Dieser Beitrag stellt einen hybriden KI-Ansatz zur Gefahrgutbeurteilung in der Batterie- und Chemikalienlogistik vor. Im Zentrum steht die Frage, wie Fachkräfte aus fragmentierten, teilweise widersprüchlichen und sich ändernden Regelwerken schnell und rechtssicher zu Entscheidungen gelangen können.

Dazu wird ein Retrieval-Augmented-Generation-System entwickelt, das generative Sprachmodelle mit mehrstufigem Preprocessing, semantischer Suche und Knowledge Graphs kombiniert. Heterogene Dokumente werden per OCR, Layoutanalyse und semantischer Segmentierung normalisiert und anschließend über Vektor- und Graphstrukturen erschlossen. Ein agentenbasiertes Multi-Step-Reasoning zerlegt komplexe Anfragen in Teilaufgaben, orchestriert Retrieval und Konsistenzprüfungen und liefert nachvollziehbare Entscheidungsprotokolle.

Technische Risiken wie Halluzinationen, veraltete Regularien und Skalierungsprobleme werden durch Konsistenzmetriken, Versionskontrolle und speichereffiziente Embedding-Strategien adressiert. Der Ansatz zielt darauf, dokumentengetriebene Entscheidungsprozesse in sicherheitskritischen Domänen zu automatisieren und lässt sich auf andere regulierungsintensive Bereiche übertragen.

Der Beitrag analysiert die Blockchain-Technologie als unabhängige Audit- und Vertrauensschicht für KI-gestützte Entscheidungsprozesse in regulierten Umfeldern.

Ausgangspunkt ist die zunehmende regulatorische Anforderung an Transparenz, Nachvollziehbarkeit und Governance von KI-Systemen, insbesondere im Kontext des EU AI Act. Vorgestellt wird ein Architekturansatz, bei dem Blockchain nicht als Transaktions- oder Token-Infrastruktur, sondern als unveränderliches Protokoll zur kryptografischen Verankerung zentraler KI-Artefakte (z. B. Trainingsdaten, Modellversionen, Prompt-Historien und Entscheidungsergebnisse) eingesetzt wird.

Durch eine klare Trennung von On-Chain- und Off-Chain-Komponenten lassen sich Skalierbarkeit, Datenschutz und Performance wahren. Anhand praxisnaher Anwendungsszenarien wird gezeigt, wie Blockchain-basierte Audit-Trails zur regulatorischen Absicherung von KI-Systemen beitragen können, ohne bestehende Governance-Strukturen zu ersetzen.

Moderne Verfahren der visuellen Anomalie- und Fehlerdetektion werden überwiegend anhand von Laboraufnahmen oder stark kontrollierten Bedingungen entwickelt und evaluiert. Untersuchungen, die solche Modelle in realen Instandhaltungsszenarien mit komplexen und dynamischen Einsatzbedingungen betrachten, sind jedoch selten. Die vorliegende Arbeit adressiert diese Lücke, indem aktuelle bildbasierte Lernverfahren in realweltlichen Szenen der industriellen Instandhaltung getestet und hinsichtlich ihrer Einsatzfähigkeit bewertet werden. Im Mittelpunkt steht der Übergang von einer rein framezentrierten hin zu einer umgebungs- und szenenzentrierten Anomalieerkennung, die variierende Hintergründe und Betriebsbedingungen berücksichtigt. Die bislang überwiegend manuellen Inspektionen sollen durch KI-gestützte Verfahren ergänzt werden, um schwer zugängliche Bereiche leichter prüfbar zu machen, Prüfungen häufiger und kosteneffizienter durchzuführen und eine konsistente Bewertungsqualität zu ermöglichen. Zugleich bleibt der Mensch ein wesentlicher Bestandteil des Prüfprozesses, da die hier betrachteten Verfahren vor allem als assistive Unterstützung ausgelegt sind und ihre Anwendung zunächst durch das Prüfpersonal erlernt werden muss. Die Nachvollziehbarkeit der Modelle ist dabei sowohl für eine potenzielle (Teil-)Automatisierung als auch für die juristische und sicherheitsbezogene Zertifizierbarkeit unerlässlich und bildet einen wesentlichen wissenschaftlichen Anspruch dieser Arbeit.