Vom Foto zur Schadensmeldung: KI-gestützte Schadensbewertung im Tübbinglager

Ausgangslage

Tübbinge sind die Betonfertigteile, aus denen Tunnelröhren zusammengesetzt werden. Ein Fertigteilwerk produziert täglich Hunderte davon und prüft jedes Teil vor der Auslieferung auf Risse oder Abplatzungen. Die Befunde wurden über mehrere Kataloge am Handscanner erfasst: Schadensart, Lage, Ausmaß. Das war mühsam, und verschiedene Prüfende klassifizierten denselben Schaden unterschiedlich. Die täglich anfallenden Qualitätsdaten waren dadurch für Auswertungen nicht zuverlässig genug.

Lösung

Wir haben die Prüfung um eine KI-Bewertung ergänzt. Die prüfende Person fotografiert den Schaden in der Angular-App, ein multimodales Modell in Azure OpenAI, betrieben in einer EU-Region, beschreibt den Befund. Parallel liefert eine Vektorsuche in PostgreSQL mit pgvector ähnliche Fälle, die bereits bestätigt wurden. Über diese Retrieval-Augmented Generation (RAG) stützt sich das Modell auf die Daten des Projekts statt auf Allgemeinwissen. Die C#-API erhält einen vollständigen Schadensvorschlag nach festem JSON-Schema mit Konfidenzwert, den die prüfende Person bestätigt oder korrigiert. Aus mehreren Katalogen wird eine Entscheidung über einen Vorschlag.

Auswertung und Leitplanken

• Wochenauswertung: Ein KI-Agent mit Tool Calling fragt jede Woche die bestehenden REST-APIs ab und fasst Muster über Schalungen und Betonchargen für das Qualitätsmanagement in einem Satz zusammen, etwa „Schalung 14 zeigt bei 9 der letzten 40 Güsse Kantenschäden“. Ohne einheitliche Klassifikation waren solche Zusammenhänge nicht auswertbar.
• Mensch entscheidet: Die KI macht nur Vorschläge. Die Entscheidung trifft in jedem Fall ein Mensch, und die Workflow-Engine des Produkts behält die Kontrolle über den Prozess.
• Datenschutz: Fotos bleiben im Speicher der jeweiligen Kundeninstanz, und keine Kundendaten fließen in das Training von Modellen.
• Messbarkeit: Jeder Vorschlag und jede Korrektur wird protokolliert. Daraus wird die Trefferquote gemessen, und Prompts sowie Few-Shot-Beispiele werden anhand der tatsächlichen Korrekturen nachgeschärft.

Ergebnis

Die Schadensbewertung folgt einem einheitlichen Vorschlag statt der Lesart der jeweiligen Person. Jede Korrektur wird zum bestätigten Fall für die nächste Suche, sodass die Vorschläge mit dem Datenbestand besser werden. Der Use Case läuft produktiv in einem bestehenden SaaS-Produkt.