Stückliste: Projekte

Arkon Manufacturing AI

Eine Industrie-4.0-Qualitätsplattform für einen fiktiven Hersteller der Schwerindustrie, auf einem NAS deployed und in Betrieb. Sieben Machine-Learning-Modelle auf echten öffentlichen Datensätzen (Restlebensdauer von Prüfstandsmotoren, Fehlerklassifikation einer Lkw-Flotte, vier Arten visueller Prüfung, ein Textmodell über Verbraucherbeschwerden) veröffentlichen ein einziges Risikoereignis mit zwölf Feldern, sodass nichts stromabwärts weiß, welches Modell gesprochen hat. Eine Quality Steering Cell auf n8n validiert den Vertrag, unterdrückt Wiederholungen, schreibt einen Append-only-Vorfallsspeicher, weist nach Abteilung zu und stellt bei P1 oder P2 einer namentlich benannten Person eine Telegram-Karte zu. Ein Streamlit-Cockpit ist die einzige Oberfläche, die einen Vorfall bewegt; ein Langflow-Assistent beantwortet das Warum aus zehn Dokumenten und dem Live-Speicher und übergibt dem Bediener ein ausgefülltes Formular, statt es selbst zu unterschreiben, sodass die Reaktionszeit-KPI weiterhin das Werk misst und nicht den Agenten. Zwei Agenten blicken in entgegengesetzte Richtungen: der Langflow-Assistent nach innen, ins Werk, und ein Customer Quality Desk auf n8n nach außen, zum Kunden, das einem OEM Auskunft zu einer Qualitätsmeldung anhand ihrer Referenz gibt. Sie treffen sich in genau einer Datei, und der Verkehr läuft nur in eine Richtung: acht kundensichere Felder zu einem Vorgang hinaus, kein Schreibzugriff zurück, davor ein Guardrail und dahinter ein Sanitizer. Ein Live-Emitter löst alle acht bis zwölf Minuten einen echten, neu terminierten Vorfall aus, und eine simulierte Schicht arbeitet ihn ab. Die Executive-Ansicht ist ein als XML generiertes Tableau-Workbook aus derselben Status-API, veröffentlicht auf Tableau Public.

Beide Agenten waren bis zum 15. September 2026 als Live-Demos im Internet erreichbar, hinter einem Login und auf einem befristeten OpenRouter-Schlüssel, der Mitte September 2026 ausläuft. Beide öffentlichen Zugänge sind jetzt geschlossen; das README im Repository zeigt Screenshots beider Agenten im Einsatz, und die beiden Tableau-Ansichten brauchen gar keinen Schlüssel. Werk, Schicht und Vorfallsstrom sind simuliert und so gekennzeichnet; die Modelle, die Datensätze, jeder Zeitstempel und die Ebenen n8n, Langflow, Streamlit und Tableau sind echt.

KI-Agentensystem (AI-Brain)

Eine Jobsuche, ein Vollzeit-Datenprogramm und mehrere private Verwaltungsbereiche erzeugen immer dieselbe Art wiederkehrender Arbeit: aus einer Quelle sammeln, gegen die Historie entdoppeln, jeden Eintrag bewerten, das Ergebnis in die richtige Datei schreiben und zwischen den Sitzungen nichts verlieren. Von Hand skaliert das nicht, und einem Chat-Assistenten alles zu überlassen scheitert anders: er hat kein Gedächtnis zwischen Sitzungen, wiederholt bereits erledigte Arbeit und liefert lieber eine plausible Antwort, als zu melden, dass er keine bekommen hat. Die Entwurfsfrage lautete deshalb nie "kann ein Agent das", sondern "wie verhindert man, dass er unbemerkt das Falsche tut". Die Antwort sind vier Regeln, aus denen alles Weitere folgt. Jeder wiederkehrende Job nennt genau einen geplanten Owner und genau einen kanonischen Ausgabepfad, weil mehrere Agenten dieselben Dateien ohne Datenbanksperre schreiben. Eine deterministische Python-Schicht übernimmt Abruf, Parsing, Entdopplung und Schreiben, und das Modell bekommt nur die Bewertung, die wirklich Bewertung erfordert. Prüf-Gates können einen Lauf scheitern lassen: eigene Checks prüfen, dass jede in einem Bericht behauptete Kennung in Registry und Archiv existiert, dass keine Zeichensatz-Korruption ausgeliefert wurde, dass erzeugte PDFs maschinenlesbar und in der richtigen Reihenfolge sind, dass kein Dokument eine Kompetenz behauptet, die die Quelldatei nicht führt, und dass der Text nicht nach Vorlage klingt. Und der Watchdog läuft auf einem Rechner, der nicht gemeinsam mit dem überwachten ausfallen kann, denn ein Watchdog mit gemeinsamem Schicksal meldet genau dann nichts, wenn es darauf ankommt. Das eigentliche Ergebnis sind die Fehlerbilder, und jedes wurde im Betrieb gefunden: erfundene Kennzahlen, als Interviewmaterial angeboten; ein schreibender Agent, der das Vokabular des Ausgangsdokuments in die Beschreibung des Kandidaten übernimmt; und die Klasse, die kein Gate erkennt, bei der eine dokumentierte Methode nicht über das Substantiv, sondern über das Verb aufgewertet wird. Letztere ist als benannte Grenze festgehalten, nicht als gelöstes Problem.

Kein öffentliches Repository: das System betreibt einen privaten Wissensspeicher. Von mir entworfen, spezifiziert und betrieben; der Code entstand weitgehend KI-gestützt. Live per Bildschirmfreigabe vorführbar.

FreshMart Demand Planner

Absatzprognose für den Einzelhandel, End-to-End: EDA, Feature Engineering, Vergleich von 10+ Modellen (SARIMAX, Prophet, XGBoost, LSTM), HyperOpt-Tuning und MLflow-Experiment-Tracking. Deployed als Streamlit-Planungstool, das die Sprache der Filialleitung spricht: Gesamtbedarf, Spitzentag, Tagesdurchschnitt.

Predictive Maintenance: Flottenrisiko & Kosten

Drei Geschäftsfragen auf einem 92.000-Zeilen-Flottendatensatz: Welche Fahrzeuge brauchen Wartung (Klassifikation), was kostet sie (Regression), wie segmentiert man die Flotte nach Risiko (Clustering). Die SHAP-Analyse identifizierte Brake_Condition als dominanten Ausfallprädiktor, genau was 17 Jahre Fahrzeugentwicklung erwarten lassen.

KI-Auftragstriage

Ein n8n-Workflow mit 26 Nodes, der Freitext-Großhandelsbestellungen auf Englisch und Portugiesisch triagiert. Deterministische Airtable-Lookups sammeln zuerst jeden Fakt; ein begrenzter LLM-Agent trifft die eine Entscheidung, die sich nicht als Regel schreiben lässt; Logik routet und protokolliert jede Bestellung, und der Mensch bleibt der Absender: Der Workflow kontaktiert nie einen Kunden. Über je drei Durchläufe der zehn Beispielbestellungen stimmten alle 30 protokollierten Klassifikationen mit dem Referenz-Antwortschlüssel überein, und kein Input erhielt je zwei verschiedene Klassifikationen. Grundlage ist ein fiktiver Großhandelsfall, Volta Coffee Roasters in Porto.

Retail-KPI-Dashboard

Interaktives Tableau-Dashboard für Umsatz, Gewinn, Rabatt und Bestellungen mit Drill-down nach Region, Produktkategorie und Zeitraum. LOD-Ausdrücke und Dashboard-Aktionen geben nicht-technischen Nutzern Self-Service-Analyse, dieselbe Logik wie eine Qualitäts-Trendtafel im Werk.