Die dritte Schicht: Intelligente Systeme für den Mittelstand

1. Deep Learning, Sensorik und datengetriebene Infrastruktur

Im ersten Teil dieser Artikelserie wurde gezeigt, wie klassische Machine-Learning-Verfahren mittelständischen Unternehmen einen pragmatischen Einstieg in die Künstliche Intelligenz ermöglichen. Entscheidungsbäume, Random Forests oder ähnliche Modelle helfen dabei, Erfahrungswissen zu digitalisieren, Prozesse transparenter zu machen und Ressourcen effizienter einzusetzen. Der zweite Teil führte anschließend eine Schicht tiefer in die KI-Zwiebel: Deep Learning eröffnete dort neue Möglichkeiten, wo visuelle Daten, komplexe Muster oder kontinuierliche Zielgrößen eine Rolle spielen (Lutz et al., 2025).
Doch mit der Leistungsfähigkeit neuronaler Netze steigt zugleich eine zentrale Voraussetzung: Deep Learning benötigt Daten – und zwar in ausreichender Menge, Qualität und Struktur. In der industriellen Praxis entscheidet deshalb häufig nicht allein die Modellarchitektur über Erfolg oder Misserfolg, sondern die Frage, ob geeignete Daten überhaupt verfügbar sind. Gerade bei komplexen Sensordaten, dynamischen Umgebungen oder seltenen Ereignissen wird deutlich, dass moderne KI-Systeme weit mehr benötigen als lediglich ein trainiertes neuronales Netz.
Der dritte Teil dieser Serie widmet sich daher der nächsten Entwicklungsstufe datengetriebener Systeme: der Verbindung von Sensorik, Deep Learning und intelligenter Infrastruktur. Im Mittelpunkt steht dabei ein Anwendungsbeispiel aus dem kommunalen Umfeld, das exemplarisch zeigt, wie Sensordaten, Edge Computing und KI-gestützte Prognosen zusammenwirken können, um reale Prozesse effizienter, nachhaltiger und resilienter zu gestalten.

2. Deep Learning für komplexe Datenstrukturen

Während klassische Machine-Learning-Modelle besonders gut für klar strukturierte Problemstellungen geeignet sind, stoßen sie bei hochdimensionalen oder dynamischen Daten zunehmend an ihre Grenzen. Gerade in Anwendungen mit Bildern, Sensordaten oder kontinuierlichen Messreihen entstehen komplexe Zusammenhänge, die sich nicht mehr mit wenigen Regeln oder festen Entscheidungsdimensionen beschreiben lassen.
Deep Learning bietet hierfür neue Möglichkeiten. Künstliche neuronale Netze lernen relevante Merkmale direkt aus den Rohdaten und können dadurch auch komplexe Muster erfassen, die für klassische Verfahren nur schwer zugänglich wären (LeCun et al., 2015). Besonders Convolutional Neural Networks (CNNs) haben sich in der industriellen Bildverarbeitung etabliert, etwa in der Qualitätskontrolle oder Objekterkennung (Krizhevsky et al., 2017). Darüber hinaus gewinnen rekurrente neuronale Netze und Long Short-Term Memory-Netzwerke (LSTM) zunehmend an Bedeutung, wenn zeitliche Verläufe oder Sensordaten analysiert und prognostiziert werden sollen (Hochreiter & Schmidhuber, 1997).
Mit steigender Modellkomplexität wächst jedoch auch der Bedarf an geeigneten Trainingsdaten. Rohdaten allein reichen hierfür nicht aus. Damit Deep-Learning-Systeme robuste Ergebnisse liefern können, müssen Daten häufig bereinigt, strukturiert, annotiert und langfristig erfasst werden. Gerade in industriellen oder kommunalen Anwendungen stellt dies eine erhebliche Herausforderung dar.
Typische KI-Aufgaben in solchen Szenarien sind:

• Klassifikation: Ein System ordnet einen Zustand einer bestimmten Kategorie zu, etwa „leer“, „teilweise gefüllt“ oder „überfüllt“.
• Regression: Statt Klassen wird ein kontinuierlicher Wert vorhergesagt, beispielsweise ein geschätzter Füllstand in Prozent.
• Anomalieerkennung: Das Modell erkennt ungewöhnliche Zustände oder Abweichungen vom Normalverhalten.

Diese Problemstellungen finden sich heute in vielen Bereichen wieder – von der Landwirtschaft über industrielle Produktionsprozesse bis hin zur kommunalen Infrastruktur. In der Landwirtschaft können etwa Pflanzenkrankheiten erkannt, Ertragsprognosen erstellt oder Reifegrade klassifiziert werden. Ähnliche Herausforderungen entstehen jedoch auch in urbanen Umgebungen: Öffentliche Infrastruktur muss Zustände erfassen, Veränderungen erkennen und daraus operative Entscheidungen ableiten.
Gerade hier zeigt sich eine wichtige Entwicklung moderner KI-Systeme: Sensorik, Datenverarbeitung und Entscheidungslogik verschmelzen zunehmend zu intelligenten Gesamtsystemen.

3. Datenbasis und Infrastruktur als Grundlage intelligenter Systeme

Viele Diskussionen rund um Künstliche Intelligenz konzentrieren sich stark auf Modelle und Algorithmen. In der Praxis zeigt sich jedoch häufig ein anderes Bild: Die eigentliche Herausforderung liegt oft weniger im neuronalen Netz selbst als in der Datenbasis und Infrastruktur.
Moderne KI-Systeme benötigen kontinuierliche, belastbare und möglichst konsistente Datenströme. Diese Daten entstehen häufig direkt an Maschinen, Anlagen oder Sensoren. Im Umfeld des Internet of Things (IoT) kommen dabei unterschiedlichste Sensorarten zum Einsatz – etwa Kameras, Radar-, Temperatur-, Vibrations- oder Abstandssensoren. Erst durch die Kombination dieser Informationen entsteht ein belastbares Bild des realen Zustands.
Gleichzeitig gewinnen sogenannte Edge-Computing-Ansätze zunehmend an Bedeutung. Dabei werden Daten nicht ausschließlich in zentralen Rechenzentren verarbeitet, sondern bereits direkt auf lokalen Geräten oder Sensorplattformen analysiert. Dies reduziert Latenzen, spart Bandbreite und ermöglicht energieeffiziente Architekturen (Shi et al., 2016). Gerade im Mittelstand oder in kommunalen Anwendungen sind solche ressourcenschonenden Lösungen besonders relevant. Hinzu kommt, dass viele intelligente Systeme nicht nur aktuelle Zustände bewerten, sondern zukünftige Entwicklungen prognostizieren sollen. Hierfür werden Zeitreihenmodelle und Deep-Learning-Verfahren eingesetzt, die saisonale Muster, Wetterdaten oder historische Verläufe berücksichtigen können. Solche Ansätze bilden eine wichtige Grundlage für Predictive Analytics und vorausschauende Planung. Darüber hinaus entsteht aus kontinuierlichen Zustandsdaten eine weitere Entwicklungsperspektive: digitale Zwillinge. Ein digitaler Zwilling benötigt aktuelle Sensordaten, um reale Zustände digital abzubilden und später analysieren oder simulieren zu können. Damit bilden Sensorik, Datenqualität und intelligente Auswertungssysteme die Grundlage für zukünftige Industrial-Metaverse-Ansätze und datengetriebene Infrastrukturmodelle.

4. Use Case: Füllstandbestimmung in Abfallbehältern

Herausforderungen kommunaler Infrastruktur

Kommunale Abfallentsorger stehen gerade bei öffentlichen Müllbehältern vor der Herausforderung, dass deren Füllstand sehr von Großereignissen bestimmt wird. Erfolgt die Leerung in einem festgelegten Turnus, kommt es regelmäßig zu einer Überfüllung, welche das Stadtbild und die durch Bürger empfundene Sauberkeit beeinträchtigen. In der Praxis werden daher ca. 40 % bis 50 % der Abfallbehälter geleert, obwohl dies noch nicht notwendig gewesen wäre (Vatter & Butscher, 2022).
Um dies zu vermeiden, werden zunehmend IoT-Sensoren installiert, welche den Füllstand messen und an eine zentrale Plattform senden (Vatter & Butscher, 2022). Eine der zentralen Herausforderungen bei der sensorischen Erkennung des Füllstands ist die Charakterisierung des Füllguts. Leicht komprimierbare Inhalte, wie etwa Papierverpackungen, verfälschen dabei die Messungen und somit die Information über die Notwendigkeit, den Behälter zu leeren.

Sensorik: Infrarot-, Radar- und Zusatzsensorik

Ein Hersteller für entsprechende Sensoren ist die Sentinum GmbH mit Sitz in Nürnberg (Sentinum GmbH, 2026). Die Sensoren sind dabei mit mehreren Einzelsensoren ausgestattet. So kommen einerseits Infrarot-Laser-Sensoren nach dem Time-of-Flight-Prinzip zum Einsatz. Diese sind jedoch nicht in der Lage, die Dichte des Füllguts zu erfassen. Daher kommt zusätzlich ein Radarsensor zum Einsatz, der loses Material durchdringt. Zudem sind ein Erschütterungssensor und ein Temperatursensor integriert. Damit lassen sich Vandalismus oder Brände identifizieren. Durch das Erkennen untypischer Öffnungen ist es im Fall von Streugutkästen bereits sogar gelungen, eine missbräuchliche Nutzung der Container als Drogenverstecke zu erkennen. Höherpreisige Modelle enthalten zudem ein Modul zur Positionsbestimmung, wodurch der Installationsaufwand reduziert wird.
Der Use Case verdeutlicht, dass moderne KI-Anwendungen selten nur auf einer einzelnen Datenquelle basieren. Vielmehr entsteht durch die Kombination mehrerer Sensoren eine robuste Form der Zustandsbewertung. Solche Ansätze werden häufig als Sensorfusion bezeichnet und gewinnen insbesondere in Smart-City-Anwendungen zunehmend an Bedeutung (Batty et al., 2012).

Edge-Device-Strategie und lokaleKI-Verarbeitung

Die Firma Sentinum verfolgt dabei eine sogenannte Edge-Device-Strategie, wonach Berechnungen soweit möglich auf den Endgeräten durchgeführt werden. So erfolgt die Berechnung des Füllstands durch eine im Sensor integrierte Logik, bei der aus 256 Messpunkten des Infrarot-Sensors die mittlere Distanz ermittelt wird. Zudem werden die Informationen des Radarsensors mit einbezogen. Dabei werden auch einfache KI-Modelle eingesetzt, um Ausreißer oder ein unplausibles Verhalten im Zeitverlauf zu identifizieren oder durch eine sinnvolle Gewichtung einzubeziehen (Hochreiter & Schmidhuber, 1997).
Dieser Ansatz zeigt exemplarisch, wie Edge AI in der Praxis eingesetzt wird. Statt sämtliche Rohdaten permanent in zentrale Cloud-Systeme zu übertragen, erfolgt bereits auf dem Sensor eine erste Datenverdichtung und Bewertung. Dadurch lassen sich Kommunikationsaufwand, Energieverbrauch und Reaktionszeiten reduzieren – ein entscheidender Vorteil insbesondere in kommunalen oder verteilten Infrastrukturen (Shi et al., 2016).

KI-gestützte Prognosen und Deep Learning

Die Daten können über das Mobilfunknetzwerk (LTE-M oder NB-IoT) oder über LPWA-Netzwerke („low power wide area networks“, etwa Sigfox, LoRa oder Mioty) auf eine unternehmenseigene Cloud-Plattform übertragen werden. Dort können Auftraggebende die aufbereiteten Informationen auf einer Karte des Stadtgebiets einsehen. Auf der Plattform werden weitere KI-gestützte Auswertungen durchgeführt. So können mithilfe von Deep-Learning-Algorithmen Füllstände auch saisonal abhängig – beispielsweise bei Großveranstaltungen – prognostiziert werden. Die Berechnungen berücksichtigen neben dem Verlauf der Füllstände in der Vergangenheit auch Informationen zu Wetter sowie zu Wochen- und Feiertagen.
Hier zeigt sich ein zentraler Unterschied zwischen einfachen Zustandsmessungen und datengetriebenen KI-Systemen: Nicht nur der aktuelle Zustand wird betrachtet, sondern auch dessen zeitliche Entwicklung. Deep-Learning-Ansätze ermöglichen dadurch Prognosen und voraus-
schauende Planung, die weit über klassische Sensorik hinausgehen (LeCun et al., 2015).

Nutzen für Einsatzplanung, Nachhaltigkeit und Smart City

Im Ergebnis können damit mehrere Anforderungen bedient werden. So kommen die Daten einer optimierten Routen- und Einsatzplanung zugute. Langfristig können aber auch die Kapazitätsplanung und die Standorte der Abfallbehälter optimiert werden. Zudem können auch Anforderungen hinsichtlich der Qualitätssicherung, Dokumentation, Compliance und der Regressionsvermeidung besser erfüllt werden. Erfahrungen haben zudem gezeigt, dass Einsparungen über 30 % des Aufwands möglich sind. Darüber hinaus können die Daten mit anderen Smart-City-Anwendungen vernetzt und so auch für weitere Use Cases genutzt werden (Gassmann et al., 2018). Der Use Case verdeutlicht damit exemplarisch, wie aus Sensorik, Datenanalyse und KI-gestützter Prognose intelligente Infrastruktur entsteht. Gleichzeitig zeigt er, dass der Nutzen moderner KI-Systeme nicht allein in der Datenerfassung liegt, sondern in der Fähigkeit, operative Entscheidungen datenbasiert zu unterstützen.

5. Integration und Ausblick

Der Blick auf moderne Infrastrukturprojekte zeigt, dass sich klassische Machine-Learning-Verfahren und Deep-Learning-Ansätze zunehmend ergänzen. Während einfache Modelle weiterhin eine wichtige Rolle bei plausibilitätsbasierten Entscheidungen oder Anomalieerkennung spielen, kommen Deep-Learning-Modelle insbesondere dort zum Einsatz, wo komplexe Muster, Zeitreihen oder multimodale Sensordaten verarbeitet werden müssen.
Die beschriebenen Ansätze sind dabei keineswegs auf kommunale Abfallwirtschaft beschränkt. Ähnliche Systeme finden sich inzwischen in der Landwirtschaft, im Energiemanagement, in der Logistik, im Facility Management oder in industriellen Produktionsumgebungen. Gemeinsam ist all diesen Anwendungen, dass Sensorik, Datenqualität und intelligente Auswertung zusammenwirken müssen, um reale Prozesse effizienter zu gestalten.
Darüber hinaus entsteht aus solchen Datenströmen die Grundlage für weiterführende Entwicklungen. Erst wenn reale Zustände kontinuierlich erfasst und digital repräsentiert werden können, entstehen die Voraussetzungen für digitale Zwillinge. Diese wiederum bilden die Basis für zukünftige Industrial-Metaverse-Anwendungen, in denen reale und digitale Prozesse zunehmend miteinander verschmelzen.

6. Fazit und Ausblick auf Teil 4

Deep Learning erweitert den Werkzeugkasten Künstlicher Intelligenz erheblich: insbesondere dort, wo komplexe Sensordaten, Zeitreihen oder multimodale Informationen verarbeitet werden müssen. Gleichzeitig zeigt die Praxis, dass leistungsfähige Modelle allein nicht ausreichen. Entscheidend ist vielmehr, ob belastbare Daten, geeignete Sensorik und intelligente Infrastruktur vorhanden sind.
Der Blick auf die KI-Zwiebel macht erneut deutlich: Nicht jede Anwendung erfordert den Sprung in die innersten Schichten moderner KI-Systeme. Doch mit steigender Komplexität wächst die Bedeutung datengetriebener Architekturen, Edge-Computing-Ansätze und intelligenter Prognosemodelle.
Der nächste Teil dieser Serie führt diesen Gedanken konsequent fort. Dann geht es darum, wie KI-Systeme nicht nur Zustände erkennen, sondern reale Prozesse auslösen und mit operativen Systemen verbunden werden. Am Beispiel der automatisierten Seriennummer-Erkennung wird gezeigt, wie aus visueller Erkennung, Bildverarbeitung und ERP-Abgleich ein durchgängiger KI-gestützter Prozess entsteht.
Der Einsatz von Deep Learning wird häufig mit hohen Einstiegshürden assoziiert. In der Praxis zeigt sich jedoch, dass sich auch diese Technologie schrittweise und kontrolliert in mittelständische Strukturen integrieren lässt. Entscheidend sind dabei weniger spektakuläre Modelle als vielmehr ein sauberes Gesamtkonzept. Zentrale Erfolgsfaktoren sind qualitativ hochwertige Daten, eine stabile Infrastruktur sowie die enge Verzahnung von Fachwissen und Datenkompetenz. Viele Deep-Learning-Anwendungen in der Produktion lassen sich heute direkt an der Linie realisieren – etwa über Edge-Systeme, die Kameradaten lokal verarbeiten und nur aggregierte Ergebnisse weitergeben.
Ein bewährter Ansatz besteht darin, mit klar abgegrenzten Pilotprojekten zu starten. Diese liefern nicht nur technische Erkenntnisse, sondern schaffen auch Akzeptanz bei den Mitarbeitenden. Transparente Zielsetzungen, nachvollziehbare Ergebnisse und eine enge Einbindung der operativen Teams sind entscheidend dafür, dass Deep Learning nicht als Black Box wahrgenommen wird, sondern als unterstützendes Werkzeug im Produktionsalltag.

 

Literaturverzeichnis

Batty, M., Axhausen, K. W., Giannotti, F., Pozdnoukhov, A., Bazzani, A., Wachowicz, M., Ouzounis, G., & Portugali, Y. (2012). Smart cities of the future. The European Physical Journal Special Topics, 214(1), 481–518. https://doi.org/10.1140/epjst/e2012-01703-3
Gassmann, O., Böhm, J., & Palmié, M. (2018). Smart city: Innovationen für die vernetzte Stadt – Geschäftsmodelle und Management. Hanser.
Hochreiter, S., & Schmidhuber, J. (1997). Long short-term memory. Neural Computation, 9(8), 1735–1780. https://doi.org/10.1162/neco.1997.9.8.1735
Krizhevsky, A., Sutskever, I., & Hinton, G. E. (2017). ImageNet classification with deep convolutional neural networks. Communications of the ACM, 60(6), 84–90. https://doi.org/10.1145/3065386
LeCun, Y., Bengio, Y., & Hinton, G. (2015). Deep learning. Nature, 521(7553), 436–444. https://doi.org/10.1038/nature14539
Lutz, A. M., Mayer, M., Vatter, P. (2025). Mit KI zu mehr Effizienz und Nachhaltigkeit. Werkstoffe, 6/2025.
Sentinum GmbH. (2026). o. T. Sentinum GmbH (letzter Zugriff: 08.05.2026)
Shi, W., Cao, J., Zhang, Q., Li, Y., & Xu, L. (2016). Edge computing: Vision and challenges. IEEE Internet of Things Journal, 3(5), 637–646. https://doi.org/10.1109/JIOT.2016.2579198

Autoren

Prof. Dr. rer. nat. Alexander Lutz, Alexander_Maximilian.Lutz@fom.de
Prof. Dr. rer. nat. Manuel Mayer, manuel.mayer@fom.de
Prof. Dr. Ing. Peter Vatter, Peter.Vatter@fom.de