Beispiel-Szenario: Computer Vision
Eine Miet-Software mit 200 Knöpfen, die keiner brauchte. Wir bauten 5 Bildschirme. Jetzt markiert das Team jeden Tag 34 Prozent mehr Bilder.
Ein Team in Wien bringt Maschinen bei, Fehler an Bauteilen selbst zu sehen. Dafür markieren Menschen tausende Fotos. NIMBUS ist die eigene Software dafür. Keine 200 Knöpfe aus der Miet-Lösung, sondern 5 Bildschirme, die genau zur Arbeit passen.
Das Problem
18 Monate lief das Team auf einer gemieteten Software. Jeder neue Mitarbeiter kostete extra Miete. Die Funktionen, die wirklich fehlten, kamen nie. Keiner sah, welche Fehler-Art im Material noch fehlte. Keiner sah klar, wer wie gut markierte. Und ob die KI besser wurde, lag fünf Klicks weit weg.
Unser Ansatz
Wir strichen den Ballast und bauten fünf Bildschirme auf einer gemeinsamen Datenbasis. Überblick am Morgen. Markieren den ganzen Tag. Eine Warnung, sobald eine Fehler-Art zu selten vorkommt. Ein fairer Blick aufs Team. Und eine Auswertung, die zeigt, wo die KI noch danebenliegt. Was die KI falsch erkennt, landet automatisch wieder als Aufgabe im Markieren.
Das Ergebnis
34 Prozent mehr Bilder pro Tag, weil das Team genau dort arbeitet, wo die KI noch schwach ist. Nach 8 Wochen erkennt die Prüf-KI 84 von 100 Fällen richtig. Und 64.000 EUR Software-Miete pro Jahr bleiben im Haus.
Die Ausgangslage
Junges Team in Wien. Die gemietete Software fraß das Budget und gab wenig zurück.
Ein junges Team in Wien bringt Maschinen das Sehen bei. Menschen markieren auf tausenden Fotos, wo ein Bauteil einen Fehler hat. Aus diesen markierten Bildern lernt eine KI, denselben Fehler an der Produktion selbst zu erkennen. Die ersten beiden Kunden: ein Karosserie-Hersteller und ein Antriebs-Zulieferer.
In 18 Monaten wuchs das Team auf 32 Leute in Wien, Bratislava und Belgrad. Sie arbeiteten mit einer gemieteten Software. Jeder neue Kopf kostete mehr Miete, und die Lücken blieben. Keiner sah, welche Fehler-Art im Material noch zu selten war. Keiner sah klar, wer wie gut markierte. Und ob die KI Fortschritte machte, war fünf Klicks weit weg vergraben.
Der Wunsch war einfach. Eine eigene Software, die genau zur Arbeit passt. Fünf Bildschirme, keine 200. Überblick, Markieren, Lücken-Warnung, Team, KI-Auswertung. Mehr nicht. Drei Monate später lief NIMBUS in Wien mit allen 32 Leuten.
Der Markier-Bildschirm. Eine Werkshallen-Szene, 8 gesetzte Markierungen, die Fehler-Arten zur Auswahl rechts, die nächsten Bilder unten.
Die Lösung
Fünf Bildschirme, eine gemeinsame Datenbasis. Vom Morgen-Überblick bis zur Frage, wo die KI noch danebenliegt.
Überblick
Alle laufenden Projekte auf einen Blick. Pro Projekt: wie viele Bilder es gibt, wie viele schon markiert sind, wie sauber die Arbeit ist, wie schnell sie läuft. Ein Blick, dann ist der Tag klar.
Markieren · das Herz
Hier entsteht die eigentliche Arbeit. Ein Foto, die Fehler ziehst du mit der Maus ein, die Fehler-Art wählst du per Tastendruck. Die nächsten Bilder warten schon unten. Dieser eine Bildschirm hebt das Tempo um 34 Prozent.
Lücken-Warnung
Für jede Fehler-Art ein Balken: wie viel ist da, wie viel sollte da sein. Schutzhelm liegt bei 2,2 Prozent, gebraucht werden 4,5. Die Warnung leuchtet rot, sobald eine Art zu selten vorkommt.
Das Team
Alle 32 Leute in einer Tabelle. Wer wie viele Bilder schafft, und wie sauber. Wer unter 86 Prozent Qualität fällt, bekommt eine ruhige Einladung zum Üben. Kein Pranger, nur Nachjustieren.
KI-Auswertung
Die KI trifft 84 von 100 richtig. Eine Tabelle zeigt, was sie mit was verwechselt. Daneben die Fehlgriffe als Galerie und der Vergleich zur letzten Version. So sieht das Team, ob es vorankommt.
Der Überblick. In 10 Sekunden weißt du, wo der Tag anfängt.
Alle laufenden Projekte nebeneinander. Pro Projekt vier Zahlen: wie viele Bilder es gibt, wie viele schon markiert sind, wie sauber gearbeitet wird, wie schnell es läuft. Eine Tafel zeigt, wer zu welcher Stunde an welchem Projekt sitzt. Rechts laufen die letzten 14 Ereignisse live durch. Ein Blick genügt, und du weißt, wo du heute anpacken musst.
Die Lücken-Warnung. Sieh, was im Material fehlt, bevor die KI daran scheitert.
Eine KI lernt nur das, was sie oft genug gesehen hat. Kommt eine Fehler-Art zu selten vor, erkennt die KI sie später nicht. Genau das macht dieser Bildschirm sichtbar. Für jede der 14 Fehler-Arten ein Balken: wie viel ist da, wie viel sollte da sein. Schutzhelm liegt bei 2,2 Prozent, gebraucht werden 4,5. Die Warnung leuchtet sofort. Darunter der Verlauf der letzten 30 Tage, damit klar wird, ob die Lücke kleiner wird. Ein Klick, und NIMBUS schiebt gezielt mehr Helm-Bilder in die nächste Runde.
Die Lücken-Warnung im Detail
Was im Material fehlt, erkennt die KI später nicht.
Schutzhelm sitzt im roten Feld: 2,2 Prozent statt der nötigen 4,5, zu wenige Beispiele zum Lernen. Links pro Fehler-Art, wie viel da ist und wie viel fehlt. Rechts, wie stark diese Lücke die Treffer der KI drückt. Ein Klick holt die 14 Bilder, die genau diese Lücke schließen.
14 Fehler-Arten. Die schwächste erkennt nur 58 von 100 richtig. 3 Lücken-Warnungen. 11 von 14 sind noch nicht reif für die Produktion.
Wie viel fehlt pro Art
Drei Arten unter der Marke
Schutzhelm 2,2 statt 4,5 Prozent, kritisch. Warnweste 3,6 statt 5,5, Warnung. Bauteil-Defekt 1,8 statt 3,2, Warnung. Ein Blick zeigt, welche Fehler-Arten die KI ausbremsen, weil zu wenige Beispiele da sind.
Wie gut trifft die KI je Art
Reif für die Produktion oder nicht
Arten oben rechts sind sicher genug für den echten Einsatz. Schutzhelm liegt unten links: nur 58 von 100 richtig erkannt. Die Linie für die Freigabe liegt bei 75. Sofort sichtbar, was raus in die Halle darf und was noch nicht.
Lücke gezielt füllen
14 Bilder, die genau passen
NIMBUS sucht aus den noch offenen Bildern genau die heraus, bei denen die KI bei der schwachen Art unsicher ist. Spiegelung auf dem Helm-Visier, Gegenlicht, halb von Haar verdeckt. Ein Klick, und die 14 Bilder liegen in der Aufgaben-Liste der stärksten Markiererin.
Das Team. Ehrlich gemessen, üben statt anprangern.
Wie misst man saubere Arbeit, ohne Druck zu machen? Mehrere Leute markieren dieselben Prüf-Bilder. Wer nah am gemeinsamen Urteil liegt, arbeitet sauber. So entsteht der Qualitäts-Wert von selbst. Alle 32 Leute in einer Tabelle: Name, Stadt, Bilder in 30 Tagen, heute, Qualität, Status. Die Stärkste schafft 3.482 Bilder bei 96 Prozent Qualität. Wer unter 86 Prozent fällt, bekommt eine ruhige Einladung zum Üben. Ein Klick schickt die Übung los. Keine Rangliste, kein Druck, nur leises Nachjustieren.
Die KI-Auswertung. Hier schließt sich der Kreis. Aus Fehlgriffen werden neue Aufgaben.
KI-Version 3.2 trifft 84 von 100 richtig. Zwei Zahlen zeigen, wie sie danebenliegt. Wenn die KI Alarm schlägt, stimmt der in 88 von 100 Fällen, sie ruft also selten zu Unrecht. Und von allen echten Fehlern findet sie 79 von 100, ein paar rutschen ihr noch durch. Der Vergleich zur Vorversion zeigt, wo sie besser geworden ist. Darunter eine Tabelle, was die KI mit was verwechselt. Die Fehlgriffe liegen als Galerie daneben, ein Klick öffnet das Bild mit KI-Tipp gegen Wahrheit. Schnell wird klar: Schutzhelm verwechselt sie bei wenig Licht. NIMBUS schiebt gezielt mehr solche Bilder in die nächste Runde, und das Team markiert genau da nach.
mehr markierte Bilder pro Tag
trifft die Prüf-KI richtig, nach 8 Wochen
EUR gesparte Software-Miete pro Jahr
Knöpfe gestrichen, 5 Bildschirme gebaut
Was unter der Haube steckt
“Fünf Bildschirme statt 200 Knöpfe. Das Team markiert 34 Prozent mehr pro Tag. Genau das Werkzeug, das wir wollten.”
Technische Leitung
Bild-KI-Team Wien · Beispiel-Szenario
Dein KI-Team verdient eine Software, die genau zur Arbeit passt.
In einer Demo zeigen wir dir, wie eine eigene Software für das Markieren von Bildern, Texten oder gemischten Daten für euch aussehen könnte. Konkrete Antworten, direkt auf euer Thema.
Willst du so ein Ergebnis für dich?
Horatiu Baloi · Founder & CEO
30 Minuten, kostenfrei. Wir schauen gemeinsam, wo bei dir messbar mehr Anfragen und Sichtbarkeit drin sind.