/ Case Study /

Computer Vision in der QA

Von manuellen Kontrollen zur automatisierten Analyse

  • 100 %

    Manuelle Fotoprüfung durch automatisierte Computer Vision ersetzt

  • 230 GB

    Verarbeitete Inspektionsdaten – Fotos, Messdateien und Protokolle

  • 13+

    Unabhängig trainierte Modelle zur Objekterkennung in der Bibliothek

/ 01 / Zusammenfassung

Case Study auf einen Blick

Primotly hat für ein deutsches Strategie- und Technologieberatungsunternehmen mit Schwerpunkt Breitbandinfrastruktur eine modulare, KI-gestützte Inspektionsplattform konzipiert und entwickelt. Die Plattform ersetzt einen vollständig manuellen Prozess der Qualitätskontrolle von Installationen – in dem jedes Foto, jede Messdatei und jedes Protokoll von einem menschlichen Analysten geprüft wurde – durch eine automatisierte Computer-Vision-Pipeline, die Elemente des Glasfasernetzes in wenigen Minuten und in beliebigem Umfang erkennt, klassifiziert und validiert. Herzstück der Plattform ist eine Bibliothek aus über 13 unabhängig trainierten Modellen zur Objekterkennung, von denen jedes für einen Komponententyp zuständig ist – Verteilerkästen, optische Netzabschlüsse, Spleißkassetten, Kabeleinführungen und mehr. Die Modelle werden bei Bedarf zu aufgabenspezifischen Inspektions-Pipelines kombiniert, die sich ohne erneutes Training konfigurieren lassen. Ein intelligenter Vorklassifikator leitet jedes Foto nur an die relevanten Modelle weiter, und nachgelagerte Prüfungen von Compliance-Regeln verifizieren die korrekte Installation über die reine Erkennung hinaus. Ein einzelner Adressordner, der zuvor 2–3 Minuten manuelle Prüfung durch einen Analysten erforderte, wird jetzt in unter 10 Sekunden verarbeitet – mehr als 12-mal schneller. Ein Standardauftrag mit über 100 Adressordnern, der früher 3 bis 5 Stunden durchgehende menschliche Arbeit erforderte, ist jetzt in knapp 20 Minuten erledigt. Bei einem städtischen Einsatz deckte das System eine systematische Nichtkonformität auf – fehlende Kennzeichnungsetiketten an rund 90 % der geprüften Geräte –, die bei der manuellen Kontrolle zuvor nicht in diesem Umfang aufgefallen war.

/ 02 / Über den Kunden

Über den Kunden

Der Kunde ist ein deutsches Strategie- und Technologieberatungsunternehmen, das auf Breitbandinfrastruktur und den Ausbau von Glasfasernetzen spezialisiert ist. Es betreut regionale und lokale Telekommunikationsanbieter in zwei Hauptbereichen: einem Beratungsbereich für Breitbandstrategie, Operational Excellence und M&A-Beratung sowie einem Engineering-Bereich für Netzplanung, Bauüberwachung und umfassendes Projektmanagement. Neben Beratungs- und Engineering-Leistungen entwickelt der Kunde eigene digitale Produkte – darunter KI-gestützte Tools zur Dokumentenprüfung und Plattformen für das Workflow-Management in der Glasfaserinfrastruktur – und positioniert sich so an der Schnittstelle von Expertenwissen und modernen, technologiegetriebenen Services. Zu Beginn der Zusammenarbeit beruhte die Qualitätskontrolle von Installationen vollständig auf menschlicher Arbeit, und das Geschäft wuchs schneller, als sich dieser Prozess skalieren ließ.

Leistungen
  • AI/ML Development
  • Custom Software Development
Branche

Telekommunikation / Breitbandinfrastruktur

Kooperationsmodell

Fixed Price – langfristige Zusammenarbeit

Teamgröße

In Spitzenzeiten bis zu 7 Personen

/ 03 / Die Herausforderung

Die Herausforderung: ein Arbeitsablauf, der sich nicht skalieren ließ

Jeder Installationsauftrag erzeugte Hunderte Fotos, Messdateien und Protokolle – und alles wurde manuell geprüft. Mit dem Wachstum des Unternehmens stieß die manuelle Qualitätskontrolle an drei Fronten an eine harte Grenze:

  • 01/

    Wachstum nur mit mehr Personal

    Analysten mussten jedes Foto visuell prüfen, um zu bestätigen, dass das richtige Gerät installiert, korrekt angeschlossen und spezifikationskonform war. Der Prozess war langsam, teuer und nicht skalierbar: Doppelt so viele Inspektionsaufträge bedeuteten doppelt so viele Analysten. Ohne Automatisierung war das Wachstum des Unternehmens direkt durch die Zahl verfügbarer Prüfer begrenzt.

  • 02/

    Inkonsistenz und Compliance-Risiko

    Menschliche Ermüdung führte zu Inkonsistenzen, und es fehlte ein systematischer Weg, alle Fehlertypen in großen Datensätzen zuverlässig zu erkennen. Übersehene Mängel durch Ermüdung oder uneinheitliche Auslegung konnten zu negativen Auditergebnissen und belasteten Kundenbeziehungen führen – ein direktes Compliance-Risiko für den gesamten Prozess.

  • 03/

    Ein sequenzieller Ablauf, begrenzt durch menschliche Ressourcen

    Der Inspektionsablauf war vollständig sequenziell: Im Feld aufgenommene Fotos wurden hochgeladen, von Analysten heruntergeladen, einzeln geprüft und die Ergebnisse manuell erfasst. Von der Datenerhebung bis zum Compliance-Bericht vergingen Tage. Der Kunde erkannte diese Grenzen, verfügte aber nicht über die internen Kompetenzen, um selbst eine Lösung auf Basis von Computer Vision zu entwickeln.

/ 04 / Die Lösung von Primotly

Die Lösung von Primotly: modulare KI-Inspektion

Primotly hat eine modulare KI-Plattform konzipiert und gebaut, auf der jeder Typ physischer Assets von einem eigenen, unabhängig trainierten Computer-Vision-Modell erkannt wird. Die Modelle werden bei Bedarf zu aufgabenspezifischen Inspektions-Pipelines kombiniert – konfigurierbar ohne erneutes Training, ohne Architekturänderungen und ohne individuelle Entwicklung für jeden einzelnen Auftrag.

Das Grundprinzip: Jeder Schritt, den ein Analyst bisher manuell ausgeführt hat, wird automatisiert – mit Ergebnissen, die einen Konfidenzwert (Confidence Score) ausweisen, und einem definierten Eskalationspfad für Grenzfälle.

Die Zusammenarbeit begann mit einer strukturierten Discovery-Phase: Workshops mit den Stakeholdern des Kunden, Analyse der Felddaten, Machbarkeitsbewertungen für Erkennungsszenarien mit hohem Risiko und Sessions zum Entwurf der modularen Architektur. Es entstand eine vollständige Landkarte der Möglichkeiten – jeder Objekttyp, der bisher manuell identifiziert werden musste, wurde katalogisiert, nach technischem Risiko und Datenverfügbarkeit bewertet und priorisiert, bevor die Umsetzung begann.

Einen erheblichen Forschungs- und Entwicklungsaufwand (F&E) hat Primotly selbst getragen und dem Kunden nicht in Rechnung gestellt – Ausdruck echter technischer Partnerschaft. Alle Erkennungsszenarien mit hohem Risiko durchliefen vor der Festlegung des Leistungsumfangs eine formale Machbarkeitsbewertung. So vermied das Team leere Versprechungen und sicherte in jeder Phase die Verlässlichkeit der Projektumsetzung.

Zentrale Funktionen

  • Modularer Konfigurator für KI-Pipelines

    Die benötigten Erkennungsfunktionen werden aus der Modellbibliothek ausgewählt, und ein startklarer automatisierter Inspektionsprozess wird konfiguriert und ausgerollt – anstelle der bisherigen manuellen Arbeit der Analysten. Neue Inspektionskonfigurationen lassen sich in wenigen Tagen statt in Wochen einführen, sodass das Unternehmen mehr Aufträge annehmen und mehr Kunden bedienen kann, ohne das Analystenteam proportional zu vergrößern.

  • Engine zur Objekterkennung für viele Komponenten

    Eine Bibliothek aus über 13 spezialisierten Computer-Vision-Modellen, von denen jedes auf die Erkennung eines bestimmten physischen Assets trainiert ist: Verteilerkästen (offen, geschlossen, abgedeckt), optische Netzabschlüsse, Teilnehmeranschlusskästen, Spleißkassetten, Kabeleinführungen, Mikrorohre, Kabelschutzrohre und mehr. Jedes Modell arbeitet unabhängig, ist separat versioniert und wird je nach Bedarf in Inspektions-Pipelines eingebunden – und verarbeitet Hunderte Fotos in der Zeit, in der ein Analyst nur einige wenige geprüft hätte.

  • Automatisierte Compliance-Analyse von Dokumenten und OTDR-Daten

    Klassifiziert Protokolle im PDF-Format automatisch, extrahiert strukturierte Datenfelder und verarbeitet OTDR-Messdateien (binäres SOR-Format), um die optischen Signalpegel gegen Compliance-Schwellenwerte zu prüfen. Die Ergebnisse werden in einem einheitlichen, auditfähigen Compliance-Bericht zusammengeführt, der gemeinsam mit den Ergebnissen der Bildanalyse ausgeliefert wird – und ersetzt stundenlange manuelle Dokumentenprüfung für jeden Inspektionsauftrag.

  • Intelligenter Vorklassifikator und Bild-Routing

    Ein schlanker KI-Klassifikator, der jedes hochgeladene Foto analysiert und es ausschließlich an die relevanten Erkennungsmodelle weiterleitet – statt für jedes Bild die gesamte Modellbibliothek auszuführen. Er arbeitet mit einer Konfidenzschwelle von mindestens 85 %; nur darunter wird gegebenenfalls die vollständige Pipeline ausgeführt. So verkürzt er die Verarbeitungszeit deutlich und senkt die Kosten der Cloud-Infrastruktur bei Inspektionen mit großen Volumina.

  • Automatisierte Prüfung von Compliance-Regeln

    Geht über die reine Erkennung hinaus und prüft, ob die erkannten Objekte die Installationsregeln erfüllen. Nach der Identifizierung der Assets wendet die Plattform einen konfigurierbaren Satz von Compliance-Prüfungen an: Ist ein bestimmtes Kabel physisch mit dem richtigen Gerät verbunden? Sind die Pigtails in den richtigen Positionen installiert? Befindet sich die geforderte Komponente an der erwarteten Stelle? Die Regeln werden für jedes verarbeitete Bild automatisch ausgewertet, Verstöße im Abschlussbericht markiert. Damit erkennt die Plattform nicht nur, was auf einem Foto zu sehen ist, sondern auch, ob die Installation korrekt ist.


/ 05 / Technische Details

Technische Details

  • 01/

    Optisch nicht unterscheidbare Geräte auseinanderhalten

    • Problem: Zwei verschiedene Komponenten einer Glasfaserinstallation – der Gf-TA (Glasfaser-Teilnehmeranschluss) und der optische Netzabschluss (ONT) – sind für Standard-Klassifikatoren der Computer Vision optisch nicht zu unterscheiden. Beide Geräte können auf demselben Installationsfoto erscheinen und müssen für das Compliance-Reporting getrennt und korrekt identifiziert werden. Eine Fehlklassifizierung hat direkte regulatorische Folgen.

    • Lösung: Beide Modelle wurden mit expliziten Negativbeispielen (die jeweils das andere, ähnliche Gerät zeigen) trainiert, und die Trainingsdaten wurden aus mehreren Kundenprojekten zusammengeführt, um möglichst viele Varianten abzudecken. Konfidenzschwellen leiten Erkennungen mit geringer Konfidenz in eine Warteschlange zur manuellen Prüfung durch einen Menschen, statt unbemerkt ein falsches Ergebnis zu liefern. Bevor diese Erkennungsaufgabe in den Leistungsumfang aufgenommen wurde, fand eine formale Machbarkeitsbewertung statt.

    • Ergebnis: zuverlässige Unterscheidung der Geräte im Produktivbetrieb, mit einem definierten Eskalationspfad an einen Menschen in Grenzfällen und vollständig transparenter Erkennungskonfidenz in jedem Ausgabedatensatz.

  • 02/

    Zuverlässige Modelle mit extrem wenigen Daten trainieren

    • Problem: Für einige Gerätetypen gab es extrem wenige reale Trainingsfotos – in manchen Fällen nur 30 Beispiele pro Typ, während für ein zuverlässiges Training mindestens 200–1.000 annotierte Bilder nötig sind. Standardansätze hätten unzuverlässige Modelle ergeben und den Kunden über die tatsächliche Konfidenz des Systems in die Irre geführt.

    • Lösung: Es wurden interne Pipelines zur Datenaugmentation aufgebaut, um die begrenzten Datensätze zu erweitern, und ein Tool zur automatischen Annotation (Auto-Labelling Tool) entwickelt, um die Erstellung von Datensätzen aus rohen Feldfotos zu beschleunigen. Für Gerätetypen ohne verfügbare reale Beispiele kamen synthetische Daten zum Einsatz. Bevor Erkennungsaufgaben in den Leistungsumfang aufgenommen wurden, fanden fundierte Machbarkeitsstudien statt – alle Schätzungen beruhten auf klar definierten Bedingungen zur Datenabhängigkeit.

    • Ergebnis: produktiv eingesetzte Modelle mit klar definierten Genauigkeitszielen und Datenvoraussetzungen sowie ein datenabhängiges Preismodell, mit dem der Kunde die Kostentreiber versteht und benötigtes Material proaktiv bereitstellen kann.

  • 03/

    Architektur einer skalierbaren Plattform mit 13+ Modellen

    • Problem: Ein Computer-Vision-System, das die manuelle Inspektion ersetzen soll, ist nicht nur eine Frage des Modelltrainings, sondern eine architektonische Herausforderung. Die Lösung musste über 13 unabhängige Erkennungsmodelle unterstützen, sich für jeden Auftrag ohne erneutes Training konfigurieren lassen und wartbar bleiben, während neue Objekttypen und Gerätevarianten hinzukommen. In diesem Bereich gab es keine fertige, etablierte Vorlage.

    • Lösung: Für alle Modelle wurde das Single-Responsibility-Prinzip angewendet: ein Modell pro Objektkonzept, trainiert mit zusammengeführten Felddaten, mit standardisierten Ein- und Ausgabeschnittstellen. Die Kompositionsschicht der Pipelines behandelt Modelle als austauschbare Komponenten, und eine Routing-Schicht auf Basis des Vorklassifikators steuert effizient, welche Modelle laufen – ein Ansatz, der vor der eigentlichen Umsetzung in über 40 Stunden interner F&E-Arbeit validiert wurde.

    • Ergebnis: eine vollständig modulare Plattform, auf der neue Inspektionskonfigurationen in wenigen Tagen ausgerollt werden, Modell-Updates ohne Umbau der Pipelines erfolgen und die Erkennungsbibliothek schrittweise wächst. Die Architektur ist domänenunabhängig und lässt sich direkt auf jeden anderen Anwendungsfall der Feldinspektion übertragen.


/ 06 / Geschäftliche Auswirkungen und Ergebnisse

Geschäftlicher Impact und Ergebnisse

Die modulare Inspektionsplattform brachte messbare Vorteile bei Verarbeitungsgeschwindigkeit, Fehlererkennung, Skalierung und den Stückkosten der Qualitätskontrolle.

  • 12-mal schnellere Verarbeitung pro Adressordner

    Ein einzelner Adressordner, der 2–3 Minuten manuelle Prüfung durch einen Analysten erforderte, wird jetzt in unter 10 Sekunden verarbeitet – mehr als 12-mal schneller. Ein Standard-Inspektionsauftrag mit über 100 Adressordnern, früher 3–5 Stunden Analystenarbeit, ist jetzt in knapp 20 Minuten erledigt: eine Zeitersparnis von über 90 %.

  • Keine manuelle Dateneingabe mehr

    Für die Identifizierung von Assets, das Auslesen von Etiketten, das GPS-Tracking oder die Validierung von Messungen ist keinerlei manuelle Dateneingabe nötig – all diese Daten werden automatisch extrahiert. Auch die Verarbeitung binärer Messdateien ist vollständig automatisiert: Das SOR-Format wird geparst, die Werte validiert und Abweichungen markiert – ganz ohne Zutun eines Analysten.

  • Systematische Mängel in großem Maßstab aufgedeckt

    In einer Stadt stellte das System an rund 90 % der geprüften Geräte fehlende Kennzeichnungsetiketten fest – eine systematische Compliance-Lücke, die bei manuellen Kontrollen nicht in diesem Umfang zutage getreten war. Zudem markierte es eine ungewöhnliche Konfiguration der Kabelverbindung in mehreren Aufträgen und bestätigte so eine bislang nicht dokumentierte Installationsvariante, bevor sie sich weiter ausbreiten konnte.

  • 100 % der manuellen Prüfung ersetzt

    In allen aktiven Inspektionsaufträgen wurde die manuelle Fotoprüfung zu 100 % durch automatisierte Computer Vision ersetzt – mit über 13 gelieferten Funktionen zur Objekterkennung, die den gesamten Umfang der bisher manuellen Aufgaben abdecken, und über 230 GB bislang verarbeiteter Inspektionsdaten.

  • Grundlegend veränderte Stückkosten der QA

    Die Architektur der Plattform skaliert ohne strukturellen Umbau auf das Zehnfache des aktuellen Auftragsvolumens, und mehr Inspektionsleistung erfordert keine proportional wachsende Zahl an Analysten mehr – das verändert die Stückkosten (Unit Economics) der Qualitätskontrolle grundlegend. Die Bibliothek wiederverwendbarer Komponenten lässt sich auf die Qualitätskontrolle in der Fertigung, die Fehlererkennung in der Lebensmittelproduktion, die Bau-Compliance und das Asset-Management von Infrastruktur übertragen.

Tech-Stack

Frontend
React (Webanwendung)
Backend / ML
Python (ML-Inferenz, Orchestrierung der Pipelines)
Infrastruktur
AWS
Zentrale Bibliotheken
Frameworks für Computer Vision / Objekterkennung, OCR, Parsing des binären SOR-Formats für OTDR, PDF-Extraktion, APIs für Reverse Geocoding
Prozess und PM
Scrum, ClickUp, Slack, Microsoft Teams

/ Case Studies /

Unsere Case Studies

Wie können wir Ihnen helfen?

Gemeinsam finden wir die beste Lösung für Ihr Unternehmen

Kontakt aufnehmen