Welf Labs / Forschungsagenda
Industrielle KI muss Situationen verstehen, auf veränderte Bedingungen reagieren und aus Erfahrung lernen. Welf Labs konzentriert sich auf Situationsverständnis, adaptive Intelligenz, selbstverbessernde KI-Modelle und spezialisierte Sprachmodelle für industrielle Aufgaben.
Situationsverständnis
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?
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.
Wartungsfälle in Energie- und Prozessanlagen einordnen, Luftfahrt-Service vorbereiten, Schiffsmaschinen inspizieren und Fertigungsumstellungen prüfen. Ziel ist eine belegte Zustandsbeschreibung, die auch fehlende Informationen benennt.
Betriebszustände aus zeitlich zugeordneten Daten und Bildern rekonstruieren. Übersehene Änderungen, unbelegte Schlussfolgerungen, Quellengenauigkeit und den Prüfaufwand für das Betriebsteam messen.
Adaptive Intelligenz
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.
Robotik und Physical AI ansehenUntersuchen, 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.
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.
Unbekannte Dokumentenlayouts, fehlende Eingaben, Werkzeugausfälle und geänderte Prioritäten testen. Erfolgsquote, Wiederanlaufzeit, doppelte Aktionen, menschliche Eingriffe und Anpassungskosten vergleichen.
Selbstverbessernde KI-Modelle
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.
SOP-Automatisierung ansehenFine-Tuning mit geprüften Korrekturen, Präferenzlernen, Distillation und Reinforcement Learning bei verlässlich bewertbaren Ergebnissen vergleichen. Untersuchen, wie wiederholte Aktualisierungen frühere Fähigkeiten beeinflussen.
Technische Dokumente auslesen, Wartungsempfehlungen verbessern, wiederkehrende SOP-Ausnahmen bearbeiten und Roboterfähigkeiten aus Demonstrationen und Eingriffen des Bedienpersonals lernen.
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.
Spezialisierte industrielle LLMs
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.
Private-Cloud-KI ansehenDokumentensuche, 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.
Anforderungen aus Angebotsanfragen extrahieren, Spezifikationsänderungen abgleichen und Werkstoffzeugnisse auswerten. Einheiten, Toleranzen, Bauteilkennungen und Quellenversionen in Automotive, Fertigung und Metallindustrie prüfen.
Anlagenspezifische Wartungsverfahren für Energie, Öl und Gas, Petrochemie, Luftfahrt und Schifffahrt finden. SOP-Recherche und die Zusammenstellung von Abweichungsbelegen in der Pharmaindustrie untersuchen.
Fachliche Genauigkeit, Quellenbezug, Korrekturaufwand, Antwortzeit und Kosten pro akzeptiertem Ergebnis vergleichen. An unbekannten Dokumentenfamilien testen, auch mit fehlenden Informationen und widersprüchlichen Versionen.
Eine gemeinsame Forschungsmethode
Jede Forschungsfrage braucht eine konkrete Aufgabe, einen belastbaren Vergleich und Ergebnisse, die auch unter veränderten Bedingungen bestehen.
Freigegebene Industriebeispiele fachlich prüfen. Entwicklungsdaten von unbekannten Anlagen, Dokumentenfamilien, Standorten oder späteren Zeiträumen trennen.
Methoden mit vergleichbaren Informationen, Werkzeugen und Budgets prüfen. Qualität zusammen mit Prüfaufwand, Wiederanlaufzeit und Betriebskosten ausweisen. Schwierige Fälle gesondert betrachten.
Angestrebte Ergebnisse sind technische Berichte, Evaluationsdatensätze und Referenzimplementierungen. Die Bedingungen dokumentieren, unter denen ein Ergebnis gilt, damit Umsetzungsteams es für ihren Workflow bewerten können.
Engineering-Notiz
Wie Sie repräsentative Tests aufbauen, Ergebnisse mit dem heutigen Prozess vergleichen und entscheiden, wann ein Workflow mehr Automatisierung verträgt.
Notiz lesenEine 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