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

Projektziel

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 Nutzer*innen zu aktiven Gestalter*innen ihrer Arbeitsmittel.

Projektbeschreibung

Kontext

KI transformiert die Arbeitswelt grundlegend. Gleichzeitig bestehen massive Ungleichheiten im Zugang: Fehlende Kompetenzen oder mangelnde Infrastruktur für energieintensives Training verhindern Teilhabe an den ökonomischen und gesellschaftlichen Vorteilen. Die Demokratisierung von KI wird daher weltweit diskutiert. Dies umfasst vier Ebenen: Die Nutzung (Zugang für alle), die Entwicklung (Anpassbarkeit ohne Expert*innen), die Gewinne (nicht nur Tech-Giganten profitieren) und Governance (breite Beteiligung an Gestaltung und Kontrolle). Die Arbeiten im Projekt EnAIble² fokussieren sich auf die Demokratisierung der KI-Entwicklung, beispielhaft am KI-Assistenten der im Projekt EnAIble (gefördert durch die HBS) entstanden ist. Das Ziel ist, KI-Nutzer*innen zu KI-Gestalter*innen zu machen. Gleichzeitig werden andere Ebenen von Demokratisierung aufgegriffen. Mitbestimmungsakteure werden einbezogen, um Anforderungen für menschenzentrierte KI-Lösungen abzuleiten.

Fragestellung

Das Projekt untersucht vier Fragen an der Schnittstelle von Technik, nutzer*innenzentrierter 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?

Untersuchungsmethoden

Das Praxisprojekt wird in der Montageabteilung der Wertachtal-Werkstätten realisiert. Dies stellt sicher, dass Ergebnisse unter realen Bedingungen erprobt und unter Einbeziehung von User*innen-Feedback partizipativ weiterentwickelt werden. Zu Beginn des Projektes werden die Anforderungen an das No-Code-Interface durch alle beteiligten Akteure (Bediener*innen, Gruppenleiter*innen, Betriebsrat, Werkstattrat) in Workshops partizipativ definiert. Anschließend erfolgt die technische Entwicklung mit kontinuierlichem Anwender*innen-Feedback. Der technische Ansatz basiert auf Transfer Learning und Few-Shot Learning für ressourcenbeschränkte Hardware (Edge Computing). In der Praxisevaluation lernen die Gruppenleiter*innen und die Beschäftigten ohne KI*Expert*innen neue Produkte ein. Besonderer Fokus liegt auf der subjektiven Zufriedenheit und dem Kompetenzerleben bei den Gruppenleiter*innen sowie den Menschen mit Behinderung.