Welf Labs / Forschungsagenda

Intelligenz, die von der Industrie lernt.

Welf Labs erforscht, wie KI Situationen versteht, sich an Veränderungen anpasst und aus Erfahrung lernt. Die Anforderungen der physischen Welt bestimmen unsere Forschungsfragen.

Gespräch beginnen

Humanoid mit zwei nach vorn gerichteten Kameralinsen und zentralem Welf-Emblem auf der Brust in neutralem Studiolicht

Die Perspektive

Die reale Welt steht nicht still.

Industrielle Systeme treffen auf wechselnde Materialien, neue Bedingungen und unvollständige Informationen. Wir erforschen, wie Intelligenz damit umgehen kann, und übertragen die Erkenntnisse ins Engineering.

Welf Labs

Vier Fragen an die nächste Intelligenz.

Situationsverständnis

Die aktuelle Betriebssituation verstehen.

Ein Maschinenalarm, ein Inspektionsbild und der Arbeitsauftrag von gestern zeigen unterschiedliche Ausschnitte. Unsere Forschungsfrage: Wie kann KI daraus ein verlässliches Bild der aktuellen Situation bilden?

Forschungsansatz & Anwendungen

Die Forschungsfrage

Wie ordnet ein Modell Beobachtungen der richtigen Anlage zu, verfolgt Veränderungen und erkennt veraltete, fehlende oder widersprüchliche Belege? Wir untersuchen multimodalen Kontext, das Gedächtnis für laufende Aufgaben und Unsicherheit.

Industrielle Anwendungen

Wartungsfälle in Energie- und Prozessanlagen einordnen, Luftfahrt-Service vorbereiten, Schiffsmaschinen inspizieren und Fertigungsumstellungen prüfen. Ziel ist eine belegte Zustandsbeschreibung, die auch fehlende Informationen benennt.

Bewertungskriterien

Betriebszustände aus zeitlich zugeordneten Daten und Bildern rekonstruieren. Übersehene Änderungen, unbelegte Schlussfolgerungen, Quellengenauigkeit und den Prüfaufwand für das Betriebsteam messen.

Adaptive Intelligenz

Auf Veränderungen reagieren.

Eine neue Bauteilvariante, ein ausgefallenes Werkzeug oder eine geänderte Anweisung kann einen bewährten Ablauf unterbrechen. Adaptive Intelligenz beschreibt, wie das System während der Aufgabe darauf reagiert.

Forschungsansatz & Anwendungen

Den Plan an die Situation anpassen

Untersuchen, wie Agenten Veränderungen erkennen, passenden Kontext auswählen und den nächsten Schritt anpassen. Feste Abläufe mit Systemen vergleichen, die neu planen, ein anderes freigegebenes Werkzeug nutzen oder Unterstützung anfordern.

Wissen zwischen Umgebungen übertragen

Robotisches Handling verschiedener Bauteile, Fertigungsumstellungen, Ausnahmen in der Schifffahrt und Wartungsplanung untersuchen. Prüfen, welche Fähigkeiten zwischen Standorten übertragbar sind und wo zusätzliche Beispiele nötig werden.

Die Wiederaufnahme der Arbeit messen

Unbekannte Dokumentenlayouts, fehlende Eingaben, Werkzeugausfälle und geänderte Prioritäten testen. Erfolgsquote, Wiederanlaufzeit, doppelte Aktionen, menschliche Eingriffe und Anpassungskosten vergleichen.

Robotik und Physical AI ansehen

Selbstverbessernde KI-Modelle

Aus geprüfter Erfahrung lernen.

Eine Fachkraft korrigiert eine Antwort. Ein abgeschlossener Vorgang zeigt einen besseren Lösungsweg. Wir untersuchen, wie solche Erfahrungen das nächste Modell verbessern und bereits gelernte Fähigkeiten erhalten bleiben.

Forschungsansatz & Anwendungen

Lernverfahren

Fine-Tuning mit geprüften Korrekturen, Präferenzlernen, Distillation und Reinforcement Learning bei verlässlich bewertbaren Ergebnissen vergleichen. Untersuchen, wie wiederholte Aktualisierungen frühere Fähigkeiten beeinflussen.

Industrielle Anwendungen

Technische Dokumente auslesen, Wartungsempfehlungen verbessern, wiederkehrende SOP-Ausnahmen bearbeiten und Roboterfähigkeiten aus Demonstrationen und Eingriffen des Bedienpersonals lernen.

Modellversionen überprüfbar vergleichen

Unbekannte Fälle und frühere Aufgaben vom Lernprozess getrennt halten. Fortschritt, Rückschritte und Prüfaufwand über mehrere Aktualisierungen messen. Änderungen an Modellgewichten getrennt von Änderungen an Suche, Prompts und Werkzeugen bewerten.

SOP-Automatisierung ansehen

Spezialisierte industrielle LLMs

Mit der Fachsprache der Industrie arbeiten.

Teilenummern, Toleranzen, Werkstoffgüten und Verfahrensversionen tragen Bedeutung, die in allgemeinen Antworten verloren gehen kann. Wir untersuchen, wie Sprachmodelle dieses Wissen erwerben und auf konkrete Aufgaben anwenden.

Forschungsansatz & Anwendungen

Die passende Spezialisierung wählen

Dokumentensuche, Fine-Tuning und ihre Kombination vergleichen. Kleinere Modelle, deutsche und englische Fachsprache sowie multimodale Erweiterungen für Zeichnungen und Tabellen untersuchen. Weiteres Vortraining dort bewerten, wo Datenbasis und Ergebnisse es rechtfertigen.

Engineering und Fertigung

Anforderungen aus Angebotsanfragen extrahieren, Spezifikationsänderungen abgleichen und Werkstoffzeugnisse auswerten. Einheiten, Toleranzen, Bauteilkennungen und Quellenversionen in Automotive, Fertigung und Metallindustrie prüfen.

Energie und regulierte Abläufe

Anlagenspezifische Wartungsverfahren für Energie, Öl und Gas, Petrochemie, Luftfahrt und Schifffahrt finden. SOP-Recherche und die Zusammenstellung von Abweichungsbelegen in der Pharmaindustrie untersuchen.

Die vollständige Aufgabe bewerten

Fachliche Genauigkeit, Quellenbezug, Korrekturaufwand, Antwortzeit und Kosten pro akzeptiertem Ergebnis vergleichen. An unbekannten Dokumentenfamilien testen, auch mit fehlenden Informationen und widersprüchlichen Versionen.

Private-Cloud-KI ansehen

Zwei Forschende tauschen sich neben einer Industriekamera vor neutralem Studiohintergrund aus

Engineering-Notiz

Evaluation vor Autonomie.

Wie Sie repräsentative Tests aufbauen, Ergebnisse mit dem heutigen Prozess vergleichen und entscheiden, wann ein Workflow mehr Automatisierung verträgt.

Notiz lesen

Ein genauerer Blick

Was hinter der Umsetzung steckt.

Vertiefen Sie die Fragen, die für Ihr Vorhaben wichtig sind.

Fortschritt messbar machen.

Jede Forschungsfrage braucht eine konkrete Aufgabe, einen belastbaren Vergleich und Ergebnisse, die auch unter veränderten Bedingungen bestehen.

Ein repräsentativer Test

Freigegebene Industriebeispiele fachlich prüfen. Entwicklungsdaten von unbekannten Anlagen, Dokumentenfamilien, Standorten oder späteren Zeiträumen trennen.

Ein brauchbarer Vergleich

Methoden mit vergleichbaren Informationen, Werkzeugen und Budgets prüfen. Qualität zusammen mit Prüfaufwand, Wiederanlaufzeit und Betriebskosten ausweisen. Schwierige Fälle gesondert betrachten.

Eine nachvollziehbare Methode

Angestrebte Ergebnisse sind technische Berichte, Evaluationsdatensätze und Referenzimplementierungen. Die Bedingungen dokumentieren, unter denen ein Ergebnis gilt, damit Umsetzungsteams es für ihren Workflow bewerten können.

Bringen Sie eine industrielle Forschungsfrage mit.

Eine schwierige Betriebssituation, ein spezialisierter Datensatz oder ein wiederkehrender Fehler kann der Ausgangspunkt sein. Beschreiben Sie, was das System verstehen muss und woran Sie ein brauchbares Ergebnis erkennen würden.

Gespräch beginnen