Die Klassifizierung von Punktwolken ist eine der teuersten und langsamsten Aufgaben in jedem LiDAR-Projekt. Jedes Jahr verbessert sich, was KI automatisieren kann — aber auch die Verwirrung darüber wächst, wo das Modell endet und wo das menschliche Urteilsvermögen beginnt.
Was KI heute gut kann
Für die Mehrheitsklassen — Boden, Vegetation, Bebauung — erreichen aktuelle Modelle konsistent sehr hohe Genauigkeiten. Bei Stromleitungsinspektionsprojekten ist die Trennung zwischen Vegetation, Masten und Leitern bereits ein größtenteils gelöstes Problem im Maßstab von Millionen Punkten pro Minute, selbst bei Korridoren von Dutzenden Kilometern mit deutlichen Vegetations- und Geländeänderungen.
Das ist kein Zufall: Diese Klassen weisen sehr konsistente geometrische Muster auf (Ebenheit des Bodens, Vertikalität von Strukturen, Streuung der Vegetation), die aktuelle Modelle aus Tausenden früherer Trainingsprojekte gut erfassen. Das praktische Ergebnis ist, dass ein sehr hoher Prozentsatz des Korridors überhaupt kein menschliches Auge benötigt.
Wo sie weiterhin scheitert
Schwierigkeiten treten an den Rändern auf: Minderheitsklassen, mehrdeutige Objekte und Bereiche mit geringer Punktdichte. Ein für eine Geländeart trainiertes Modell schneidet bei einer anderen schlechter ab, und Fehlalarme bei kritischen Klassen (z. B. Rauschen, das mit einem Kabel verwechselt wird) haben unverhältnismäßig hohe Kosten, weil ein einziger falsch klassifizierter Punkt an einem Leiter einen falschen Vegetationseinwuchs-Alarm auslösen kann.
Ein weiterer häufiger blinder Fleck sind Übergänge: der Rand zwischen einem Dach und der Vegetation, die es berührt, oder der Ansatz eines Mastes am Boden. Dort ist die Geometrie selbst für ein trainiertes menschliches Auge mehrdeutig, sodass es zu viel verlangt ist, vom Modell eine perfekte Grenze zu fordern, wenn die Daten selbst dies nicht mit Sicherheit lösen können.
KI ersetzt den Operator nicht. Sie ordnet seine Arbeit neu: von der Massenkennzeichnung zur Überprüfung des Zweifelhaften.
Der menschliche Operator verschwindet nicht
Der Wert des Experten verschiebt sich zur Qualitätskontrolle: Validierung dessen, was das Modell mit geringer Zuversicht markiert, Korrektur systematischer Fehler und Abzeichnung des Liefergegenstands. Deshalb muss die Fehlerbearbeitung in dieselbe Umgebung wie die Klassifizierung integriert sein — nicht in ein separates Tool, das Export, Korrektur und erneuten Import erzwingt und dabei bei jeder Runde Kontext und Zeit verliert.
Genau das integriert Neobora in einer einzigen Umgebung: die KI-basierte Klassifizierung in der Cloud und die Fehlerbearbeitung koexistieren im selben Werkzeug, mit hochproduktiven Steuerungen für die Qualitätskontrolle. Der Bediener validiert, korrigiert und zeichnet ab, ohne die Plattform zu verlassen oder die Daten in eine separate Software zu exportieren.
In der Praxis ändert dies das Berufsprofil: weniger Stunden repetitiver Kennzeichnung und mehr Stunden technischen Urteilsvermögens, angewendet auf die Fälle, die es wirklich brauchen. Teams, die diesen Übergang gut bewältigen, reduzieren nicht das Personal, sondern verteilen es auf Qualitätskontrolle, Ausnahmemanagement und Kundenbeziehungen um.
Ein realistischer Workflow
Bei Neobora lautet der Workflow: automatische Cloud-Klassifizierung → unterstützte Überprüfung von Bereichen mit geringer Konfidenz → gezielte Bearbeitung → Veröffentlichung im Geoportal. Der Operator berührt nur den Prozentsatz der Daten, der es wirklich braucht, und der Rest fließt reibungslos.
Metriken, die wirklich zählen
Die Gesamtgenauigkeit eines Modells ist die Metrik, die in Demos am häufigsten gezeigt wird und am wenigsten über den Alltag eines Projekts aussagt. Zwei Indikatoren sind für die Entscheidung nützlicher: der Prozentsatz des Korridors, der nach der automatischen Klassifizierung als „zu überprüfen“ markiert wird, und die durchschnittliche Korrekturzeit pro Kilometer, sobald sie in die Hände des Operators gelangt.
Ein Modell, das den Überprüfungsbereich auf 3-5 % des Gesamtvolumens reduziert, mit agiler Bearbeitung dieses Prozentsatzes, erzielt bessere Lieferzeiten als ein Modell mit etwas höherer Gesamtgenauigkeit, das jedoch die Überprüfung von 20 % des Korridors auf verstreute, unvorhersehbare Weise erfordert.
Wie man einen Anbieter bewertet
Bevor man sich auf eine Klassifizierungsplattform festlegt, ist es sinnvoll, drei konkrete Dinge zu verlangen: einen Test mit eigenen Daten (nicht mit dem Demo-Datensatz des Anbieters), Einblick in den Prozentsatz der als zweifelhaft markierten Daten und Zugang zur Korrektur dieser Fälle innerhalb derselben Umgebung, ohne von einem Support-Ticket abhängig zu sein.
Wenn ein Anbieter diese drei Dinge nicht mit echten Kundendaten zeigen kann, ist die in seinem Verkaufsangebot präsentierte Genauigkeitszahl wenig wert: Sie wird unter Bedingungen gemessen, die selten mit dem Gelände, der Flugdichte oder der Infrastrukturart des konkreten Projekts übereinstimmen.
Bei Neobora gehen wir genau von diesen drei Anforderungen aus: Test mit echten Kundendaten, Sichtbarkeit des als zweifelhaft markierten Datenanteils und Korrektur innerhalb derselben Umgebung, ohne Tickets oder externe Werkzeuge. Wir ziehen es vor, mit dem Gelände des Projekts vor Augen bewertet zu werden, nicht mit einem Demonstrationsdatensatz.
Fazit
Von KI eine vollständige Automatisierung zu erwarten, ist das Rezept für Enttäuschung. Eine Vervielfachung der Teamproduktivität zu erwarten — mit dem Menschen dort im Kreislauf, wo es wichtig ist, und der Messung dessen, was die Lieferzeit wirklich vorhersagt — ist schon heute realistisch. Das ist die Wette von Neobora.
