KI News

Quelle: novoai.de

PRODUKTIONSKENNZAHLEN: DIE ENTSCHEIDENDEN SCHLÜSSELDATEN FÜR EINE EFFIZIENTERE
PRODUKTION
PRODUKTIONSKENNZAHLEN: DIE ENTSCHEIDENDEN DATEN FÜR EINE EFFIZIENTERE PRODUKTION
Kann man Zahlen trauen, die niemand automatisch erfasst? Für viele kleine und
mittlere Fertiger ist die Antwort nach wie vor: kaum. Dabei sind
Produktionskennzahlen die Grundlage für belastbare Produktionsplanung,
Instandhaltung und Energiesteuerung. Das Problem: manuelle Erfassung schafft
Verzögerungen, Fehler und blinde Flecken. Die Chance: Produktionskennzahlen
automatisch messen beseitigt menschliche Engpässe und macht Entscheidungen
zeitgerecht möglich.
DER PRODUKTIONSKENNZAHLEN NUTZEN
Genaue Produktionskennzahlen wirken, weil sie Verhalten schnell ändern. Sobald
der Begriff „Produktionskennzahlen“ auf dem Shopfloor-Dashboard sichtbar ist,
hören Verantwortliche auf zu schätzen und beginnen zu handeln. Das Schlagwort
steht hier früh, weil es den Kern beschreibt: Echtzeitverfügbarkeit von
Durchsatz, Stillstand, Zykluszeit und OEE.
Die manuelle Erfassung von KPIs ist nach wie vor weit verbreitet. Umfragen
zeigen, dass viele mittelständische Betriebe noch mit Schichtbüchern oder Excel
arbeiten, um OEE und andere Kennzahlen zu berechnen. Das führt zu lückenhaften
Daten: nicht gemeldete Mikrostopps, falsch klassifizierte Ausfälle und
verspätete Erkennung von Energiespitzen. Das Ergebnis ist reaktives statt
proaktives Management.
Automatisierte Erfassung verändert die Rechnung. Kontinuierliche
Maschinenüberwachung erkennt etwa Mikrostopps unter 10 Sekunden, die in
manuellen Logs untergehen, sich aber summieren und die Verfügbarkeit um mehrere
Prozentpunkte senken. Studien für 2023–2025 zeigen, dass digitale
Überwachungsprogramme kombiniert mit Prozessverbesserungen die OEE um
zweistellige Punkte steigern können.
DER PRODUKTIONSKENNZAHLEN NUTZEN 1: WAS WIRD GEMESSEN
Automatisierte Systeme liefern standardmäßig vier Kern-KPIs: Verfügbarkeit,
Leistung, Qualität und Energieverbrauch. Verfügbarkeit misst Laufzeit versus
Soll-Betriebszeit. Leistung vergleicht Ist-Geschwindigkeit mit der idealen
Zykluszeit. Qualität zählt Ausschuss und Nacharbeit. Der Energieverbrauch
verbindet Maschinenzustände mit Kilowattdaten.
Das Verknüpfen dieser Datenströme erzeugt verwertbare Erkenntnisse: Läuft eine
Maschine langsamer und zieht gleichzeitig mehr Leistung während eines bestimmten
Produktionsloses, deutet das auf Werkzeugverschleiß oder Rüstfehler hin. Moderne
Lösungen wie die WatchMen-Plattform von Novo AI sammeln solche Signale über
nachgerüstete Sensoren und liefern KPI-Feeds, die direkt analysierbar sind.
DER PRODUKTIONSKENNZAHLEN NUTZEN 2: WARUM DIE DATENQUALITÄT STEIGT
Sensorik eliminiert menschliche Interpretation. Ein Beschleunigungssensor
registriert Motoranomalien konsistent. Eine Stromzange dokumentiert
Leistungsaufnahme in Echtzeit. Zusammen nehmen sie die Unschärfe, ob ein Stopp
geplant, ungeplant oder nur ein kurzer Hänger war.
Dazu kommt lokale Vorverarbeitung. Edge-Analytics filtern Rauschen und
kennzeichnen Events, bevor sie in den Historian gelangen. Das reduziert
Fehlalarme und hält sensible Daten vor Ort – ein wichtiges Thema für Compliance
vieler deutscher Mittelständler.
DER PRODUKTIONSKENNZAHLEN NUTZEN 3: HARTE ZAHLEN
Aktuelle Branchenbefunde zeigen messbare Effekte. Eine MDPI-Studie aus 2024
fand, dass die Kombination aus Lean-Methodik und digitaler Überwachung die
Stillstandzeiten in untersuchten Fabriken um bis zu 18 % reduzierte. Eine von
der NIH unterstützte Übersicht zu KI in der Produktion hebt hervor, dass
KI-gestützte Überwachung je nach Anwendungsfall Fehlererkennungsraten um 20–40 %
verbessert. Diese Verbesserungen sind keine Theorie: sie beeinflussen direkt
Durchsatz, Qualität und Energiekosten.
PRODUKTIONSKENNZAHLEN LIVE
Fließen Daten kontinuierlich ins Dashboard, sehen Führungskräfte Veränderungen
in Minuten statt Tagen. Statt wöchentlicher OEE-Berichte gibt es stundenweise
Trendlinien und Alarme mit konkreten Handlungsempfehlungen. Das ermöglicht
schnellere Ursachenanalysen und kürzere Maßnahmenzyklen.
PRODUKTIONSKENNZAHLEN UND ENERGIE
Die Verknüpfung von KPIs mit Energie eröffnet eindeutige ROI-Fälle.
Untersuchungen aus 2024 belegen, dass digitale Sequenzierung und
Energieoptimierung zu messbaren Einsparungen führen. Eine Marktanalyse zeigt,
dass energieorientierte Schichtplanung den Energieverbrauch auf dem Shopfloor je
nach Lastbild und Tarif um 5–12 % senken kann. Die Verfolgung von Energie pro
produziertem Teil wird einfach, wenn Leistungsmessung mit Maschinenzuständen aus
Sensoren kombiniert wird.
WIE AUTOMATION FUNKTIONIERT
Die Automatisierung von Produktionskennzahlen baut auf drei Bausteinen auf:
Sensorik, Edge-Verarbeitung und eine zentrale Analyseebene. Sensoren erfassen
Impulse, Vibrationen, Ströme und Temperaturen. Edge-Prozessoren kennzeichnen und
aggregieren die Signale vor. Die Analyseebene korreliert Events mit
Produktionsaufträgen und liefert KPI-Ausgaben.
Retrofitting ist praktikabel. AVA-ähnliche Sensormodule lassen sich an
Altmaschinen montieren, ohne PLC-Integration, und streamen verwertbare Signale.
So können Mittelständler digitale Überwachung einführen, ohne ihre
Bestandsmaschinen auszutauschen. Viele Hallen erreichen in Wochen statt Monaten
aussagefähige KPI-Sichtbarkeit.
1. Sensoren und Nachrüstung
Praktische Nachrüstung umfasst Stromsensoren zur Zykluserkennung,
Beschleunigungssensoren zur Anomalieerkennung und Magnet-, Näherungs- oder
Drehzahlsensoren für Wellenrotation. Diese liefern robuste Signale auch an
älteren Maschinen. Stromsignaturen zeigen beispielsweise Motoran- und
-abschaltungen zuverlässig und detektieren Leerlauf in Sekunden.
2. Edge-Analytics
Edge-Filter reduzieren Bandbreite und wahren Datenschutz. Einfache
Schwellenwerte, Event-Detektion und erste Klassifikation am Edge sorgen dafür,
dass nur relevante KPIs und Anomalien an Cloud oder lokalen Server übertragen
werden.
3. Analyse und Alarme
Sind KPIs kontinuierlich verfügbar, erkennt die Analyse Muster: wiederkehrende
Mikrostopps, Energiespitzen beim Aufheizen oder Qualitätsabweichungen bei
bestimmten Chargen. Alarme lassen sich so konfigurieren, dass sie Instandhaltung
oder Bediener mit konkreten Handlungsvorschlägen informieren.
PRAXISBEISPIELE
Konkrete Anwendungsfälle machen das greifbar. Ein metallverarbeitender Betrieb
in Süddeutschland rüstete drei Montagezeilen mit Sensorik nach und berichtete,
dass die OEE nach sechs Monaten iterativer Verbesserungen von 30 % auf 60 %
stieg. Das entspricht mehreren bekannten Fallstudien, in denen Sichtbarkeit plus
kontinuierliche Verbesserung Engpässe verdoppelt oder eliminiert hat.
1. Szenario: Engpass beheben
Stellen Sie sich eine Halle vor, in der eine Presse unvorhersehbar nachfolgende
Prozesse verzögert. Automatisch gemessene Produktionskennzahlen zeigen
Mikrostopps der Presse und reduzierte Zykluszeit in der Nachmittagschicht. Mit
diesen Daten passen Verantwortliche Wartungsintervalle an und optimieren
Schichtübergaben. Der Durchsatz steigt, ohne Investitionen in neue Maschinen.
2. Szenario: Energie pro Stück
In einem weiteren Beispiel zeigte die Korrelation von Energiemessern mit
Maschinenzuständen, dass eine Verpackungsmaschine bei einem Produkttyp 20 % mehr
Energie verbraucht, weil die Aufwärmphase länger ist. Durch geänderte
Prozessabfolge und Vorheizen ließ sich der Energieverbrauch pro Einheit um 8 %
senken.
3. Messbarer ROI
Eine Erhöhung der OEE von 30 % auf 60 % verbessert nicht nur Kennzahlen: sie
schafft die Kapazität, die zuvor die Linie ausgelastet hat. Das bedeutet, Sie
können mehr produzieren, ohne weitere Maschinen anzuschaffen, oder Lieferzeiten
für bestehende Aufträge verkürzen. Kombiniert mit Energieeinsparungen von 5–12 %
aus Branchenanalysen wird der operative Nutzen deutlich: mehr Durchsatz,
geringerer Energieverbrauch pro Teil und aufgeschobene Investitionen.
PRAKTISCHE SCHRITTE
Sie wollen starten? Klein anfangen und iterieren funktioniert am besten. Ein
dreistufiger Pilot ist praxistauglich: Wählen Sie eine Maschine mit hoher
Varianz, installieren Sie Sensoren und Edge-Analytics und sammeln Sie 4–8 Wochen
Basisdaten. Nutzen Sie dieses Baseline, um Maßnahmen zu definieren und Erfolge
messbar zu machen.
1. Wählen Sie die richtige Kennzahl: Verfügbarkeit, Zykluszeit oder Energie pro
Einheit.
2. Instrumentieren Sie die Maschine mit einfachen Sensoren und Zeitstempeln.
3. Führen Sie Baseline-Messung durch, setzen Sie Änderungen um, messen Sie den
Effekt und wiederholen Sie.
Kurzläufe schaffen Vertrauen. Zeigen Sie den Bedienern das Dashboard, erklären
Sie Klassifikationen und nutzen Sie die Daten, um tägliches Feuerlöschen zu
reduzieren. Moderne Lösungen wie die WatchMen-Plattform von Novo AI erleichtern
den Weg vom Pilot zur Produktion, indem sie vorgefertigte KPI-Ansichten und
lokale Verarbeitung bereitstellen.
SKALIERUNG UND GOVERNANCE
Wie skaliert man einen Pilot, ohne die Kontrolle zu verlieren? Beginnen Sie mit
Governance-Regeln zu Datenhoheit, Aufbewahrung und Zugriff. Beispiel: Rohdaten
lokal 30–90 Tage halten und aggregierte KPIs für Planer bereitstellen. So
gewinnen Sie Transparenz bei gleichzeitiger Datensicherheit.
Definieren Sie einen Rollout-Fahrplan, der KPI-Verbesserungen konkreten
Maßnahmen zuordnet. Auf größerer Fläche benötigen Sie eine Standardabbildung von
Events über Maschinentypen, damit die Analyse Stopps konsistent klassifiziert.
Ohne diese Standardisierung entstehen bei der Skalierung wieder
Interpretationsfehler.
Technologie-Governance umfasst außerdem regelmäßige Modellvalidierung. Verwenden
Sie Sie Anomalieerkennungsmodelle, planen Sie quartalsweise Überprüfungen, damit
Schwellenwerte und Klassifikationen zur aktuellen Shopfloor-Realität passen.
Maschinen altern, Prozesse ändern sich – die Analytik muss nachziehen.
Berücksichtigen Sie zuletzt den Faktor Mensch. Schulungen, kurze SOPs und ein
Feedbackkanal der Bediener halten die Klassifikationsqualität hoch und sorgen
dafür, dass KPI-Berichte Vertrauen genießen. Vertrauen ist entscheidend: die
Bediener sind die letzten Richter darüber, ob ein automatisch gemessener KPI
nützlich ist.
DER WEG NACH VORN
Automatisch erfasste Produktionskennzahlen nehmen das Raten aus Entscheidungen
und schaffen eine verlässliche Basis für Planung, Instandhaltung und
Energieoptimierung. Sie befähigen Teams, auf Minuten alte Erkenntnisse und nicht
auf veraltete Wochenberichte zu reagieren.
Wenn Sie Produktionsleiter im Mittelstand sind, fragen Sie sich: Welche
Kennzahl, sichtbar stündlich, würde Ihren Tag sofort verändern? Starten Sie
dort, pilotieren Sie schnell und skalieren Sie. Die Rendite zeigt sich in
reduzierten Stillstandszeiten, besserer Qualität und geringerem Energieaufwand
pro Teil.
REFERENZEN
1. - Informationen zu Digitalisierungsstrategien und Handlungsempfehlungen
(Zugriff am: 2026-03-23)
2. - Praxisnahe Erklärungen zu OEE und Implementierung (Zugriff am: 2026-03-23)
3. - Überblick zu KPIs und Nutzen für Fertigung (Zugriff am: 2026-03-23)
4. - Praxisorientierte Darstellung wichtiger Kennzahlen (Zugriff am:
2026-03-23)
5. - Produktinformationen und Kundenbeispiele (Zugriff am: 2026-03-23)
Dimitrij Lewin ist Co-Founder von Novo AI und treibt industrielle Innovation mit
KI-gestützten Retrofit-Lösungen voran. Seine Leidenschaft gilt der digitalen
Transformation und der Effizienzsteigerung in der Produktion durch
Echtzeitdaten.

Quelle: www.bigdata-insider.de

KI, DATEN UND GOVERNANCE FÜR DIE PLATTFORM SERVICENOW MACHT KI IN ALLEN
PRODUKTEN ZUM STANDARD
07.05.2026 Von 2 min Lesedauer
Anbieter zum Thema
Künftig soll jede ServiceNow-Lösung integrierte KI, Datenvernetzung,
Workflow-Automatisierung sowie Sicherheit und Governance umfassen. Eine Context
Engine soll dabei helfen, unternehmensweite Zusammenhänge, Richtlinien und
Entscheidungsverläufe für KI-Agenten besser einzuordnen.
Hintergrund der Ankündigung ist nach Darstellung von ServiceNow der stark
fragmentierte Markt für Unternehmenssoftware: Unternehmen nutzten
durchschnittlich Hunderte von Anwendungen mit jeweils eigenen Datenmodellen und
Sicherheitslogiken. Viele Anbieter würden (KI) nachträglich an isolierte Systeme
anbinden – was einen unternehmensweiten, kontextbasierten Einsatz erschwere.
ServiceNow verfolgt eigenen Angaben zufolge einen plattformzentrierten Ansatz:
Statt einzelner KI-Erweiterungen soll eine einheitliche Basis Zusammenhänge
verstehen und Workflows automatisch auf dieser Grundlage ausführen.
Kernkomponenten sind demnach ein dialogbasierter Zugangspunkt (EmployeeWorks),
eine Datenvernetzungsschicht (Workflow Data Fabric), ein Transparenz- und
Steuerungsmodul (AI Control Tower) sowie autonome Workflow-Ausführung.
CONTEXT ENGINE: UNTERNEHMENSKONTEXT FÜR KI-ENTSCHEIDUNGEN
Die neu vorgestellte Context Engine soll KI-Agenten und Workflows mit
unternehmensrelevantem Kontext versorgen – etwa zu regulierten Prozessen,
geltenden Genehmigungswegen oder Lieferantenhistorien. Mit jeder Entscheidung
lerne das System dazu und entwickle ein präziseres Verständnis der tatsächlichen
Unternehmensabläufe, so der Anbieter.
Als Datenbasis nennt ServiceNow 85 Milliarden verarbeitete Workflows und sieben
Billionen Transaktionen. Darauf aufbauend greife die Context Engine auf Service
Graph, Knowledge Graph und weitere Unternehmenssignale zu – darunter
Identitätsbeziehungen, Asset-Abhängigkeiten und Datenherkunft.
BUILD AGENT: ENTWICKLUNG MIT GEWOHNTEN TOOLS
Ebenfalls neu ist das ServiceNow SDK mit Build-Agent-Funktionen. Entwickler
können laut Anbieter mit gängigen KI-Entwicklungsumgebungen – genannt werden u.
a. Claude Code, Cursor, Codex und Windsurf – Anwendungen erstellen und direkt
auf der ServiceNow AI Platform bereitstellen. Fachanwender ohne
Programmierhintergrund könnten Workflows in natürlicher Sprache beschreiben und
daraus funktionierende Anwendungen generieren.
Für Teams, die auf vorgefertigten ServiceNow-Anwendungen aufbauen, steht
ServiceNow Studio mit integriertem Build Agent bereit. Laut Anbieter erkennt das
System in Echtzeit Datenmodelle, Tabellenbeziehungen und Geschäftsregeln der
jeweiligen Instanz. Zum Einstieg stellt ServiceNow 100 kostenlose
Build-Agent-Aufrufe bereit; in persönlichen Entwicklerinstanzen sind 25 Aufrufe
enthalten.
NEUES ANGEBOTSMODELL UND ESM FOUNDATION
Parallel führt ServiceNow ein gestaffeltes Angebotsmodell ein, das von
KI-gestützter Unterstützung bis zu autonomen Abläufen reicht. An
mittelständische Unternehmen richtet sich das neue Paket ESM Foundation, das IT,
HR, Einkauf, Recht und Finanzen auf der ServiceNow AI Platform vereinen und nach
Herstellerangaben innerhalb weniger Wochen einsatzbereit sein soll. Alle Kunden
würden künftig mit einem vollständigen KI-Paket starten, ohne Zusatzprodukte
erwerben zu müssen. ServiceNow bezeichnet sich dabei als modellagnostisch:
Kunden könnten den KI-Anbieter ihrer Wahl einbinden.
Als Anwenderbeispiel führt ServiceNow das Finanzunternehmen Robinhood an. Jay
Hammonds, Head of Technology Operations bei Robinhood, wird dahingehend zitiert,
dass mit ServiceNow AI rund 70 Prozent der Mitarbeiteranfragen aus IT, HR und
Rechtsabteilung automatisiert bearbeitet werden könnten, bevor ein menschlicher
Eingriff erforderlich sei.
VERFÜGBARKEIT
ESM Foundation, das neue Angebotsmodell und die Build-Agent-Funktionen sind
ServiceNow zufolge bereits verfügbar. Die Context Engine befinde sich in der
geschlossenen Vorschau; einen Termin für die allgemeine Verfügbarkeit hat das
Unternehmen bislang nicht genannt.
(ID:50832730)

Quelle: www.bigdata-insider.de

ANGST VOR CYBERANGRIFFEN UND IHREN KONSEQUENZEN USA PLANEN SICHERHEITSPRÜFUNG
FÜR KI-MODELLE VOR VERÖFFENTLICHUNG
07.05.2026 Von 3 min Lesedauer
Kommt die Pflichtprüfung für KI-Modelle? Während die Trump-Regierung eine
Executive Order dazu erwägt, laufen bereits Vorab-Tests mit einigen großen
Anbietern. Dies markiert einen scharfen Kurswechsel in der KI-Politik der USA.
Am 5. Mai 2026 hat das Center for AI Standards and Innovation (CAISI), welches
dem ameri­kanischen National Institute of Standards and Technology (NIST)
angehört, , dass es neue Vereinbarungen mit Google DeepMind, Microsoft und xAI
geschlossen hat, die der CAISI Vorab‑Evaluierungen von Frontier‑KI‑Modellen
sowie nachgelagerte Bewertungen und zielgerichtete Forschung zu nationalen
Sicherheitsrisiken ermöglichen.
Berichten der New York Times nach prüfe die Trump-Administration derzeit eine
neue Exe­cu­tive Order, die eine verpflichtende staatliche Sicherheitsprüfung
für KI-Modelle vorsieht, bevor diese veröffentlicht werden. Dies würde eine
grundlegende Wende in der KI-Politik der USA bedeuten.
KI-SICHERHEITSÜBERPRÜFUNG NACH BRITISCHEM VORBILD
Vergangene Woche habe das Weiße Haus Vertreter von Anthropic, Google und OpenAI
über seine Pläne informiert, heißt es in dem der New York Times, die sich auf
eingeweihte Personen bezieht. Demnach solle per Executive Order eine
Arbeitsgruppe aus Tech-Führ­ungs­kräf­ten und Regierungsvertretern eingesetzt
werden, die mögliche Aufsichtsverfahren prüfen solle. Dazu gehöre auch ein
formales staatliches Review neuer KI-Modelle bevor diese für die Öffentlichkeit
verfügbar gemacht werden. Als Vorbild diene ein britisches Modell. Die dortige
Regierung hat bereits im November 2023 das „AI Safety Institute“ , dem
Expert­innen und Experten angehören, die KI-Modelle vor und nach ihrer
Veröffentlichung auf mög­licherweise schädliche Funktionen testen. Die USA sowie
Google kooperieren bereits mit dem Institut.
Auch Microsoft kooperiere neben dem CAISI nun mit dem AI Safety Institute, um
seine Fron­tier‑Modelle zu testen, Schutzmaßnahmen zu prüfen und mögliche
Risiken für nationale und öffentliche Sicherheit zu mindern. Gemeinsam sollen
zudem Frameworks, Datensätze und Arbeitsabläufe zur Einschätzung von
Sicherheits-, Schutz- und Robustheitsrisiken bei fort­schrittlichen KI-Systemen
entwickelt werden, schreibt Microsoft in seiner .
WENDE IN DER KI-POLITIK
Als Auslöser für die Pläne der USA nennt die New York Times die Vorstellung des
KI-Modell Claude Mythos. Dieses sei so leistungsfähig, dass der Hersteller , da
er befürchtete, dass es für gefährliche Zwecke missbraucht werden könnte, etwa
zur Entwicklung von Biowaffen oder zur Durchführung hochgradig auto­matisierter
Cyberangriffe. Nur 40 führende Unternehmen erhielten Zugriff auf Mythos, um
damit Schwachstellen aufzudecken und zu analysieren. Neben Google, Apple,
Microsoft, Nvidia und Palo Alto Networks sollen auch die NSA sowie der britische
Geheimdienst bereits damit arbeiten.
Die US-Regierung habe vor politischen Konsequenzen, sollte ein mithilfe von
Künstlicher Intelligenz durchgeführter Cyberangriff erhebliche Schäden nach sich
ziehen. Deshalb hätten einige Regierungsangehörige auf das Prüfsystem gedrängt,
welches der US-Regierung den Erstzugriff ermögliche, jedoch die Veröffentlichung
der Modelle nicht blockiere. Die nun zu prüfende Executive Order würde einen
Kurswechsel in der KI-Politik markieren. Denn Trump hatte zu Beginn seiner
zweiten Amtszeit im Januar 2025 einige Vorgaben der Bi­den-Regierung rückgängig
gemacht, darunter auch die verpflichtende . Im Juli 2025 hatte Trump KI noch als
„schönes Baby“ , das man „nicht mit dummeln Regeln“ stoppen dürfe. Daraufhin für
KI-Modelle.
„Eine unabhängige, fundierte Messwissenschaft ist unerlässlich, um die neuesten
Ent­wick­lun­gen im Bereich der KI und deren Auswirkungen auf die nationale
Sicherheit zu verstehen“, sagte CAISI-Direktor Chris Fall.. „Diese erweiterten
Kooperationen mit der Industrie helfen uns, un­sere Arbeit im öffentlichen
Interesse in einer entscheidenden Phase auszuweiten.“
habe das Pentagon vergangene Woche mit SpaceX, OpenAI, Google, Nvidia,
Reflection AI, Microsoft und Amazon Web Services Vereinbarungen getroffen, ihre
KI-Fähig­keiten in die streng geheimen Netzwerke des Verteidigungsministeriums
zu integrieren, damit das US-Militär direkten Zugriff auf diese erhalte. Obwohl
Anthropic ebenfalls zu einem der führ­en­den KI-Unternehmen zählt, sei es von
dieser Vereinbarung ausgeschlossen worden, da wurde.
(ID:50839065)

Quelle: www.bigdata-insider.de

DEVSECOPS GITLAB BINDET CLAUDE TIEFER IN DEVSECOPS EIN
07.05.2026 Von 1 min Lesedauer
Anbieter zum Thema
GitLab hat eine vertiefte Integration mit Anthropics Claude-Modellen
angekündigt. KI-Agenten der Duo Agent Platform können ab sofort Claude Opus 4.7
aufrufen. Jede Agentenaktion läuft durch GitLabs bestehendes Compliance- und
Audit-Framework, ohne dass Unternehmen eine separate Governance-Schicht aufbauen
müssen.
, dass die ab sofort Claude-Modelle von Anthropic direkt aufrufen kann, . Die
Modelle lassen sich über Google Cloud und AWS Bedrock beziehen und in bestehende
Hyperscaler-Verträge sowie Data-Residency-Anforderungen einbinden.
Alle Agentenaktionen, die Claude aufrufen, durchlaufen dasselbe Policy-, Audit-
und Compliance-Framework wie jede andere Aktion in GitLab. Eine gesonderte
Governance-Ebene für -Zugriffe auf Code-Repositories, Infrastruktur oder
Pipeline-Kontext entfalle damit für GitLab-Kunden. Das unterscheide das Modell
von Integrationen, bei denen externe KI-Aufrufe außerhalb der bestehenden
Audit-Trails laufen.
Parallel tritt GitLab dem bei. Kunden können darüber GitLab-Credits erwerben und
auf bestehende Anthropic-Ausgabenverpflichtungen anrechnen lassen. Das
vereinfache die Budgetverwaltung für Unternehmen, die bereits
Anthropic-Volumenverträge haben.
„Die Unternehmen, die im KI-Zeitalter erfolgreich sind, können ihren
Entwicklungsteams leistungsstarke KI-Fähigkeiten ohne Kompromisse bieten“, sagte
Manav Khurana, Chief Product and Marketing Officer bei GitLab. „Diese vertiefte
Integration bringt Claudes neueste Modelle in GitLabs intelligente
Orchestrierungsplattform – wo jede Agentenaktion vollständig auditiert wird,
Richtlinien durchgesetzt werden und Sicherheitsteams die volle Kontrolle
behalten. Unternehmen müssen nicht zwischen Geschwindigkeit und Governance
wählen.“
(ID:50830888)

Quelle: www.bigdata-insider.de

3D-GUIDANCE OHNE TRACKER PADERBORNER START-UP MACHT AUS 2D-RÖNTGENBILDERN EINE
3D-OP-NAVIGATION
07.05.2026 Von 1 min Lesedauer
Anbieter zum Thema
Intraoperative Navigationssysteme brauchten bislang aufwendige optische
Tracking-Hardware. Das Paderborner Start-up Metamorphosis GmbH verfolgt einen
anderen Ansatz: Ihre Software rekonstruiert aus 2D-Röntgenbildern in Echtzeit
eine 3D-Orientierung im Operationsfeld. Das erste Produkt ist jetzt auf dem
Markt.
Klassische chirurgische Navigationssysteme orientieren sich über externe
Referenzpunkte: Optische Tracker erfassen Instrumente und Patientenanatomie im
Raum und berechnen daraus die Position im Operationssaal. Das funktioniert,
setzt aber voraus, dass Chirurgen zusätzliche Hardware aufbauen, kalibrieren und
im Sichtfeld halten. Bei der Versorgung akuter Frakturen unter Zeitdruck gilt
das als zu aufwendig für den Alltag.
Die , eine Ausgründung der , will das Problem anders angehen. Ihre Software
analysiert die Fluoroskopieaufnahmen, die im Operationssaal ohnehin entstehen,
und leitet daraus automatisch eine 3D-Registrierung ab: Wo liegt die Fraktur?
Wie ist das Implantat positioniert? Wo befindet sich das Instrument? Die
Orientierung im Raum entsteht rechnerisch aus dem Bildmaterial. Besonders
praxisrelevant: Das System läuft auf einem Laptop und arbeitet mit
unmodifizierten Chirurgieinstrumenten sowie vorhandener
Bildgebungsinfrastruktur.
Das erste Produkt heißt VELYS Trauma AI-Assisted Surgery. Entwickelt wurde es
gemeinsam mit DePuy Synthes, der Orthopädie-Sparte von Johnson & Johnson
MedTech. Metamorphosis ist offizieller Hersteller und hält die
FDA-510(k)-Zulassung. Das System ist Teil der VELYS-Plattform, mit der Johnson &
Johnson seine gesamte aufbaut.
Der initiale Anwendungsfall sind Femurfrakturen. Die Plattformarchitektur ist
laut Unternehmen auf die Integration mit robotergestützten Systemen ausgelegt,
weitere Indikationen in der Wirbelsäulenchirurgie befinden sich noch in der
Entwicklung und sind noch nicht regulatorisch freigegeben.
(ID:50828621)