EnAIble² - Entwicklung eines lernfähigen KI-Assistenzsystems mit No-Code-Anlernprozessen für die Qualitätskontrolle

Das Ziel des Projektes EnAIble² ist die Erweiterung eines inklusiven KI-Assistenten zur Qualitätskontrolle um ein sogenanntes  No-Code-Interface. Diese grafische Entwicklungsumgebung ermöglicht es Menschen ohne Programmierkenntnisse das zugrunde liegende KI-Modell intuitiv auf neue Produkte zu erweitern. So werden Nutzerinnen und Nutzer zu aktiven Gestalterinnen und Gestalter ihrer Arbeitsmittel.

Das Projekt untersucht vier Fragen an der Schnittstelle von Technik, nutzerzentrierter Gestaltung und Mitbestimmung: 1. Wie muss ein Interface für KI-Training gestaltet sein, damit Menschen ohne Programmierkenntnisse und mit unterschiedlichen kognitiven Fähigkeiten erfolgreich Produkte einlernen können? Welche Interaktionsformen und Feedback-Mechanismen sind hilfreich? 2. Mit wie vielen Trainingsbeispielen lässt sich auf lokaler, begrenzter Hardware ohne Netzwerkanschluss ausreichende Erkennungsgenauigkeit erreichen? Was muss die Hardware leisten? Welche KI-Modelle eignen sich? Wie erreicht man eine Einbindung in den Arbeitsfluss ohne störende und langwierige Unterbrechungen? 3. Welche Erkenntnisse und Ansätze lassen sich für andere Werkstätten, Inklusionsbetriebe und KMUs ableiten? Welche Rahmenbedingungen sind erforderlich? 4. Wie bewerten Betriebsrat und Werkstattrat den neuen Arbeitsprozess? Welche Spannungsfelder entstehen zwischen Autonomie und Überforderungsschutz? 
Das Praxisprojekt wird in der Montageabteilung der Wertachtal-Werkstätten realisiert. Dies stellt sicher, dass Ergebnisse unter realen Bedingungen erprobt und unter Einbeziehung von Userinnen- und User-Feedback partizipativ weiterentwickelt werden. Zu Beginn des Projektes werden die Anforderungen an das No-Code-Interface durch alle beteiligten Akteure (Bedienerinnen und Bediener, Gruppenleiterinnen und Gruppenleiter, Betriebsrat, Werkstattrat) in Workshops partizipativ definiert. Anschließend erfolgt die technische Entwicklung mit kontinuierlichem Anwenderinnen- und Anwender-Feedback. Der technische Ansatz basiert auf Transfer Learning und Few-Shot Learning für ressourcenbeschränkte Hardware (Edge Computing). In der Praxisevaluation lernen die Gruppenleiterinnen und Gruppenleiter und die Beschäftigten ohne KI-Expertinnen und -Experten neue Produkte ein. Besonderer Fokus liegt auf der subjektiven Zufriedenheit und dem Kompetenzerleben bei den Gruppenleiterinnen und Gruppenleitern sowie den Menschen mit Behinderung.