Neben dem „individuellen company check“ erfolgt ein „digitaler Außencheck“ der Bewerber. Das Prüfteam ermittelt hier eine Reihe von Kriterien, bei denen die Kandidaten Punkte sammeln. Dabei spielen Bewertungen des Unternehmens eine zentrale Rolle. Je besser das Unternehmen in Job-Portalen und Social Media abschneidet, desto mehr Punkte erhält es. Zusätzlich wird die Webseite des Unternehmens auf eine moderne Gestaltung, Sicherheit, Performance und Informationsgehalt überprüft.

Im Auswahlprozesses ermittelt das Prüfteam zunächst die für die Kriterien relevanten Daten (Bewertungen, Ladezeiten, Inhalte der Webseiten uvm.). Anschließend nimmt das Team die umfassende Begutachtung vor. Gerade diese Ermittlung der Daten wird bisher in einem aufwändigen manuellen Verfahren vorgenommen.

Ines Woermann, die Geschäftsführerin der diind GmbH, wurde im Rahmen unseres Vortrags „Die digitale Assistenz – Schluss mit monotoner Arbeit“ auf das Mittelstand-Digital Zentrum Hamburg aufmerksam. Sie entwickelte die Idee, das Prüfteam durch ein Assistenzsystem bei der Datenermittlung zu unterstützen. Das Ziel: Arbeitsabläufe vereinfachen. Zur Weiterentwicklung des Vorhabens kontaktierte Ines Woermann das Mittelstand-Digital Zentrum.

Im Rahmen eines Digitalisierungsprojekts „Arbeitsabläufe vereinfachen“ unterstützten die Experten des Mittelstand-Digital Zentrum Hamburg bei der Identifikation von Potentialen zur Automatisierung, der Spezifikation einer möglichen Lösung, einer ersten Einschätzung der Machbarkeit, sowie der kritischen Betrachtung möglicher Lösungen.

Herausforderung

Die Begutachtung von Unternehmen erfolgt unter höchsten Qualitätsansprüchen. Daher war bereits zu Beginn des Projekts klar, dass die ermittelten Daten fehlerfrei sein müssen. Die Datenermittlung muss zudem so erfolgen, dass eine manuelle Überprüfung erfolgen kann.

Zusätzlich ist die Heterogenität der Datenquellen eine Herausforderung. Konkret bedeutet dies, dass jedes Kriterium auf unterschiedlichen Wegen ermittelt wird (Suche in Online-Portalen, manuelle Suche auf der Webseite, Tools zur Webseitenbewertung etc.). Für das Projekt müssen also viele kleinere Lösungen gefunden werden, die sich in eine Gesamtlösung integrieren lassen.

Vorgehen und Lösung

In einem ersten Workshop untersuchte das Team den derzeitigen Prozess. Hierbei wurde als Ziel die Teilautomatisierung der Kriterien-Ermittlung festgelegt. Auf Grund des hohen Qualitätsanspruchs fiel die Entscheidung, eine mögliche Lösung als Assistenzsystem auszulegen. Das heißt, das System soll das Prüfteam unterstützen, jedoch keine selbständigen Entscheidungen treffen. Das Unternehmen fertigte eine Liste der zu ermittelnden Kriterien an. Die Experten des Mittelstand-Digital Zentrum identifizierten für die Kriterien Potentiale zur Automatisierung. Hierbei gab es eine Vielzahl möglicher Ansätze:

• Abfrage von APIs (API: Application-Programming-Interface – Schnittstelle): Diese erlauben es, Services im Internet automatisiert zu nutzen. So ist es z.B. möglich, Bewertungen in Online-Portalen ohne manuelle Nutzung eines Browsers abzufragen.
• Nutzung künstlicher Intelligenz zur gezielten Abfrage der Inhalte von Webseiten,
• statische Analyse des HTML von Unternehmens-Webseiten (HTML: Hypertext-Markup-Language – Die Sprache, in der Webseiten an den Browser übertragen werden),
• Tools zur automatisierten Bewertung von Webseiten. Diese nutze bereits das Prüfteam. Allerdings war die Bedienung auf eine manuelle Eingabe und Ausgabe angewiesen.

Um ein besseres Gefühl für die Eignung möglicher Lösungen zu bekommen, entschied sich das Projektteam dafür, eine Auswahl dieser Ansätze im Rahmen eines Prototyps umzusetzen. Diese Lösungen wurden in Zusammenarbeit mit dem IT-Dienstleister des Unternehmens im Intranet installiert. Das Prüfteam kam somit zu einem ersten Eindruck einer möglichen Lösung, konnte diese bewerten und bereits vor einer Entwicklung Feedback geben.

Arbeitsabläufe vereinfachen: Ergebnisse

Ein Großteil der Kriterien lässt sich automatisiert ermitteln. Hierdurch lässt sich die Arbeit des Prüfteams unterstützen. Allgemein lässt sich jedoch feststellen, dass die automatisierte Kriterien-Ermittlung nicht ohne Fehler abläuft. Ein Assistenzsystem würde die Daten daher vorbereiten und dem Prüfteam zur Überprüfung und weiteren Verarbeitung zur Verfügung stellen.

Im Rahmen des Projekts „Arbeitsabläufe vereinfachen“ untersuchten die KI-Experten des Business Innovation Lab der HAW Hamburg verschiedene KI-Systeme für die Analyse der Webseiteninhalte. Hierzu entwickelten sie passende „Prompts“. Ein Teil der Systeme war von vornherein ungeeignet, da diese nicht für die deutsche Sprache entwickelt wurden. Für einige zunächst vielversprechende KI-Systeme stellte sich bei genauerer Überprüfung heraus, dass diese Inhalte auf den Webseiten ausgaben, die nicht wirklich existierten. Im Kontext von LLMs (Large Language Models – die KI-Technologie hinter ChatGPT etc.) spricht man hierbei von „Halluzinieren“. Da die Ergebnisse der KI nicht ausreichend nachvollziehbar dargestellt wurden, würde dies für das Prüfteam einen aufwändigen manuellen Abgleich der Ergebnisse erfordern.

Im Gesamtbild erschien der Aufwand zur Überprüfung dem Nutzen nicht zu entsprechen. Auch die Akzeptanz des Assistenzsystems wäre in diesem Fall fraglich. Der Einsatz von KI ist daher für dieses Projekt derzeit ungeeignet. Da die Entwicklung von KI-Systemen (gerade im Bereich der Generativen KI) mit großen Schritten vorangeht, kann es durchaus sein, dass sich die Eignung in naher Zukunft ändert.

Für die Abfrage von Bewertungen aus Online-Portalen eignet sich die Nutzung von APIs sehr gut. Die Abfrage erfolgt in einem Bruchteil der Zeit und erfordert nicht das manuelle Kopieren der Ein- und Ausgabedaten auf den Webseiten der Portale.

Auch die automatisierte Nutzung der Bewertungstools für Webseiten spart dem Prüfteam das manuelle Kopieren der Ein- und Ausgabedaten.

Um einen fließenden Übergang von den bisherigen Prozessen zu ermöglichen, ist es zudem nötig, dass das Assistenzsystem einen Excel-Import und -Export anbietet. In späteren Ausbaustufen des Systems soll es zudem möglich sein, weitere Teile des Prozesses in das System zu integrieren, um die derzeitige Excel-basierte Lösung sukzessive abzulösen.

Zusammenfassend lässt sich feststellen, dass auch viele kleine Automatisierungen einen Beitrag dazu leisten können, die Aufgaben des Prüfteams angenehmer zu gestalten. Die kritische Betrachtung und die Validierung möglicher Lösungen ist hierbei essenzieller Bestandteil von Digitalisierungsprojekten und sollte von vornherein mitgedacht werden.

Möchten auch Sie Arbeitsabläufe vereinfachen?

Dann freuen wir uns über eine Nachricht an:

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