Wenn ein Metallhändler ein System einsetzt, um Werkszeugnisse (MTCs) mittels KI in großem Maßstab zu validieren, lautet die naheliegende erste Frage: „Wie funktioniert das eigentlich?" Diese Frage ist entscheidend, denn die Leistungsfähigkeit des Systems bestimmt, ob es mit der realen Vielfalt der Dokumente umgehen kann, denen der Händler begegnet — nicht nur mit den sauberen digitalen PDFs großer inländischer Hüttenwerke, sondern auch mit gescannten Kopien, deutschsprachigen Zeugnissen, gedrehten Chemietabellen und jahrzehntealten Dokumenten von Werken, die es nicht mehr gibt.
Dieser Leitfaden behandelt die technische Architektur der KI-basierten MTC-Validierung: wie Dokumente erfasst und extrahiert werden, wie die Extraktion mit Formatvielfalt umgeht, wie Validierungsregeln angewendet werden, wie Betrugserkennung funktioniert und was das System erkennt, das der manuellen Prüfung durchweg entgeht.
Ebene 1: Dokumentenerfassung und Vorverarbeitung
Die erste Herausforderung bei der automatisierten MTC-Validierung ist das Problem der Eingabeformate. Ein Metallhändler erhält Dokumente in jedem denkbaren Format:
- Digitale PDFs, die direkt aus den Qualitätsmanagementsystemen der Werke erzeugt werden (gut strukturiert, hohe Genauigkeit)
- Gescannte Papierzeugnisse in unterschiedlichen Auflösungen und Ausrichtungen (teilweise beeinträchtigt, erfordert OCR)
- Mehrseitige Dokumente, bei denen die Chemietabelle auf einer separaten Seite vom Werkskopf und der Unterschrift erscheint
- Fotos, die von Wareneingangsmitarbeitern mit dem Mobiltelefon an der Rampe aufgenommen wurden
- Kopien mehrerer Generationen, bei denen jeder weitere Scan die Bildqualität verschlechtert
- Dokumente auf Deutsch, Französisch, Italienisch, Japanisch, Koreanisch, Chinesisch und in anderen Sprachen
- Dokumente, die SI- und imperiale Einheiten innerhalb derselben Tabelle kombinieren
Ein naiver Ansatz — Text mit Standard-PDF-Bibliotheken extrahieren und Felderkennungsmuster anwenden — funktioniert bei digitalen PDFs vertrauter Werke einigermaßen, scheitert aber am Großteil der realen Variation. Die Vorverarbeitungsebene eines KI-basierten Systems adressiert dies, bevor überhaupt eine Datenextraktion beginnt.
Vorverarbeitungsschritte für ein robustes MTC-Validierungssystem:
Bildnormalisierung: Rotationskorrektur (Dokumente, die um 90° oder 180° gescannt wurden, werden aufgerichtet), Helligkeits- und Kontrastnormalisierung für verblasste oder überbelichtete Scans, Auflösungsverbesserung für niedrig auflösende Eingaben von Mobilkameras.
Layout-Analyse: Dokumentensegmentierung zur Identifizierung der einzelnen Zonen eines MTC — Kopfzeile (Werksidentifikation, Zeugnisnummer, Datum), Materialidentifikationsabschnitt (Güte, Schmelzennummer, Abmessungen), Chemietabelle, Tabelle der mechanischen Eigenschaften, Abschnitt zu ZfP/Wärmebehandlung sowie Unterschriftenblock. Diese Segmentierung ist eine Voraussetzung für eine genaue Feldextraktion, da dieselbe Bezeichnung („C" oder „Kohlenstoff") in mehreren Kontexten auftreten kann.
Spracherkennung: Die automatische Erkennung der Zeugnissprache ermöglicht es der nachfolgenden Feldextraktion, das korrekte Bezeichnungswörterbuch anzuwenden (Deutsch „Kohlenstoff" = Englisch „Carbon"; Französisch „Carbone"; Japanisch 炭素).
Ebene 2: Feldextraktion mittels KI-/OCR-Modellen
Nach der Vorverarbeitung zieht die Extraktionsebene strukturierte Daten aus jeder identifizierten Dokumentzone. Der technische Unterschied zwischen templatebasierter OCR und KI-basierter Extraktion ist entscheidend, um zu verstehen, warum die eine mit unterschiedlichen Werkszeugnisformaten zurechtkommt und die andere nicht.
Templatebasierte OCR verwendet feste Feldpositionsmuster: „der Kohlenstoffgehalt steht immer in Spalte 3 der Chemietabelle, Zeile 5." Wenn ein neues Werk eine andere Tabellenstruktur verwendet oder dasselbe Werk sein Zeugnisformat ändert, bricht das Template und die Extraktion schlägt fehl — sie erzeugt entweder einen Fehler oder einen falschen Wert.
KI-Extraktion verwendet ein Modell, das auf vielfältigen realen MTC-Korpora trainiert wurde, um die semantische Struktur des Dokuments zu verstehen. Das Modell weiß, dass die Zahl, die auf eine semantisch gleichwertige Bezeichnung wie „Carbon" in einem Chemietabellenkontext folgt, der Kohlenstoffgehalt ist — unabhängig von ihrer Position, der Tabellenausrichtung oder der Dokumentsprache. Die Extraktion ist kontextbewusst, nicht positionsbewusst.
Bei Feldern mit hoher Variabilität — Einheiten (% vs. ppm vs. mg/kg), Dezimalschreibweise (europäisches Komma vs. englischer Dezimalpunkt), kombinierte Zellen (paarweise angegebene Elemente wie „Nb+Ta") und innerhalb derselben Tabelle gemischte Einheiten — bewältigt die KI-Extraktion diese Variationen durch gelernte Mustererkennung statt durch explizit kodierte Regeln.
Konfidenzbewertung ist ein entscheidendes Ergebnis der Extraktionsebene. Jedes extrahierte Feld trägt einen Konfidenzwert, der die Sicherheit des Modells widerspiegelt, den Wert korrekt gelesen zu haben. Felder mit niedriger Konfidenz (typischerweise unter 0,90) werden zur menschlichen Prüfung markiert, statt stillschweigend durchzugehen oder stillschweigend zu scheitern. Dies ist der Mechanismus, der falsch-negative Ergebnisse verhindert — Fälle, in denen das System einen Wert falsch extrahiert und ihn fälschlicherweise als korrekt durchgehen lässt.
Ebene 3: Spezifikationsvergleich und Validierungsregeln
Sobald die Extraktion abgeschlossen und die Konfidenzwerte ausgewertet sind, wird jeder extrahierte Wert mit den anwendbaren Spezifikationsgrenzen für die Materialgüte verglichen.
Die Spezifikationsvergleichs-Engine erfordert:
Eine gepflegte Materialspezifikationsdatenbank, die ASTM-A-Serien (A36, A106, A240, A276, A516 usw.), EN-Werkstoffnormen (EN 10025, EN 10088, EN 10028 usw.), AMS-Luftfahrtspezifikationen, API-5L-Produktspezifikationsstufen und weitere abdeckt. Die Grenzwerte in dieser Datenbank müssen auf dem Stand der aktuellen Ausgaben gehalten werden — eine veraltete Spezifikationstabelle erzeugt falsche Validierungsergebnisse.
Güteidentifikation aus dem extrahierten MTC. Das System muss anhand der auf dem Zeugnis gefundenen Gütebezeichnung bestimmen, welche Spezifikationszeile anzuwenden ist. Bei komplexen Bezeichnungen (API 5L X65 PSL2 Sour Service) muss das System die zusammengesetzte Bezeichnung auflösen, um die korrekten chemischen und mechanischen Grenzwerte einschließlich güte-spezifischer Zusätze (Schwefelgrenzwerte für Sauergasanwendung, CVN-Temperaturanforderungen) anzuwenden.
Elementweiser Vergleich mit korrektem Operator. Manche Spezifikationsgrenzwerte sind Höchstwerte (C ≤ 0,030 %); manche sind Mindestwerte (Cr ≥ 22,0 %); manche sind Bereiche (Mo: 3,0–3,5 %); manche sind berechnete Werte (CE = C + Mn/6 + ..., verglichen mit einem Grenzwert). Die Vergleichs-Engine muss pro Element und Spezifikation den korrekten Operator anwenden.
Abgleich von Zusatzanforderungen. Bei Spezifikationen mit Zusatzanforderungen (ASTM-S-Serie, API-PSL2-Zusätze) muss die Engine die auf der Bestellung geforderten Anforderungen mit dem MTC-Inhalt abgleichen. Wurde auf der Bestellung eine S5-Kerbschlagprüfung nach Charpy vorgeschrieben, muss das Zeugnis entsprechende Prüfergebnisse ausweisen — deren Fehlen löst eine Markierung aus, unabhängig davon, ob Chemie und mechanische Eigenschaften innerhalb der Grenzwerte liegen.
Ebene 4: Feldübergreifende Konsistenz- und Betrugserkennung
Die Einzelfeldvalidierung erkennt Spezifikationsverstöße. Die feldübergreifende Konsistenzanalyse erkennt Betrug und Übertragungsfehler, die eine Einzelfeldprüfung übersieht.
Schmelzennummer-Abgleich. Viele Zeugnisse enthalten die Schmelzennummer an mehreren Stellen: in der Kopfzeile, im Materialidentifikationsabschnitt, im Kopf der Chemietabelle und im Ergebnisbestätigungsfeld. Die KI-Extraktion liest alle Vorkommen, und eine Konsistenzprüfung markiert jede Abweichung zwischen ihnen. Ein rechtmäßiges Zeugnis weist konsistente Schmelzennummern auf; ein betrügerisch verändertes Zeugnis weist häufig Inkonsistenzen auf, weil der Bearbeiter eine Stelle geändert und eine andere übersehen hat.
Plausibilität der Bandbreite mechanischer Eigenschaften. Echte Prüfergebnisse folgen natürlichen statistischen Verteilungen: Zugfestigkeitswerte streuen um typische Werte für die jeweilige Güte mit realistischer Varianz. Betrügerisch erzeugte oder übertragene Werte zeigen oft exakt die Spezifikationsminima oder -maxima ohne natürliche Streuung. Ein Zeugnis für 2205-Duplexstahl, bei dem die Streckgrenze bei jedem einzelnen Stück einer Charge exakt dem ASTM-Mindestwert entspricht, mit null Varianz, ist eine statistische Anomalie, die darauf hindeutet, dass die Werte aus der Spezifikationstabelle übernommen statt gemessen wurden.
Konsistenz der Chemiesumme. Die Summe aller angegebenen Elemente in einem Stahlzeugnis sollte nahe bei 100 % liegen, wobei der Rest der nicht explizit angegebene Eisenanteil ist. Eine Chemietabelle, bei der die Summe der angegebenen Werte deutlich über oder unter 100 % liegt — oder bei der der implizite Eisenanteil unplausibel ist — deutet auf Übertragungsfehler oder Wertefälschung hin.
Datumslogik. Das Ausstellungsdatum des Zeugnisses sollte nach oder am Datum der letzten durchgeführten Prüfung liegen. Das Werksprüfdatum sollte vor oder am Zeugnisdatum liegen. Zeugnisse, bei denen das Prüfdatum nach dem Ausstellungsdatum liegt oder bei denen das Datumsformat auf ein Dokument mit einem zukünftigen Datum hindeutet, lösen Anomaliemarkierungen aus.
Plausibilität der Werksherkunft. Für Händler, die ihr System mit bekannten zuverlässigen Werksquellen konfigurieren, kann die Werksidentifikation auf dem Zeugnis mit einem verifizierten Werksregister abgeglichen werden. Ein Zeugnis, das vorgibt, von einem bekannten europäischen Werk zu stammen, aber Kontaktinformationen enthält, die nicht mit den bekannten Daten dieses Werks übereinstimmen, löst eine Prüfmarkierung aus.
Was die KI-Validierung erkennt, das der manuellen Prüfung entgeht
Die manuelle Prüfung durch einen erfahrenen Qualitätsingenieur erkennt: offensichtliche Gütediskrepanzen, Werte, die klar außerhalb der Spezifikation liegen, fehlende Pflichtfelder, von denen der Ingenieur zufällig weiß, dass sie für diese Güte erforderlich sind. Sie übersieht durchweg:
Chemieanomalien mit geringer Abweichung. Ein Phosphorwert von 0,028 % auf einem Zeugnis für Material, das Phosphor ≤ 0,030 % aufweisen sollte, liegt nahe am Grenzwert. Ein manueller Prüfer, der zwanzig Chemiezeilen überfliegt, wird dies bemerken; ein erschöpfter Prüfer, der seit 9 Uhr morgens vierzig Zeugnisse bearbeitet hat, möglicherweise nicht. Die KI-Validierung erkennt es jedes Mal.
Chargenübergreifende statistische Anomalien. Bei der Prüfung eines Zeugnisses nach dem anderen kann ein manueller Prüfer nicht erkennen, dass die letzten acht Zeugnisse desselben Lieferanten alle identische Streckgrenzenwerte aufweisen. Die KI-Analyse über die gesamte Charge hinweg erkennt dieses Muster sofort.
Sprachspezifische Einheitenfallen. Ein deutsches Zeugnis, das die Zugfestigkeit in „N/mm²" angibt, während das interne System „MPa" erwartet, erzeugt eine scheinbare Einheitendiskrepanz — 1 N/mm² = 1 MPa, es gibt also keine tatsächliche Abweichung, aber ein manueller Prüfer, der gleichzeitig Einheiten umrechnet und Werte prüft, bearbeitet zwei kognitive Aufgaben gleichzeitig. Die KI übernimmt die Einheitennormalisierung automatisch.
Unterbrechungen bei seitenübergreifenden Referenzen. Wenn die Chemie auf Seite 2 und die Schmelzennummer auf Seite 1 steht, muss ein manueller Prüfer visuell bestätigen, dass sich beide Seiten auf dasselbe Lieferlos beziehen. Ein Extraktionsfehler, der die Chemie von Seite 2 mit dem falschen Kopf von Seite 1 verknüpft, kommt bei der manuellen Bearbeitung nicht selten vor. Die KI-Extraktion liest das gesamte Dokument als semantische Einheit.
PREN unter dem Mindestwert für Duplexstähle. Die PREN-Berechnung aus Cr, Mo und N ist eine Dreifeld-Berechnung, die ein manueller Prüfer explizit durchführen muss. Viele tun dies nicht routinemäßig. Die KI-Validierung führt sie automatisch durch und markiert PREN < 35 für 2205, ohne dass der Prüfer daran denken muss, sie zu berechnen.
Überlegungen zur Implementierung für Metallhändler
Bei der Bewertung eines KI-gestützten MTC-Validierungssystems sind die wichtigsten technischen Fragen:
Wie hoch ist die Extraktionsgenauigkeit bei Ihrer spezifischen Zeugnispopulation? Verlangen Sie, dass die Evaluierungsdemo mit Ihren eigenen Beispielzeugnissen läuft — nicht mit der kuratierten Bibliothek des Anbieters. Bringen Sie Ihre anspruchsvollsten Zeugnisse mit: die Scans mit der schlechtesten Qualität, die nicht-englischen Dokumente, die Kopien mehrerer Generationen von Material aus dem Sekundärmarkt. Wenn das System bei Ihrer tatsächlichen Eingabe Schwierigkeiten hat, wird es das auch im Produktivbetrieb haben.
Wie werden Extraktionen mit geringer Konfidenz behandelt? Ein System, das Extraktionen mit geringer Konfidenz stillschweigend durchgehen lässt, ist gefährlich. Das korrekte Verhalten besteht darin, Felder mit geringer Konfidenz zur menschlichen Prüfung zu markieren, mit einer klaren Kennzeichnung, welches Feld unsicher ist. Bestätigen Sie, dass das System konfigurierbare Konfidenzschwellenwerte hat.
Wie wird die Spezifikationsdatenbank gepflegt? ASTM-Normen werden in regelmäßigen Zyklen überarbeitet; EN-Normen werden periodisch aktualisiert; API-Spezifikationen werden gelegentlich revidiert. Eine nicht gepflegte Spezifikationsdatenbank erzeugt falsche Validierungsergebnisse für kürzlich überarbeitete Normen. Bestätigen Sie den Aktualisierungsprozess und die Aktualisierungshäufigkeit des Anbieters.
Wie leistungsfähig ist die Betrugserkennung? Fragen Sie gezielt nach statistischer Anomalieerkennung, feldübergreifendem Abgleich der Schmelzennummer und Datumslogikvalidierung. Dies sind keine universellen Fähigkeiten — manche Systeme vergleichen nur einzelne Feldwerte mit Grenzwerten, ohne feldübergreifende Analyse.
Wie TestCert die KI-MTC-Validierung umsetzt
TestCert implementiert alle vier in diesem Leitfaden beschriebenen Validierungsebenen: Dokumentenerfassung in mehreren Formaten mit Vorverarbeitung, KI-Extraktion mit Konfidenzbewertung und Weiterleitung an die menschliche Prüfung bei Feldern mit geringer Konfidenz, eine gepflegte Spezifikationsdatenbank, die ASTM-, EN-, AMS- und API-Güten mit elementgenauem Grenzwertvergleich abdeckt, sowie feldübergreifende Konsistenzanalyse einschließlich statistischer Anomalieerkennung.
Das System ist für die reale Dokumentenvielfalt ausgelegt, der Metallhändler begegnen: Die Extraktions-Engine wurde speziell auf vielfältigen globalen Werkszeugnis-Korpora trainiert, um die Formatvariation zu bewältigen, mit der templatebasierte Systeme nicht zurechtkommen. Die Spezifikationsdatenbank wird in einem rollierenden Aktualisierungszyklus gepflegt, der sich an den Revisionszeitplänen von ASTM und EN orientiert. Die PREN-Berechnung erfolgt für Duplexgüten automatisch. Die statistische Anomalieerkennung markiert identische Wertemuster über Chargen hinweg.
Die Demo verwendet Ihre tatsächlichen Zeugnisse. Das ist die einzig aussagekräftige Bewertung: Wenn das System bei den Zeugnissen, die Sie tatsächlich erhalten, präzise extrahiert und validiert, wird es auch in Ihrem Betrieb funktionieren. Buchen Sie Ihre Evaluierungsdemo auf testcert.io — bringen Sie Ihre anspruchsvollsten Zeugnisse mit.