KI / ML 
Softwareentwicklung 
KI oder Mathematik? Wie wir die Laboranalyse automatisiert haben
Rund um künstliche Intelligenz hat sich die Vorstellung etabliert, sie sei die Antwort auf nahezu jedes Problem im Bereich der Datenanalyse. Die Praxis zeigt jedoch, dass erfolgreiche Lösungen nicht immer auf KI-Modellen basieren müssen. In manchen Fällen bieten passend ausgewählte mathematische Algorithmen einen deutlich höheren Mehrwert, weil sie schneller, einfacher und besser auf den konkreten Anwendungsfall zugeschnitten sind.
Das ist eine der wichtigsten Erkenntnisse aus der neuesten Folge des Podcasts „ KI in der Produktion“ mit Rafał Pisz von Quantup. Im Gespräch berichtet er über das Projekt Peak Detection, das für einen Hersteller spezialisierter Laborgeräte umgesetzt wurde. Das Beispiel zeigt, dass Innovation nicht zwangsläufig darin besteht, die neueste Technologie einzusetzen. Häufig liegt die größere Herausforderung darin, die tatsächlichen Bedürfnisse der Nutzer zu verstehen und eine Lösung zu entwickeln, die ihre tägliche Arbeit erleichtert.
Wenn nicht die Technologie das Problem ist, sondern ihre Nutzung
Der Hersteller von Laborgeräten, für den das Projekt realisiert wurde, lieferte seit vielen Jahren Systeme für anspruchsvolle chemische Analysen. Das Gerät selbst funktionierte wie vorgesehen. Im Zuge der geplanten Expansion in neue Märkte stellte sich jedoch die Frage, wie auch Personen mit geringerer Erfahrung in der Interpretation von Messergebnissen seine Funktionen nutzen könnten.
Es ging weder darum, die Parameter des Geräts zu verändern, noch seine Rechenleistung zu erhöhen. Die eigentliche Hürde war die manuelle Analyse der vom System erzeugten Diagramme. Für erfahrene Fachkräfte gehörte sie zum Arbeitsalltag. Für neue Nutzer erforderte sie jedoch Fachwissen und praktische Erfahrung. Genau dieser Schritt begrenzte die breitere Nutzung des Produkts.
Wie Rafał Pisz betont, besteht technologische Weiterentwicklung häufig darin, die Einstiegshürde zu senken. Ein Gerät sollte von den Nutzern nicht immer höhere Kompetenzen verlangen. Im Gegenteil: Es sollte ihnen einen Teil der Aufgaben abnehmen und die Durchführung vereinfachen.
Peak Detection: automatisierte Interpretation von Ergebnissen
Im Mittelpunkt des Projekts stand die automatische Erkennung charakteristischer Peaks in Messdiagrammen. Die korrekte Bestimmung von Anfang und Ende eines solchen Signals war entscheidend für die anschließende Auswertung der Untersuchungsergebnisse.
Auf den ersten Blick mag diese Aufgabe einfach erscheinen. In der Praxis kann die Analyse solcher Daten jedoch sehr anspruchsvoll sein. Selbst erfahrene Anwender können die Grenzen eines Signals unterschiedlich einschätzen. Bereits eine geringe Verschiebung kann das Endergebnis der Analyse beeinflussen.
Die Automatisierung beschleunigte daher nicht nur die Arbeit. Vor allem sorgte sie für reproduzierbare Ergebnisse und machte die Auswertung weniger abhängig von der Erfahrung der Person, die das Gerät bedient.
Warum in diesem Projekt keine künstliche Intelligenz eingesetzt wurde
Zu den interessantesten Teilen des Gesprächs gehört die Erklärung, warum sich das Quantup-Team bewusst gegen den Einsatz von KI-Modellen entschieden hat.
Anstelle von Machine Learning wurden gezielt ausgewählte deterministische Algorithmen und mathematische Methoden eingesetzt, die besser zur Art des Problems passten. Dadurch ließ sich eine hohe Wirksamkeit bei gleichzeitig geringen Hardwareanforderungen und vollständig vorhersehbarem Verhalten erzielen.
Daraus ergibt sich eine wichtige Erkenntnis für alle Organisationen, die Investitionen in KI planen. Am Anfang sollten immer das Verständnis des Geschäftsproblems und die Definition des erwarteten Ergebnisses stehen. Erst auf dieser Grundlage sollte die Technologie ausgewählt werden, die den konkreten Anforderungen am besten entspricht.
In manchen Projekten wird dies künstliche Intelligenz sein, in anderen klassische mathematische Algorithmen. Entscheidend für den Erfolg ist die Wirksamkeit der Lösung, nicht die Popularität der eingesetzten Technologie.
Hardwarebeschränkungen erfordern gute Architekturentscheidungen
Eine zusätzliche Herausforderung war die Umgebung, in der die Lösung eingesetzt werden sollte. Die Algorithmen liefen nicht in einer Cloud mit nahezu unbegrenzten Ressourcen, sondern auf einem Computer der Raspberry-Pi-Klasse, der integraler Bestandteil des Laborgeräts war.
Eine solche Einschränkung erfordert eine sehr bewusste Softwareentwicklung. Jede Bibliothek, jede Operation und jeder Codeabschnitt wirkt sich auf den Speicherverbrauch und die Performance des gesamten Systems aus.
Das Entwicklungsteam musste deshalb Lösungen auswählen, die nicht nur zuverlässig funktionierten, sondern auch besonders ressourcenschonend und auf die verfügbare Hardware optimiert waren.
Technologie als Instrument für Geschäftsentwicklung
Das wichtigste Ergebnis des Projekts war nicht allein die automatisierte Interpretation der Daten. Die implementierte Lösung ermöglichte es dem Hersteller, seine Geräte einer deutlich größeren Zielgruppe anzubieten, da ihre Bedienung nicht mehr im gleichen Maß umfassende Erfahrung erforderte.
Damit eröffnete sich die Möglichkeit, neue Märkte zu erschließen und das Vertriebspotenzial des Produkts zu steigern.
Das Projekt zeigt anschaulich, dass der Wert von Data-Science- und Automatisierungsvorhaben weit über den technischen Aspekt hinausgeht. Gut konzipierte Lösungen können die Produktentwicklung direkt unterstützen, die Wettbewerbsfähigkeit erhöhen und zur Erreichung geschäftlicher Ziele beitragen.
Hören Sie sich das vollständige Gespräch an
Das Projekt Peak Detection ist nur eines der Themen dieser Podcastfolge. Kuba Orczyk und Rafał Pisz sprechen außerdem darüber, wie fundierte Entscheidungen bei der Auswahl von Technologien getroffen werden können, warum nicht jede Herausforderung den Einsatz von KI erfordert und wie sich der Markt für Laborgeräte durch die fortschreitende Automatisierung verändert.
Wenn Sie sich für praktische Anwendungen von Mathematik, Data Science und künstlicher Intelligenz in Industrieprojekten interessieren, lohnt es sich, die vollständige Folge anzusehen. Das Gespräch basiert auf den Erfahrungen aus einem realen Projekt und beleuchtet nicht nur die technische Umsetzung, sondern auch die geschäftlichen Entscheidungen, die zu seinem Erfolg beigetragen haben. Wenn Sie mehr über die Details der Umsetzung erfahren möchten, lesen Sie die vollständige Case Study auf unserer Website.
Design, Entwicklung, DevOps oder Cloud - welches Team brauchen Sie, um die Arbeit an Ihren Projekten zu beschleunigen? Chatten Sie mit unseren Beratungspartnern, um herauszufinden, ob wir gut zusammenpassen.
Jakub Orczyk
Vorstandsmitglied /Verkaufsdirektor
Buchen Sie eine kostenlose Beratung