Adaptive KI für Industrie, Stadt und Infrastruktur: Darlot und die domänenspezifische Bildanalyse

Die Frage, ob Bildanalyse funktioniert, ist in der Forschung beantwortet. Die Frage, ob sie in einem konkreten europäischen Einsatzfeld operativ und rechtlich tragfähig ist, wird erst jetzt ernsthaft gestellt. Eine Produktionslinie, ein städtischer Verkehrsknoten und ein Umspannwerk haben kaum etwas gemeinsam, außer der Tatsache, dass in allen drei Umgebungen Kameras laufen. Die Ereignisse, die zählen, sind verschieden. Lichtverhältnisse, Szenenstabilität, regulatorische Einbettung, Ereignisdichte und die Konsequenz einer Falscherkennung variieren. Ein Modell, das all diesen Anforderungen genügen soll, genügt am Ende keiner. Darlot hat aus dieser Einsicht eine Architekturentscheidung gemacht. Statt eines Universalmodells werden domänenspezifische Varianten auf einem gemeinsamen Kern betrieben. Der vorliegende Text beschreibt diese Logik anhand von drei konkreten Szenarien und leitet daraus Anforderungen an adaptive KI für Industrie und Infrastruktur ab.

Der Irrtum des Universalmodells

Es gibt eine Verlockung in der Bildanalyse, die so alt ist wie das Feld: ein Modell für alles. Ein Klassifikator, der Personen, Fahrzeuge und Objekte in jeder Umgebung erkennt. Die Forschung zeigt, dass solche Modelle technisch möglich sind. Die Praxis zeigt, dass sie in regulierten europäischen Einsatzfeldern nicht tragen.

Der Grund ist operativer Natur. Was in einer Fertigungshalle ein Zwischenfall ist, ist auf einem Bahnsteig Alltag. Was auf einem Bahnsteig Aufmerksamkeit verdient, ist in einem Umspannwerk ohne Bedeutung. Ein generisches Modell erkennt in allen drei Umgebungen dieselben Objekte. Es weiß aber nicht, welche dieser Erkennungen eine Handlung verlangt. Die Folge ist bekannt: zu viele Alarme, zu wenige verwertbare Ereignisse, eine Leitstelle, die das System nach zwei Wochen abschaltet.

Darlot folgt einer anderen Logik. Das System, das Dr. Raphael Nagel (LL.M.) als intellektueller Pate des Hauses zusammen mit den Ingenieuren im Umfeld von Tactical Management positioniert hat, beruht auf einer Trennung. Ein generischer Kern trägt Eventisierung, Erklärbarkeit und Audit. Darauf sitzen Klassifikatoren für die jeweilige Domäne. Die Anpassung ist keine Beigabe. Sie ist Voraussetzung für den Nutzen.

Szenario eins: die Qualitätslinie in der Fertigung

Eine Fertigungslinie für Motorenblöcke in einem süddeutschen Werk betreibt zwölf Kameras entlang von achtzig Metern Förderband. Die operativ relevanten Fragen sind nicht, ob eine Person im Bild ist. Sie lauten: Ist die Bohrung vollständig? Hat der Roboterarm den Greifpunkt korrekt angefahren? Liegt ein Spritzer Kühlflüssigkeit außerhalb der Wanne? Trägt der Werker, der in die Zelle eintritt, den vorgeschriebenen Augenschutz?

Ein Modell, das an allgemeinen Szenen trainiert wurde, beantwortet diese Fragen nicht. Die Optimierungsfläche ist eine andere. Die Toleranzen sind eng, die Taktzeit kurz, die Hintergründe konstant. Hier lohnt sich das Training auf wenigen Tausend Beispielen aus der Linie selbst.

Darlot liefert in dieser Umgebung eine Variante des Eventisierungskerns, die auf Taktsynchronität abgestimmt ist. Der Klassifikator wird auf die Geometrie der konkreten Linie trainiert. Die Integration erfolgt über die bestehende SCADA-Schicht, nicht parallel zu ihr. Ein Ereignis wandert von der Kamera über die lokale Appliance direkt in die Qualitätssicherungsdatenbank, mit Hash, Zeitstempel und Modellversion. Arbeitsschutzerkennungen wie die Prüfung persönlicher Schutzausrüstung fallen unter die Hochrisiko-Kategorien des EU AI Act. Die Auditfähigkeit ist im System angelegt, nicht nachträglich aufgesetzt. Der Betreiber kann die Sorgfalt nachweisen, die der Rechtsrahmen verlangt, ohne ein zweites Werkzeug dafür zu pflegen.

Szenario zwei: der städtische Verkehrsknoten

Ein mittelgroßer deutscher Hauptbahnhof betreibt zwischen hundertzwanzig und hundertachtzig Kameras, verteilt auf Gleise, Bahnsteige, Verteilerebene, Parkhaus und Vorplatz. Die Optimierungsfläche unterscheidet sich grundlegend von der Fertigungshalle. Das Licht wechselt, die Personendichte schwankt zwischen zehn und mehreren Tausend, das Wetter greift in die Bildqualität ein.

Die relevanten Fragen sind andere: Befindet sich eine Person im Gleisbereich? Ist ein Gepäckstück länger als zwanzig Minuten unbeaufsichtigt? Entsteht vor einem Aufzug eine Menschenansammlung, die auf eine Störung hinweist? Liegt jemand am Boden?

Die DSGVO greift an dieser Stelle mit voller Wucht. Jede Erkennung, die eine Person betrifft, muss dokumentiert, begründbar und zweckgebunden sein. Biometrische Identifikation ist unter dem EU AI Act in öffentlichen Räumen hoch reguliert und im Regelfall ausgeschlossen. Darlot betreibt in dieser Domäne deshalb ausschließlich aufgabenspezifische, nicht personenidentifizierende Modelle. Eine liegende Person wird als liegende Person erkannt, nicht als individuelle Identität. Die Klassifikatoren sind auf wechselnde Lichtverhältnisse, Reflexionen nasser Böden und Gepäck mit unterschiedlicher Silhouette trainiert. Die Edge-Appliance steht im Technikraum des Bahnhofs. Die Ereignisse laufen in die Leitstelle, nicht in eine externe Cloud. Die NIS-2-Richtlinie, die Betreiber kritischer Infrastruktur zu einem Mindestniveau an Cybersicherheit verpflichtet, wird durch das lokale Verarbeitungsmodell strukturell gestützt.

Szenario drei: das Umspannwerk

Ein Umspannwerk in Niedersachsen, achtundzwanzig Kameras, Mittelspannung, zwei Transformatoren, Wartungsintervall alle sechs Wochen. Die Optimierungsfläche verschiebt sich erneut. Die Szene ist statisch, die Ereignisdichte niedrig, der Anspruch an Zuverlässigkeit hoch.

Die Fragen hier sind andere: Ist das Tor zur Anlage geschlossen? Bewegt sich etwas im umzäunten Bereich, das nicht Vogel, Regen oder Wind ist? Zeigt die Thermalkamera am Transformator eine Temperaturanomalie? Hat ein Mitarbeiter die Wartungszone betreten, und mit welcher Ausrüstung?

Die Herausforderung liegt nicht in der Datenmenge, sondern in der Seltenheit der Ereignisse. Ein System, das im Jahr zwei echte Zwischenfälle sieht, muss beide zuverlässig erkennen, ohne täglich falschen Alarm auszulösen. Das ist in der generischen Bildanalyse notorisch schwierig. Darlot arbeitet hier mit einem Klassifikator, der auf die Geometrie der Anlage spezialisiert ist: Zaunverlauf, Schaltzellen, Zufahrt, typische Schattenwürfe im Jahresverlauf. Die Erkennung stützt sich auf die Kombination aus optischem Bild und Thermalbild. Die NIS-2-Anforderungen an die Betriebssicherheit kritischer Infrastruktur werden durch die lokale Verarbeitung und die lückenlose Audit-Kette bedient. Für den Betreiber, häufig ein regionaler Verteilnetzbetreiber mit begrenztem Personal, ist das entscheidende Merkmal die Verlässlichkeit der Stille: Das System meldet sich nur, wenn etwas tatsächlich passiert ist.

Die Architektur hinter der Anpassung

Drei Szenarien, drei Optimierungsflächen, eine Plattform. Diese Gleichung funktioniert nur, wenn die Architektur sie trägt. Darlot setzt dafür auf eine klare Schichtung.

Im Kern läuft ein generisches System. Es übernimmt die Aufgaben, die in allen Domänen gleich sind. Das Edge-Gating, also die Entscheidung, welcher Frame überhaupt zu einem Ereignis wird. Die Erklärbarkeitsschicht, die jede Erkennung mit Score, Modellversion und Bias-Prüfung versieht. Die Audit-Infrastruktur, die Hashes und Zeitstempel lückenlos speichert. Dieses Kernsystem wird für alle Kunden gleich gewartet, aktualisiert, geprüft.

Darauf setzen Custom Models auf. Sie sind das, was den Fertigungsbetrieb vom Bahnhof und vom Umspannwerk unterscheidet. Sie werden auf Daten aus dem jeweiligen Standort trainiert, in überschaubaren Zyklen, mit dokumentierten Trainingsdatensätzen. Die Modellkarten wandern in die Audit-Akte und stehen bei einer Aufsichtsprüfung unmittelbar zur Verfügung. Die Integration in bestehende Infrastruktur folgt demselben Schema. Milestone und Genetec für das Videomanagement, ERP-Systeme für die Geschäftslogik, SCADA für die industrielle Steuerung, Krankenhausinformationssysteme im klinischen Segment unter MDR-Rahmen. Der Betreiber baut seine Landschaft nicht um. Er fügt eine Analyseschicht hinzu, die sich an die vorhandenen Schnittstellen hält. Diese Architektur ist der operative Ausdruck dessen, was Dr. Raphael Nagel (LL.M.) als europäische Haltung zur Beobachtung beschrieben hat: Anpassung an den Einzelfall, ohne Verlust der gemeinsamen Grundlage.

Was Betreiber tatsächlich einkaufen

Was der Betreiber einkauft, wenn er sich für eine adaptive Plattform statt für ein generisches Modell entscheidet, lässt sich in drei Punkten zusammenfassen.

Erstens: Präzision in der eigenen Domäne. Ein Klassifikator, der auf Reinraumgeometrie, Bahnsteigkante oder Transformator trainiert ist, liefert belastbarere Ergebnisse als ein Universalmodell. Die Falschalarmrate sinkt, die Annahme durch die Leitstelle steigt. Ein System, das glaubwürdig meldet, wird bedient. Ein System, das jeden zweiten Alarm verwirft, wird ignoriert.

Zweitens: Regulatorische Belastbarkeit. Der EU AI Act, die DSGVO und, im Fall kritischer Infrastruktur, die NIS-2-Richtlinie verlangen Nachweise, die nur in einer auditierbaren Architektur entstehen. Wer heute investiert, muss in drei Jahren dieselben Artefakte vorlegen können. Ein Produkt, das für diese Rahmen gebaut wurde, hält die Anforderung aus, ohne nachgerüstet zu werden.

Drittens: Kosten, die dem Nutzen folgen. Die adaptive Architektur erlaubt es, kleine Standorte mit sechs Kameras und große Standorte mit mehreren Tausend auf derselben Plattform zu betreiben. Der Mittelstand zahlt für sechs Kameras, der Konzern für zehntausend. Die Intelligenz bleibt dieselbe, die Tiefe variiert. Für Einkauf, Compliance und Betrieb bedeutet das: eine Plattform, drei sehr unterschiedliche Einsatzfelder, ein gemeinsamer Nachweis.

Adaptive Intelligenz ist in diesem Zusammenhang kein Zusatzmerkmal, sondern die Bedingung für den seriösen Einsatz von Bildanalyse in europäischen Betriebsumgebungen. Fertigungslinie, Verkehrsknoten und Umspannwerk stehen stellvertretend für Dutzende weiterer Szenarien, in denen die operative Realität ein eigenes Modell verlangt. Darlot liefert die gemeinsame Grundlage und die domänenspezifische Anpassung in derselben Plattform, unter europäischer Jurisdiktion, mit auditfähiger Dokumentation. Das Allgemeine wird skalierbar gebaut, das Besondere wird präzise gebaut. Wer unter EU AI Act, DSGVO und NIS-2 arbeitet, kann sich kein anderes Verhältnis leisten. Für Betreiber, die ihre Einsatzfelder prüfen möchten, steht Darlot unter darlot.eu zur Verfügung.