Ein zentrales Problem dabei: Die relevanten Materialdaten lagen bislang nur in einzelnen Werkszeugnissen vor und waren nicht strukturiert auswertbar. Fehler wurden dadurch meist erst durch Ausschuss oder Reklamationen sichtbar.

Der Workshop führte die Teilnehmenden Schritt für Schritt durch den gesamten Prozess, von den Rohdaten bis zum fertigen KI-Modell. Zunächst wurden die Werkszeugnisse von rund 100 Materialchargen automatisiert ausgelesen – mithilfe einer Pipeline, die Textextraktion, OCR und ein lokal betriebenes Sprachmodell kombiniert. Die extrahierten Werte wurden in einen strukturierten Datensatz überführt und anschließend statistisch analysiert, um Unterschiede zwischen unauffälligen und problematischen Chargen sichtbar zu machen. Auf dieser Basis wurde ein Random-Forest-Klassifikator trainiert, der aus den chemischen und mechanischen Kennwerten einer Charge lernt, ob ein erhöhtes Qualitätsrisiko besteht. Da fehlerhafte Chargen in den Daten deutlich seltener vorkommen als fehlerfreie, wurde der F1-Score als Bewertungsmaßstab gewählt und das Modell per Leave-One-Out-Kreuzvalidierung geprüft.