Durch Finetuning entstehen spezialisierte KI-Modelle, die kleiner, schneller und
günstiger sind und in ihrem Aufgabenbereich die Generalisten deutlich schlagen.

Was das konkret für mittelständische Produktionsbetriebe bedeutet, zeigt dieser Beitrag an einem
Beispiel, das jeder kennt: der Sichtprüfung.

Das Problem: Der Generalist kennt alles, nur nicht Ihren Betrieb

Vielleicht kennen Sie diese Situation: Ihr Team testet ein großes Sprachmodell oder ein KI Bilderkennungssystem aus der Cloud. Die ersten Demos wirken vielversprechend. Dann
kommt der Alltag: Das Modell verwechselt eine zulässige Schleifspur mit einem Riss, versteht die Kürzel Ihrer Arbeitspläne nicht und braucht für jede Anfrage eine Cloud Verbindung, die Ihre IT aus gutem Grund kritisch sieht. Nach drei Monaten liegt das Projekt auf Eis, und die Prüfer am Band machen weiter wie bisher: Sichtkontrolle unter Zeitdruck, Ermüdung ab der sechsten Stunde, Reklamationen, die erst beim Kunden
auffallen.

Die Kosten des Nichtstuns sind dabei selten eine einzelne große Zahl. Es sind viele kleine: der Pseudoausschuss, der gute Teile aussortiert. Die Nacharbeit, die niemand sauber
erfasst. Der 8D-Report, der zwei Ingenieure eine Woche bindet. Und das Risiko, dass ein Serienfehler erst beim OEM entdeckt wird, mit allem, was das für Audits und
Lieferantenbewertung bedeutet.

Warum Standard-KI und Insellösungen hier scheitern

Die Ursache liegt nicht an der Technologie, sondern am Zuschnitt. Drei Fehler sehen wir immer wieder:

Erstens: Generalisten für Spezialaufgaben. Ein großes Modell wurde auf dem gesamten Internet trainiert, aber nie auf Ihren Schweißnähten, Ihren Gussteilen, Ihren Oberflächen.
Es kennt die Welt im Durchschnitt, nicht Ihre Toleranzen. Das Ergebnis: Es liegt in 90 Prozent der Fälle richtig, und genau die restlichen 10 Prozent sind die teuren.

Zweitens: Werkzeug vor Prozess. Häufig wird zuerst Software gekauft und dann geschaut, wo sie hinpasst. Die Frage müsste umgekehrt lauten: Welche Prüfentscheidung kostet uns
heute am meisten Zeit, Geld oder Nerven, und welche Daten fallen dabei ohnehin schon an?

Drittens: Excel und Insellösungen als Dauerzustand. Prüfergebnisse in Tabellen, Fotos auf Netzlaufwerken, Erfahrungswissen in den Köpfen langjähriger Mitarbeiter. Diese
Daten sind der Rohstoff für ein spezialisiertes Modell, aber solange sie verstreut liegen, kann kein System daraus lernen. Wer heute nicht anfängt, diese Daten strukturiert zu
sammeln, verbaut sich die Option von morgen.

Der Lösungsansatz: Finetuning macht aus dem Generalisten einen Facharbeiter

Finetuning bedeutet: Man nimmt ein vortrainiertes Basismodell und trainiert es mit den eigenen Daten nach, mit Ihren Bildern, Ihren Protokollen, Ihren Gut- und Schlecht Beispielen. Das Ergebnis ist ein Modell, das nur eine Sache kann, diese aber auf dem Niveau Ihres besten Prüfers.
Das griffigste Bild dafür: Ein großes Generalmodell ist der frisch eingestellte Akademiker, der alles ein bisschen kann. Das feingetunte Modell ist der Facharbeiter mit 20 Jahren Erfahrung an genau Ihrer Linie. Er kennt jede zulässige Abweichung, jeden typischen Fehler des Lieferanten aus Werk B, jede Eigenheit der Charge nach dem Werkzeugwechsel.

Konkret am Beispiel Sichtprüfung: Ein mittelständischer Zulieferer sammelt über einige Wochen Bilder von Schweißnähten, jeweils mit dem Urteil der erfahrenen Prüfer versehen:
in Ordnung, Nacharbeit, Ausschuss. Mit einigen tausend solcher Beispiele wird ein kompaktes Bildmodell feingetunt. Das Ergebnis läuft auf einem Industrie-PC direkt an der
Linie, ohne Cloud, ohne dass ein einziges Bild das Werk verlässt. Es prüft jedes Teil in Millisekunden, wird nicht müde und meldet Grenzfälle an den Menschen, statt sie
durchzuwinken. Der Prüfer wird nicht ersetzt, er wird vom Fließbandtakt entlastet und entscheidet nur noch die Fälle, die wirklich sein Urteil brauchen.

Das Prinzip ist branchenunabhängig übertragbar: Angebotsprüfung im Einkauf, Klassifikation von Reklamationen, Auslegung technischer Zeichnungen,
Wareneingangskontrolle. Überall dort, wo heute Erfahrungswissen in hoher Stückzahlangewendet wird, kann ein spezialisiertes Modell entstehen.

Drei Eigenschaften machen den Ansatz für den Mittelstand besonders interessant:
Kleiner heißt beherrschbar. Ein spezialisiertes Modell ist oft um Größenordnungenkleiner als ein Generalmodell. Es läuft auf eigener Hardware im Werk. Datenschutz, Know-how-Schutz und Latenz sind damit keine offenen Flanken, sondern gelöste Fragen.

Stärker heißt messbar. Weil das Modell nur eine Aufgabe hat, lässt sich seine Qualitätexakt messen: Erkennungsrate, Fehlalarmquote, Durchsatz. Sie wissen jederzeit, ob es gut
genug ist, kein Bauchgefühl, sondern Kennzahlen wie bei jeder Prüfmittelfähigkeit.

Methodik vor Software. Der Weg beginnt nicht mit einer Kaufentscheidung, sondern mit
drei Fragen: Welcher Prozess verursacht wiederkehrende, teure Fehlentscheidungen?

Welche Daten entstehen dort bereits, oder ließen sich mit geringem Aufwand erfassen?
Und wer im Haus trägt das Erfahrungswissen, das ins Modell einfließen soll? Erst wenn
diese Fragen beantwortet sind, lohnt der Blick auf Werkzeuge und Anbieter.

Was Sie jetzt tun können

Sie müssen dafür kein KI-Projekt starten. Nehmen Sie sich 30 Minuten und beantworten Sie mit Ihrem Produktions- oder Qualitätsleiter drei Fragen:
1. An welcher Stelle treffen Mitarbeiter täglich hunderte gleichartige Entscheidungenunter Zeitdruck?
2. Werden die Ergebnisse dieser Entscheidungen heute so dokumentiert, dass ein System daraus lernen könnte? Falls nein: Was müsste sich ändern, damit ab morgen brauchbare Daten anfallen?
3. Was kostet Sie eine Fehlentscheidung an dieser Stelle, realistisch gerechnet, inklusive Nacharbeit, Reklamation und gebundener Ingenieurstunden?

Wenn Sie auf Frage 1 und 3 eine klare Antwort haben, aber auf Frage 2 nicht, dann ist genau das Ihr erster Schritt. Die Datensammlung von heute ist das Spezialistenmodell von morgen. Und wer sie nicht beginnt, wird in zwei Jahren mit Wettbewerbern konkurrieren, die es getan haben.

Wenn Sie Ihre Antworten einmal unverbindlich spiegeln möchten: Ein Austausch unter Praktikern klärt oft in einer Stunde, ob ein Anwendungsfall trägt oder nicht.