Die KI der eigenen Kameras ins Haus holen

Aus einer KI-Strategie kommt der Befund, aus dem Befund eine Entscheidung der Geschäfts­führung: Die Künstliche Intelligenz soll ins eigene Haus. Nicht als weiteres Beratungs­projekt, sondern vollständig, von der Beurteilung der heute zugekauften Erkennung über die Konzeption bis zur Implementierung und bis zur Übergabe trainierter Modelle an das Unternehmen. Damit ist der Auftrag anders geschnitten als üblich. Der übliche Weg wäre: Eine Beratung schreibt ein Konzept, ein Systemhaus entwickelt die Plattform, ein Anbieter liefert das Modell. Am Ende dieses Weges liegt das Entscheidende wieder bei Dritten, und das Problem, das gelöst werden soll, ist reproduziert, nur mit anderen Namen. Der Auftrag umfasst deshalb beides, Beratung und Umsetzung, mit einem ausdrücklichen Ziel: dass das Haus am Ende ohne uns weiterkommt.

Der erste Auftrag, bei dem alles in einer Hand liegt. Beurteilen, empfehlen, konzipieren, entwickeln, Modelle trainieren, übergeben. Das ist für uns neu und es ist hier zwingend, denn die Aufgabe lautet nicht, ein System zu liefern, sondern eine Abhängigkeit zu beenden. Wer sie beenden will und dabei die Umsetzung wieder aus der Hand gibt, tauscht nur den Lieferanten. Deshalb reicht dieser Auftrag von der ersten Bewertung bis zu dem Punkt, an dem das Unternehmen die Modelle besitzt und selbst weitertrainieren kann.

Das zugekaufte System wurde zuerst verstanden, nicht ersetzt. Am Anfang stand die Analyse des vorhandenen Alarmfilters: Was erkennt er, wie gut, an welchen Stellen versagt er, und welche Entscheidungen fängt die Leitstelle heute auf? Ohne diese Grundlage entwickelt man ein Modell gegen ein Gefühl. Mit ihr steht fest, welche Erkennungs­leistung der eigene Filter mindestens erreichen muss, um überhaupt eingesetzt werden zu dürfen.

Die Leitstelle wird zur Quelle der Trainingsdaten. Die Plattform ist so entwickelt, dass die tägliche Alarmprüfung strukturierte Etiketten hinterlässt, statt zu verpuffen. Mitarbeitende markieren Bildausschnitte im Arbeitsablauf, und diese Markierungen fließen als Trainingsdaten zurück. Damit dreht sich die Wirtschaftlichkeit um: Aus dem Kostenblock der manuellen Prüfung wird die Quelle des Modells, das sie Schritt für Schritt überflüssig macht.

Ein Annotations­format ist eine Architektur­entscheidung. Festgelegt ist: Sätze aus drei Bildern, ein Zielbild und zwei Referenz­bilder, annotiert wird nur das Zielbild, Koordinaten als Eckpunkte statt als Mittelpunkt, zwei Klassen für bewegtes und stehendes Fahrzeug. Das klingt nach Kleinarbeit und ist die Grundlage von allem, was danach kommt. Wer das Format erst festlegt, wenn schon gelabelt wird, wirft die erste Charge weg, und die erste Charge ist die, die aus dem laufenden Betrieb am schwersten zu bekommen war.

Bewegung braucht zwei Zeitpunkte, und das ist keine Verhandlungs­sache. Im Projekt stand die Frage, ob dem Filter zur Laufzeit ein einzelnes Bild genügt, um Übertragungs­bandbreite zu sparen. Die Antwort ist nein: Bewegung ist eine Veränderung über die Zeit, ein einzelnes Bild ist ein Zeitpunkt, und ein Modell muss zur Laufzeit dieselbe Eingabeform bekommen wie beim Training. Statt die Anforderung aufzugeben, wurde der Sparwunsch anders bedient: der Weg über zwei statt drei Bilder als zu prüfende Option und regelbasiert zugeschnittene Bildausschnitte. Solche Fragen entscheiden über den Erfolg eines KI-Vorhabens, und sie müssen gestellt werden, bevor entwickelt wird.

Spezifikations­getrieben entwickelt, weil erzeugter Code schneller wächst als die Zeit, ihn zu prüfen. Wer einem Modell nur beschreibt, was er ungefähr will, bekommt schnell Code und selten den richtigen, und bei jedem Durchlauf einen anderen. Deshalb steht am Anfang jeder Umsetzung eine Spezifikation: ein versioniertes Dokument, das wie Code geprüft wird, für Technik und Fachbereich gleichermaßen lesbar, in dem Entscheidungen, Sonderfälle und Abwägungen geklärt sind, bevor eine Zeile entsteht. Sie ist zugleich die Dokumentation, die sonst am Ende fehlt. Für Erkundung und Fehlersuche bleibt der schnelle Weg erlaubt, für alles, was in Betrieb geht, nicht.

Am Ende steht ein Rollenwechsel, nicht ein Filter. Die trainierten Modelle gehen Stück für Stück an das Unternehmen über, und mit ihnen die Fähigkeit, sie selbst weiterzutrainieren. Ein Haus, das eigene Modelle hält und eigene Daten besitzt, kann Erkennungs­leistung anbieten, statt sie einzukaufen. Damit ist der Weg von der dritten zur vierten Stufe der Strategie offen: vom Anbieter von Sicherheits­technik zum Anbieter von Daten­plattform und Intelligenz. Dass dieser Schritt aus einem Projekt heraus möglich wird, das mit einer Abhängigkeits­analyse begann, ist der eigentliche Ertrag.