KI-gestützte Materialerkennung für den Digitalen Produktpass

Der Digitale Produktpass der EU verlangt eine bisher beispiellose Granularität an produktbezogenen Daten. Für die Battery Regulation müssen Materialkompositionen auf Komponentenebene dokumentiert sein. Die ESPR wird für immer mehr Produktkategorien ähnliche Anforderungen stellen, von Textilien über Elektronik bis zu Möbeln.

Für Unternehmen mit breiten Produktportfolios ist die manuelle Datenpflege schlicht nicht skalierbar. Ein mittelgroßer Elektronikhersteller kann tausende aktive Produkte haben, jedes mit hunderten Komponenten und einer Lieferkette, die sich kontinuierlich ändert.

Die gute Nachricht: KI bietet praktische Lösungen. Computer Vision kann Materialien aus Produktbildern identifizieren. Spektroskopische Verfahren können Materialzusammensetzungen physisch messen. LLMs können Materialangaben aus technischen Dokumenten automatisch extrahieren. Zusammen ermöglichen diese Technologien eine weitgehende Automatisierung der DPP-Datenpflege.

Computer-Vision-Modelle können trainiert werden, Materialien und Komponenten aus Bildern zu identifizieren. Für den DPP-Kontext sind zwei Anwendungen relevant: die Klassifikation von Materialtypen aus Produktfotos oder Röntgenaufnahmen sowie die automatische Erkennung von Kennzeichnungen (Recycling-Symbole, Materialcodes wie PP, PET, Al) auf Produkten und Verpackungen.

Moderne Vision-Transformer-Modelle (ViT, CLIP, SAM) erreichen bei strukturierten Materialerkennungsaufgaben Genauigkeiten von über 95 Prozent bei ausreichend Trainingsdaten. Für industrielle Anwendungen sind Röntgen-CT-Aufnahmen besonders wertvoll: Sie ermöglichen die Erkennung von inneren Komponenten und deren Geometrie.

Praktische Einschränkung: Computer Vision erkennt Materialtypen mit hoher Genauigkeit, aber keine Materialzusammensetzungen auf chemischer Ebene. Ein System kann erkennen 'das ist Polypropylen', aber nicht ob es 12 Prozent Recyclinganteile enthält. Für diese Tiefe braucht es ergänzende Methoden.

Spektroskopische Verfahren ermöglichen die chemische Materialanalyse direkt am Produkt. Nahinfrarot-Spektroskopie (NIR) und Raman-Spektroskopie können Kunststofftypen, Legierungszusammensetzungen und organische Verbindungen identifizieren. Röntgenfluoreszenz-Analyse (XRF) ist besonders geeignet für die Identifikation von Schwermetallen, relevant für RoHS-Compliance-Prüfungen im DPP.

Handheld-Geräte für NIR und XRF sind heute kommerziell verfügbar und erschwinglich. In Verbindung mit KI-basierten Auswertungsmodellen können sie eine Schicht-für-Schicht-Materialidentifikation liefern, die für den DPP direkt verwertbar ist.

Für die Lieferantenintegration sind spektroskopische Stichprobenprüfungen eingehender Materialien ein wirksames Instrument: Sie ermöglichen die Verifikation von Lieferantenangaben und identifizieren Abweichungen, bevor das Material in die Produktion geht.

Materialangaben existieren in vielen Unternehmen bereits, aber in unstrukturierten Formaten: technische Zeichnungen, Lieferantendatenblätter in verschiedenen Sprachen, REACH-Konformitätserklärungen, RoHS-Zertifikate und Materialdeklarationen nach IPC-175x-Standard. Diese manuell auszuwerten und in ein DPP-Format zu übertragen ist aufwändig.

LLMs mit Dokumentenauswertungsfähigkeiten (GPT-4o Vision, Claude mit PDF-Analyse) können diese Extraktion weitgehend automatisieren. Ein typischer Workflow: Das System erhält ein Lieferanten-Datenblatt als PDF. Es extrahiert Materialbezeichnungen, Massenanteile, relevante Normreferenzen und Schadstoffangaben. Die Daten werden in ein strukturiertes JSON-Format überführt, das direkt in den DPP-Datensatz importiert werden kann.

Die Genauigkeit liegt bei gut strukturierten Dokumenten bei über 90 Prozent. Multi-Sprach-Fähigkeit ist ein besonderer Vorteil: LLMs können chinesische oder japanische Lieferantendokumente mit ähnlicher Genauigkeit auswerten wie englischsprachige.

Die technische Integration folgt einem modularen Ansatz. Das KI-System erzeugt strukturierte Materialdatensätze in einem standardisierten Format (JSON-LD, EPCIS, Asset Administration Shell). Diese werden über eine API in die DPP-Plattform importiert, wo sie mit weiteren Produktdaten (Carbon Footprint, Herkunftsnachweise, Zertifikate) zusammengeführt werden.

Für die Wahl der DPP-Plattform sind Interoperabilität und API-Offenheit entscheidend. Die EU-Kommission hat für den DPP einen offenen Datenstandard auf Basis der Asset Administration Shell (AAS) des IDTA als Referenzarchitektur identifiziert.

Ein typisches Integrationsprojekt dauert drei bis sechs Monate: einen Monat für Systemauswahl und Schnittstellen-Definition, zwei bis vier Monate für KI-Modell-Konfiguration und Trainingsdaten-Aufbereitung, dann Pilotbetrieb mit einer Produktkategorie vor dem Rollout.

KI-generierte Materialdaten erfordern einen systematischen Validierungsprozess, bevor sie in einen offiziellen DPP einfließen. Fehlerhafte Materialangaben können zu Compliance-Problemen führen und das Recycling am Ende des Produktlebens stören.

Ein bewährtes Validierungsmodell ist das Confidence-Score-System: Jede KI-Extraktion erhält einen Konfidenzwert. Hochkonfidente Extraktionen (über 95 Prozent) werden automatisch akzeptiert. Mittlere Konfidenz (85 bis 95 Prozent) löst stichprobenweise menschliche Prüfung aus. Niedrige Konfidenz (unter 85 Prozent) eskaliert immer zur manuellen Überprüfung.

Für regulatorisch kritische Datenpunkte, Schwermetallgehalte nach RoHS, SVHC-Stoffe nach REACH, kritische Rohstoffe, empfiehlt sich immer eine physische Messung oder ein Lieferantenzertifikat als primäre Datenquelle. Das Vertrauen in KI-Systeme muss proportional zur regulatorischen Konsequenz der jeweiligen Datenpunkte sein.

Trotz erheblicher Fortschritte haben KI-Materialerkennungssysteme klare Grenzen. Erstens Trainingsdatenabhängigkeit: KI-Modelle erkennen gut, was sie gelernt haben. Neue Materialien oder seltene Polymere werden mit geringerer Genauigkeit klassifiziert. Kontinuierliches Modell-Training ist notwendig.

Zweitens Dokumentenvariabilität: LLM-basierte Auswertung funktioniert gut bei standardisierten Dokumentenformaten. Bei frei formatierten oder schlecht gescannten Dokumenten nimmt die Genauigkeit ab.

Drittens regulatorische Verantwortung: KI kann Materialangaben extrahieren und strukturieren, aber die rechtliche Verantwortung für die Richtigkeit der DPP-Angaben liegt beim Hersteller oder Importeur. KI-generierte Daten entbinden nicht von der Sorgfaltspflicht.

KI-gestützte Materialerkennung macht den Digitalen Produktpass für große Produktportfolios erst skalierbar. Die Kombination aus Computer Vision, Spektroskopie und LLM-Dokumentenauswertung kann den manuellen Datenpflegeaufwand um 60 bis 80 Prozent reduzieren, bei gleichzeitig höherer Konsistenz und besserer Rückverfolgbarkeit als rein manuelle Prozesse.

Sustainista entwickelt KI-gestützte DPP-Datenpipelines für Industrieunternehmen: von der Systemarchitektur über die KI-Modellkonfiguration bis zur Integration in bestehende ERP- und PLM-Systeme.