In den meisten Werken steckt der größte Zeitfresser überall dort, wo ein Mensch die Rolle eines Scanners übernimmt: Daten aus einem Dokument ins System abtippen, ein Etikett gegen eine Vorlage vergleichen und mit dem Auge beurteilen, ob ein Teil gut genug ist. Diese Arbeit ist monoton, ermüdend und fehleranfällig, und sie lässt sich in der zweiten und dritten Schicht schwer besetzen. Deshalb ist AI-Sichtprüfung zusammen mit der Automatisierung von Dokumenten und Etiketten heute einer der Bereiche der Automatisierung in der Fertigung, die sich am schnellsten rechnen.
Aus unserer Erfahrung liegt die Schwierigkeit nicht im Bau des Modells, sondern darin, es in eine echte Linie und einen echten Qualitätsprozess einzubinden, mit einem Team, das sowohl Computer Vision als auch den Rhythmus der Produktion versteht. Nicht jedes Werk muss dieses Team von Grund auf aufbauen. Auch wenn wir hier keine eigene Fabrikreferenz haben, liefern wir die Menschen und Kompetenzen, die genau solche Lösungen entwerfen und betreuen.
Wo verschwendet manuelle Arbeit in der Fertigungshalle Zeit?
Bevor AI ins Spiel kommt, hilft es zu benennen, wohin die Zeit tatsächlich geht. Meist sind es drei Stellen:
- Dokumente - Daten aus Lieferscheinen, Rechnungen, Materialzeugnissen und Qualitätsberichten ins ERP oder MES abtippen,
- Etiketten - manuell prüfen, ob die Verpackung den richtigen Code, das richtige Datum und die richtige Chargennummer trägt und ob der Druck lesbar ist,
- Sichtprüfung - ein Teil mit dem Auge auf Kratzer, Dellen, fehlende Merkmale oder falsche Montage beurteilen.
Jede dieser Stellen lässt sich teilweise oder vollständig automatisieren, aber jede braucht einen anderen Ansatz und einen anderen Satz an Kompetenzen.
Was ist AI-gestützte Sichtprüfung?
AI-Sichtprüfung (Computer Vision) ersetzt das Auge des Prüfers durch eine Kamera und ein Modell, das lernt, Fehler im Bild zu erkennen. Anders als klassische regelbasierte Systeme braucht das Modell nicht jeden möglichen Fehler von Hand beschrieben, es lernt aus Beispielen guter und schlechter Teile. In der Praxis leistet ein solches System:
- Erkennung von Oberflächenfehlern (Kratzer, Risse, Verfärbungen, Dellen),
- Prüfung von Vollständigkeit und Montage (ein fehlendes Teil, falsche Platzierung, ein verdrehtes Bauteil),
- Klassifizierung von Teilen als Gutteil oder Ausschuss, mit Markierung der Fehlerstelle,
- Betrieb in Liniengeschwindigkeit, nicht in menschlicher Geschwindigkeit.
Der Wert entsteht nicht durch das Modell selbst, sondern dadurch, dass die Entscheidung wiederholbar und objektiv ist, unabhängig von Müdigkeit und davon, welche Schicht gerade arbeitet.
Wie automatisieren Sie Dokumente und Etiketten (OCR, IDP)?
Das zweite Standbein ist die Automatisierung von Dokumenten und Etiketten auf Basis von OCR und Intelligent Document Processing (IDP). Statt von Hand abzutippen, liest und versteht das System den Inhalt und gibt ihn weiter:
- OCR verwandelt das Bild eines Dokuments oder Etiketts in Text,
- IDP und Sprachmodelle greifen die richtigen Felder heraus (Chargennummer, Datum, Lieferant, Werte), auch aus uneinheitlichen Layouts,
- Validierung vergleicht die Lesung mit einer Vorlage oder mit Daten in ERP und MES,
- das Ergebnis landet im System, nicht in einer Tabelle, die jemand später abtippt.
Hier zahlt sich unsere echte Kompetenz aus GenAI-, RAG- und LLM-Projekten unmittelbar aus - es sind dieselben Techniken, die Software ein Dokument verstehen lassen, statt es nur zu lesen.
Wo hilft AI wirklich, und wo nicht?
Eine ehrliche Antwort zählt mehr als ein Versprechen. AI hilft dort, wo es viele wiederholbare Entscheidungen gibt und Daten gesammelt werden können. Konkret:
- gut funktioniert sie bei Oberflächenprüfung, beim Lesen von Etiketten, beim Sortieren von Dokumenten und beim Erkennen typischer Fehler,
- Vorsicht ist geboten bei seltenen, neuen Fehlern, die in den Trainingsdaten nicht vorkommen,
- sie ersetzt nicht hochpräzise Messtechnik oder Entscheidungen, die von Kontext außerhalb des Bildes abhängen,
- ohne Daten leistet sie nichts - ohne Bilder guter und schlechter Teile hat das Modell nichts, woraus es lernen könnte.
Deshalb fragen wir zuerst, ob sich das Problem überhaupt für Bildverarbeitung eignet, bevor jemand eine Zeile Code schreibt.
Wie binden Sie AI-Prüfung in Linie und Systeme ein?
Das Modell ist nur ein Baustein. Wert entsteht, wenn die Entscheidung des Modells die Linie tatsächlich steuert, deshalb betrachten wir das Ganze:
- Kameras und Beleuchtung, abgestimmt auf das Teil, denn die Erkennungsqualität hängt am Bild,
- Integration mit der SPS und der Liniensteuerung, damit ein Ausschussteil wirklich ausgeschleust wird,
- eine Verbindung zu MES und ERP, damit das Prüfergebnis zu einem Eintrag im Qualitätssystem wird,
- eine Datenschleife, mit der Sie das Modell auch nach dem Go-live weiter trainieren und verbessern.
Diese Integrationsschicht nehmen wir genauso ernst wie das Modell selbst, denn sie entscheidet darüber, ob die Lösung in der Produktion läuft oder nur in einer Demo.
Welche Kompetenzen liefern wir für ein solches Projekt?
Wir formen das Team um das konkrete Problem, nicht „auf Vorrat”. In solchen Projekten liefern wir:
- Computer-Vision-Ingenieure, die Modelle zur Fehlererkennung bauen und trainieren,
- ML- und Datenspezialisten, die Daten, Modellqualität und deren Pflege verantworten,
- Integrationsentwickler, die das Modell mit Kameras, SPS, MES und ERP verbinden,
- AI-/GenAI-Unterstützung dort, wo Dokumente und Inhaltsverständnis ins Spiel kommen.
Das ist eine reale Fähigkeit innerhalb der RITS Group - unsere AI-, LLM- und Datenteams führen AI-, Daten- und LLM-Projekte durch, und wir ergänzen die Menschen, die das in einen industriellen Kontext einbinden.
Warum ist ein Mensch in der Entscheidungsschleife nötig?
Eine gute Einführung entfernt den Menschen nicht, sie verändert seine Rolle. Der Prüfer schaut nicht mehr jedes einzelne Teil an, sondern klärt unsichere Fälle und wacht über die Modellqualität:
- das Modell markiert unsichere Fälle, und ein Mensch entscheidet,
- strittige Entscheidungen fließen in die Daten zurück und verbessern das Modell,
- die Verantwortung für die Qualität bleibt beim Werk, nicht beim Algorithmus.
Dieser Aufbau mit einem Menschen in der Schleife ist auch aus Compliance-Sicht sicherer und für das Team in der Fertigungshalle leichter zu akzeptieren.
Was sind die größten Fallstricke solcher Einführungen?
Meistens scheitert das Projekt nicht am Modell, sondern an dem, was darum herum liegt:
- zu wenige Fehlerdaten, aus denen das Modell lernen könnte,
- instabile Beleuchtung und Kameraplatzierung, die das Bild verderben,
- keine Integration mit der Linie, sodass das Ergebnis ins Leere läuft,
- das Qualitätsteam außen vor lassen, das der Lösung am Ende vertrauen muss.
Deshalb beginnen wir mit einem kleinen, messbaren Umfang und skalieren erst, wenn wir den Nachweis haben, dass es funktioniert.
Wie schnell kann ein Team in ein solches Projekt einsteigen?
Tempo ist entscheidend. Als Nearshore-Partner aus Polen arbeiten wir in einer nahen Zeitzone, das Team steigt also ohne langen Anlauf in Ihren Arbeitsrhythmus, Ihre Reviews und Meetings ein. Unser Prozess zur Suche und Prüfung von Spezialisten schließt in der Regel in wenigen Wochen ab, und wir prüfen die Kompetenzen vor dem Start, nicht danach. So warten Sie nicht monatelang darauf, eine eigene Computer-Vision-Abteilung aufzubauen.
Wie machen wir das bei RITS?
Wir machen das als Nearshore-Partner aus Polen, mit Erfahrung aus Industrie- und Industrie-4.0-Projekten und echter AI- und Datenkompetenz innerhalb der RITS Group:
- wir liefern die Menschen - CV-Ingenieure, ML- und Integrationsspezialisten - als Team-Verstärkung oder dediziertes Team,
- wir verbinden das Modell mit Linie und Systemen (Kameras, SPS, MES, ERP), statt nur einen Algorithmus zu trainieren,
- wir entwerfen mit einem Menschen in der Schleife, damit die Qualität beim Werk bleibt,
- wir prüfen die Kompetenzen vor dem Start und formen das Team um das konkrete Problem.
Am häufigsten tun wir das als Team-Verstärkung oder dediziertes Team, mit einer optionalen AI-Schicht dort, wo Dokumente und Inhaltsverständnis ins Spiel kommen.
Womit beginnen Sie bei der Automatisierung von Prüfung und Dokumenten?
Beginnen Sie mit einem konkreten Prozess, der am meisten schmerzt: ein Fehlerbild, ein Etikett oder ein Dokumenttyp. Prüfen Sie, ob Sie die Daten haben und ob sich die Entscheidung über ein Bild beschreiben lässt, und messen Sie dann, wie viel manuelle Arbeit das einspart. Das definiert den Umfang eines Piloten und die benötigten Rollen. Die Unterschiede zwischen den Kooperationsmodellen haben wir in unserem Artikel zu IT-Kooperationsmodellen beschrieben.
Wollen Sie Sichtprüfung, Etiketten oder Dokumente in Ihrer Fabrik automatisieren? Sprechen wir darüber - wir stellen Kompetenzen und Vorgehen passend zu Ihrem Prozess zusammen.