Eine KI erkennt Fehler nicht kostenlos, nur weil bereits eine Kamera vorhanden ist. Beleuchtung, Datenaufbereitung, Linienintegration, Validierung und der Umgang mit Fehlentscheidungen bestimmen den Business Case oft stärker als die Modelllizenz. Eine belastbare Rechnung beginnt deshalb beim Qualitätsprozess, nicht beim Demo-Dashboard.

In diesem Artikel

Die zwei Fehlerarten mit unterschiedlichen Kosten

Entscheidung Bedeutung Mögliche Kosten
False Accept fehlerhaftes Teil wird als gut bewertet Reklamation, Rückruf, Nacharbeit beim Kunden, Sicherheitsrisiko
False Reject gutes Teil wird ausgesondert Ausschuss, manuelle Nachprüfung, Taktverlust
True Positive/Negative korrekte Entscheidung Nutzen entsteht nur, wenn Prozess und Ausschleusung funktionieren

Eine hohe Gesamtgenauigkeit kann bei seltenen Fehlern täuschen. Wenn 99,9 Prozent der Teile gut sind, erreicht ein System, das immer „gut“ sagt, bereits 99,9 Prozent Accuracy – und findet keinen einzigen Fehler. Relevant sind deshalb Fehlerklassen, Treffer- und Übersehensraten sowie die Kosten jeder Entscheidung.

Vollkosten des Systems

  • Kameras, Optik, Beleuchtung, Gehäuse und Trigger
  • Rechner, Netzwerk, Speicherung und gegebenenfalls Cloud
  • repräsentative Bilddaten, Annotation und Datenschutzprüfung
  • Integration in SPS, MES, Ausschleusung und Nacharbeitsplatz
  • Validierung über Produktvarianten, Schichten und Umgebungsbedingungen
  • laufende Überwachung, Nachtraining und Versionsfreigabe
  • Wartung, Reinigung, Kalibrierung und Ersatzteile
  • Kosten falscher Freigaben, falscher Ausschleusungen und Linienstopps

Eine illustrative Beispielrechnung

Ein Werk prüft 800.000 Teile pro Jahr. Die manuelle Prüfung und dokumentierte Nacharbeit kosten zusammen 120.000 Euro jährlich. Reklamationen, die mit dem betrachteten Merkmal zusammenhängen, verursachen im Mittel weitere 45.000 Euro. Eine KI-Prüfzelle kostet einschließlich Integration und Validierung 210.000 Euro; Betrieb und Modellpflege werden mit 38.000 Euro pro Jahr angesetzt.

Wenn das System jährlich 85.000 Euro manuellen Aufwand und 25.000 Euro Reklamationskosten vermeidet, beträgt der Bruttonutzen 110.000 Euro. Nach laufenden Kosten bleiben 72.000 Euro pro Jahr. Die einfache Amortisationszeit läge bei rund 2,9 Jahren. Das ist keine Marktprognose, sondern ein Rechenbeispiel. Ändern sich Auslastung, Fehlerhäufigkeit oder Nachprüfquote, ändert sich das Ergebnis stark.

Sensitivität statt Wunschwert

Variable Konservatives Szenario Optimistisches Szenario
Produktionsvolumen Rückgang oder viele Umrüstungen stabile hohe Auslastung
False-Reject-Rate viel manuelle Nachprüfung gezielt niedrige Rate bei stabiler Beleuchtung
Modellpflege häufige Produktänderungen lang laufende Varianten
Reklamationsnutzen Fehlerbild selten oder anderweitig entdeckt teure Fehler werden früh verhindert
Verfügbarkeit Kamera stoppt Linie Bypass und Redundanz sichern Betrieb

Validierung vor Produktionsfreigabe

Trainings- und Testdaten müssen getrennt sein und reale Randbedingungen abbilden: unterschiedliche Chargen, Oberflächen, Schmutz, Beleuchtung, Schichtzeiten und zulässige Varianten. Die Leistung wird pro Fehlerklasse bewertet. Nach Kamera-, Licht-, Produkt- oder Modelländerungen braucht es einen definierten Revalidierungsprozess.

Der Mensch bleibt Teil des Systems. Er prüft Grenzfälle, bearbeitet Ausschleusungen und erkennt neue Fehlerbilder. Werden diese Entscheidungen als Feedback genutzt, müssen Qualität, Datenschutz und Versionskontrolle gesichert sein.

Go/No-Go-Kriterien

  • kritische Fehlerklasse erreicht den festgelegten Nachweis
  • Nachprüfaufwand bleibt unter der wirtschaftlichen Schwelle
  • Linienintegration und sicherer Bypass sind erprobt
  • jede Modellversion ist rückverfolgbar
  • Drift- und Wartungsprozess haben benannte Verantwortliche
  • Business Case bleibt auch im konservativen Szenario tragfähig

Häufige Fragen

Welche Genauigkeit muss eine KI-Prüfung erreichen?

Das hängt von Fehlerklasse und Schaden ab. Statt einer pauschalen Accuracy braucht jede relevante Klasse eigene Akzeptanzgrenzen.

Kann die KI die Qualitätsprüfung vollständig ersetzen?

Nur selten. Stichproben, Grenzfallprüfung, Wartung und Überwachung neuer Fehlerbilder bleiben erforderlich.

Wie viele Bilder werden benötigt?

Es gibt keine belastbare Pauschale. Entscheidend sind Varianten, Fehlerhäufigkeit, Bildqualität und die Abdeckung realer Randbedingungen.

Wann muss ein Modell neu validiert werden?

Bei relevanten Änderungen an Produkt, Kamera, Beleuchtung, Prozess oder Modell sowie bei erkennbarer Leistungsdrift.

Quellen

Bewerte den Beitrag hier!
[Total: 1 Average: 5]
Nico Nuss [Bildinhalt mit KI erstellt]
Website

Autor Nico Nuss beschäftigt sich seit 2001 mit Mobile Computing und Automatisierungssoftware. Seine langjährige Erfahrung und sein ausgeprägtes Interesse an Zukunftstechnologien bilden die Grundlage seiner Arbeit zu Robotik und künstlicher Intelligenz.

Passend zum Thema