Unternehmen, die heute die technischen Grundlagen schaffen, sichern sich den Handlungsspielraum, den eine zunehmend flexible Produktion künftig erfordert. Von Michael Hanisch, Head of Technology bei Amazon Web Services (AWS).
Bei jeder neuen Produktvariante müssen Industrieroboter erneut eingerichtet werden – sei es durch klassische Programmierung, Teach-In-Verfahren oder ein zeitintensives Modelltraining. Ähnlich sieht es bei der visuellen Qualitätsprüfung aus: Für jede zusätzliche Variante oder neue Fehlerkategorie werden gewöhnlich eigene Trainingsdaten benötigt. In Fertigungen mit kleinen Losgrößen und häufig wechselnden Produkten wächst dieser Aufwand schnell an. Zero-Shot-Transfer setzt genau an diesem Punkt an – in der Qualitätskontrolle bereits praxisnah einsetzbar, in der Robotersteuerung als kommender Entwicklungsschritt.
Vorwissen nutzen statt von vorn beginnen
Vortrainierte Foundation Models, die Bilder und Sprache gemeinsam verarbeiten – sogenannte Vision Language Models –, verfügen bereits über umfassendes Wissen zu Objekten, Formen und räumlichen Beziehungen. Anstatt ein System für jede neue Aufgabe von Hand zu konfigurieren oder umfangreiche Datensätze aufzubauen, können solche Modelle aus sprachlichen Anweisungen und wenigen Referenzbildern erschließen, welche Handlung erwartet wird. Streng genommen spricht man bei der Nutzung einzelner Referenzbilder von One- oder Few-Shot-Ansätzen; entscheidend ist, dass das Modell selbst nicht neu trainiert wird. Daraus ergeben sich zwei Einsatzgebiete mit unterschiedlicher technologischer Reife: die visuelle Qualitätsprüfung und die Steuerung von Robotern.
In der Qualitätskontrolle lässt sich dieses Verfahren bereits heute praxisnah einsetzen: Ein Vision Language Model stellt das aktuelle Kamerabild einem Referenzbild des korrekt montierten Produkts gegenüber. Welche Abweichung als Fehler zählt, lässt sich in natürlicher Sprache festlegen – ohne separates Training und ohne manuelles Labeling. Wechselt die Produktvariante, reichen ein neues Referenzbild und ein angepasster Prompt aus. Gerade bei häufigen Variantenwechseln kann dies den Aufwand im Vergleich zu herkömmlichem Re-Training erheblich senken: Während ein neu trainiertes Modell samt Labeling leicht Wochen erfordert, lässt sich ein angepasster Prompt in Minuten umsetzen. Entscheidend ist dabei die Qualität der Anweisungen: Erst produktspezifisch formulierte Prompts – etwa mit dem Hinweis, welche Abweichungen ausdrücklich keine Fehler sind – heben die Erkennungsgenauigkeit auf das Niveau spezialisierter Prüfmodelle.
Bei der Robotersteuerung befindet sich der Ansatz dagegen noch in einer früheren Entwicklungsphase. Ziel ist, dass ein Roboter neue Aufgaben allein aus einer natürlich formulierten Beschreibung ableitet – etwa Position, Greifpunkt oder Montageschritt –, statt jeden Bewegungsablauf einzeln programmieren zu müssen. Forschungsmodelle und industrielle Pilotprojekte erproben dieses Prinzip bereits intensiv und die sogenannten Vision-Language-Action-Modelle machen Fortschritte. Für einen breiten Einsatz in der Fertigung sind jedoch weitere Entwicklungszyklen notwendig. Derzeit konzentrieren sich Anwendungen auf klar abgegrenzte Aufgaben und kontrollierte Umgebungen.
Praxisbeispiel: Qualitätsprüfung ohne Defektdatenbank
Besonders anschaulich zeigt sich das Potenzial bei der Qualitätskontrolle am Ende einer Produktionslinie. Ein typisches Szenario: Ein Hersteller fertigt mechanische Baugruppen in zahlreichen Ausführungen. Die Prüfung muss zuverlässig erkennen, ob sämtliche Teile korrekt montiert wurden – ob Schrauben vorhanden, Dichtungen eingesetzt und Verbindungen vollständig geschlossen sind.
Ein Vision Language Model kann diese Aufgabe ohne vorheriges Training übernehmen: Es gleicht ein Referenzbild der fehlerfrei montierten Baugruppe mit dem aktuellen Kamerabild ab und erkennt Unterschiede wie fehlende Bauteile, Beschädigungen der Oberfläche oder fehlerhafte Ausrichtungen. Die relevanten Fehlerbilder werden sprachlich beschrieben, beispielsweise «Schraube an Position X fehlt», «Dichtung wurde nicht korrekt eingesetzt» oder «Verbindungsclip ist geöffnet». Bei einer neuen Produktvariante werden lediglich das Referenzbild ausgetauscht und der Prompt angepasst – das Modell selbst bleibt unverändert.
Technische Voraussetzungen und Grenzen
Zero-Shot-Transfer benötigt leistungsfähige, vortrainierte Modelle, deren Training auf umfangreichen und vielfältigen Datensätzen basiert. Die erzielten Resultate sind vielversprechend, haben jedoch klare Grenzen. Sind die semantischen Anweisungen zu ungenau oder unterscheidet sich die reale Produktionsumgebung deutlich von den Szenarien des Vortrainings, nimmt die Verlässlichkeit der Ergebnisse ab.
In sicherheitskritischen Prozessen dient Zero-Shot-Transfer deshalb nicht als alleinige Entscheidungsinstanz. Bei der Robotersteuerung stellen Vision Language Models das semantische Verständnis bereit – also welches Objekt sich wo und in welchem Zustand befindet. Die konkrete Greifplanung, Kollisionsvermeidung und Ausführung der Bewegungen übernehmen weiterhin nachgelagerte Steuerungskomponenten. Verbindliche Prozessgrenzen verbleiben in der klassischen SPS-Logik und den Safety-Layern. Auch in der Qualitätskontrolle kennzeichnet das Modell zunächst auffällige Fälle; über Freigabe oder Ausschleusung entscheidet weiterhin ein regelbasiertes System oder eine Fachperson. Der Ansatz ersetzt die bestehende Steuerung somit nicht, sondern macht die Anpassung an neue Aufgaben deutlich schneller.
Infrastruktur und weitere Umsetzung
Auf der Infrastrukturseite ist eine verlässliche technische Anbindung entscheidend: Benötigt werden Kamerasysteme mit ausreichender Bildqualität, genügend Rechenleistung für die Modellinferenz sowie eine saubere Einbindung in bereits vorhandene Steuerungs- und Prüfabläufe. Die Bilderfassung kann dabei direkt an der Linie erfolgen, etwa über Edge-Software wie AWS IoT Greengrass. Zu berücksichtigen ist zudem die Antwortzeit: Pro Bild vergehen typischerweise wenige Sekunden. Für höhere Taktraten lassen sich Anfragen parallelisieren oder kleinere, per Model Distillation abgeleitete Modelle einsetzen.
Foundation Models mit mehreren Milliarden Parametern im eigenen Betrieb bereitzustellen, liegt außerhalb der Möglichkeiten vieler Fertigungsunternehmen. Cloud-Angebote stellen diese Modelle über Programmierschnittstellen bereit – ohne eigene GPU-Landschaft und ohne dauerhaft gebundene Infrastrukturkosten. Dadurch sinkt die Einstiegshürde erheblich: Ein erster Proof of Concept kann oft innerhalb weniger Tage und mit überschaubarem Budget realisiert werden. Die Abrechnung erfolgt nutzungsbasiert nach verarbeiteten Datenmengen (Tokens); Unternehmen können ihre Nutzung schrittweise erweitern, sobald der jeweilige Anwendungsfall erfolgreich bestätigt wurde. Die Kontrolle über sensible Produktionsdaten bleibt dabei beim Unternehmen: Eingaben und Ergebnisse werden nicht zum Training der zugrunde liegenden Modelle verwendet.
Fazit
Zero-Shot-Transfer ersetzt keine bestehende Automatisierung, sondern beschleunigt den Weg zur Unterstützung von neuen Varianten. Wer heute mit klar abgegrenzten Prüfaufgaben beginnt, Erfahrungen mit Prompts und Validierung sammelt und die Anbindung an Kameras und Steuerung sauber aufsetzt, schafft die Grundlage, um auch künftige Anwendungen – bis hin zur sprachgesteuerten Robotik – schnell zu übernehmen.