18.09.2020

Wie man auch mit wenig Daten KI-Lösungen nutzen kann

Transfer Learning kann helfen, wenn nicht genug Daten für den Einsatz von KI-Anwendungen zur Verfügung stehen.
/artikel/wie-man-auch-mit-wenig-daten-ki-losungen-nutzen-kann
(c) TRUMPF Maschinen Austria

Daten sind das neue Öl, sagt man – denn nichts zuletzt sind sie der Treibstoff, der den Motor der Künstlichen Intelligenz antreibt. Doch was tun, wenn die nötigen Daten fehlen, um KI-basiert Prognosemodelle, zum Beispiel im industriellen Bereich, effizient nutzen zu können? Hier kann unter anderem eine Methode namens „Transfer Learning“ eingesetzt werden. Beim Transfer Learning bedient man sich vortrainierter Modelle aus anderen Kontexten, wodurch ein Mangel an Trainingsdaten kompensiert und die KI daher günstiger und leichter eingesetzt werden kann. Eingesetzt wird dies in Österreich zum Beispiel beim Software Competence Center Hagenberg (SCCH).

Transfer Learning: Anschaulich illustriert

(c) SCCH

Links: Klassisches Machine Learning from Scratch bei dem für jeden Datensatz mit unterschiedlicher statistischer Charakteristik (z.B. Bilder einer Inspektionskamera für einen speziellen Bauteil) ein eigenes Modell gelernt wird (z.B. um einen Defekt im Bauteil zu erkennen). Das kann bei einem neuen Bauteil welcher nur in kleiner Menge produziert wird zu Problemen führen, da klassische Machine Learning Modelle sehr datenhungrig sind und schlechte Ergebnisse liefern, wenn zu wenige Daten vorhanden sind.

Rechts: Transfer Learning ist eine Erweiterung des klassischen Machine Learning Ansatz, die darauf abzielt Informationen neuer Daten mit Informationen alten Daten derart zu kombinieren, sodass das Problem von zu wenig Information (z.B. zu wenige Inspektionsbilder eines neuen Bauteils) gelöst werden kann.

Industrie als Vorreiter des Transfer Learning

„Seit 2010 setzen wir im Bereich Data Science Methoden des Transfer Learning ein. Vorbild waren Ansätze, mit denen bestehende Daten zur Problemlösung A mittels Künstlicher Intelligenz (KI) auf ein verwandtes Problem B übertragen werden können“, sagt Bernhard Freudenthaler, Area Manager Software Science am SCCH.

Da es kaum Forschung mit Industriedaten gab, hat das SCCH mit Wirtschaftspartnern Testreihen durchgeführt, um Prozessdaten zu generieren, mit denen KI-Systeme schrittweise trainiert werden, korrekte Werte vorherzusagen und damit den Verarbeitungsprozess zu steuern. „Der Vorteil für Industriebetriebe liegt in der Zeiteinsparung. Denn ohne Transfer Learning muss für jede Maschinenkonfiguration das Training der KI wieder von Neuem begonnen werden.

Transfer Learning ist auch Thema im COMET-Projekt Deepred (Deep Learning based Predicictive Analytics and Optimization). Ein Schwerpunkt ist die Unterstützung vieler ähnlicher Prozesse mit dem Ziel, die richtige Lösung ohne teure, umfassende und prozessspezifische Datensammlung zu finden. Dadurch können KI-basierte Produktionsprozesse flexibler gestaltet und Trainingszeiten des KI-Modells im besten Fall ganz vermieden werden“, so Freudenthaler.

Künstliche Intelligenz für die Blechfertigung

In einer Forschungskooperation arbeitet das SCCH außerdem mit dem oberösterreichischen Maschinenbauunternehmen TRUMPF Maschinen Austria zusammen. „Wir sehen diese Entwicklung als große Chance“, sagt dazu Bernhard Fischereder, Leiter Forschung und Entwicklung bei TRUMPF: „Ziel der langfristigen Zusammenarbeit ist es, die Erkenntnisse der aktuellen Forschung zur Künstlicher Intelligenz und Industrie 4.0 in der Blechbearbeitung zu verankern.“

Deine ungelesenen Artikel:
20.07.2026

voidsy: Wie ein Welser DeepTech-Startup den Blick unter die Oberfläche bringt

Das Welser Startup voidsy prüft mit seinem 3D V-ROX-System berührungslos, ob in Compositebauteilen für Luftfahrt, Automotive und Windkraft verborgene Defekte stecken, und macht so sichtbar, was unter der Oberfläche liegt. brutkasten hat das Unternehmen in Wels besucht und mit CEO Holger Plasser über die Technologie und weiteren Wachstumspläne gesprochen.
/artikel/voidsy-wie-ein-welser-deeptech-startup-den-blick-unter-die-oberflaeche-bringt
20.07.2026

voidsy: Wie ein Welser DeepTech-Startup den Blick unter die Oberfläche bringt

Das Welser Startup voidsy prüft mit seinem 3D V-ROX-System berührungslos, ob in Compositebauteilen für Luftfahrt, Automotive und Windkraft verborgene Defekte stecken, und macht so sichtbar, was unter der Oberfläche liegt. brutkasten hat das Unternehmen in Wels besucht und mit CEO Holger Plasser über die Technologie und weiteren Wachstumspläne gesprochen.
/artikel/voidsy-wie-ein-welser-deeptech-startup-den-blick-unter-die-oberflaeche-bringt
Co-Founder und CEO Holger Plasser | (c) Voidsy

Wer voidsy besuchen will, muss in Wels nicht weit gehen. Nur wenige Schritte vom Bahnhof entfernt, in einem unscheinbaren, ehemaligen Bahngebäude, hat das Startup seit dem Sommer 2025 sein Quartier bezogen. In der angeschlossenen Lagerhalle stapeln sich die Test-Bauteile der Kund:innen, manche mehrere Meter lang. Viele bestehen aus jenem Compositematerial, das in der Luft- und Raumfahrt längst Standard ist: Im Inneren verbirgt sich eine feine Wabenstruktur, leicht und zugleich hochfest. Genau auf die zerstörungsfreie Prüfung solcher Materialien hat sich voidsy spezialisiert.

Im Büro hängt, fast wie ein Gruß an die Geschichte des Gebäudes, eine alte Bahnuhr in Blau an der Wand. Der Blick der Besucher:innen fällt aber zuerst auf etwas anderes: die Auszeichnungen entlang der Wand. 2025 holte voidsy beim Oberösterreichischen Landespreis für Innovation in der Kategorie Kleine und mittlere Unternehmen Platz 1, im März 2026 folgte der Österreichische Gründungspreis Phönix in der Kategorie „Startup“. Sichtbare Belege dafür, dass aus der Ausgründung einer Forschungsgruppe der Fachhochschule Oberösterreich in wenigen Jahren ein ernstzunehmender DeepTech-Player geworden ist.

Eine dritte Dimension für die Materialprüfung

Gegründet wurde voidsy 2022 von CEO Holger Plasser gemeinsam mit den drei Co-Gründern Gernot Mayr, Günther Mayr und Gregor Thummerer, alle zuvor wissenschaftliche Mitarbeiter an der FH Oberösterreich am Campus Wels. Mit dem 3D V-ROX hat das Team ein System entwickelt, das Bauteile berührungslos auf innere Defekte untersucht. Die Besonderheit: Während herkömmliche Thermografiesysteme ein zweidimensionales Bild liefern, extrahiert die Software von voidsy eine dritte Dimension. „Damit weiß man nicht nur, dass ein Defekt da ist, sondern auch, in welcher Tiefe er liegt“, erklärt Plasser. Eine essenzielle Information, denn viele Bauteile werden repariert und nicht ersetzt.

(c) Voidsy

Gesucht werden Subsurface-Defekte, also Unregelmäßigkeiten unter der Oberfläche. Bei Compositematerialien sind das etwa Porosität, die in der Fertigung entsteht, oder Delaminationen, bei denen sich einzelne Materiallagen voneinander lösen, ausgelöst beispielsweise durch Vogelschlag oder Hagel. „Das Tückische ist, dass die Oberfläche nach dem Aufprall zurückfedert und mit freiem Auge nichts zu erkennen ist“, so Plasser. Im Inneren kann die Festigkeit aber kritisch geschwächt sein.

Mobil bis zum 110-Meter-Rotorblatt

Weil das System mobil ist, kann voidsy auch dort prüfen, wo Bauteile nicht ins Labor passen. In Frankreich und Spanien etwa inspiziert das Unternehmen Rotorblätter von Windturbinen, bei Offshore-Anlagen mit einer Länge von bis zu 110 Metern. Fokusmarkt bleibt aber die Luft- und Raumfahrt, wo gesetzliche Vorschriften eine hundertprozentige Prüfung verlangen. 

(c) Voidsy

Seit dem ersten brutkasten-Porträt hat sich einiges getan. Im Juni 2025 erklärte voidsy die CE-Konformität, seither ist das europäische Seriengerät am Markt. Rund 15 Geräte hat das Unternehmen bislang verkauft. Aktuell arbeitet das Team an der UL-Zertifizierung für den US-Markt, wofür eigens Prüfer:innen aus den USA nach Wels anreisen. Patente hält voidsy in Europa, den USA, China, Hongkong und Japan.

Wie die aws-Förderung den Weg geebnet hat

Möglich gemacht hat diesen Weg auch eine durchdachte Förderstrategie. voidsy wurde über die Austria Wirtschaftsservice (aws) gefördert: Den Start machte das Programm aws Preseed DeepTech, mit dem das Startup die Grundlagen für seine Thermografie-Technologie legte. Aktuell befindet sich voidsy im aws Seedfinancing DeepTech. „Das hat uns die Möglichkeit gegeben, das Team so aufzustellen, dass wir den Proof of Concept aus dem Preseed über den Proof of Market hinaus zu den ersten Schritten in Richtung Markt führen konnten“, sagt Plasser.

Das aktuelle Projekt zielt auf die wirtschaftliche Umsetzung des 3D V-ROX-Systems für faserverstärkte Kunststoffe und andere Materialien ab. Aufbauend auf den Erfolgen des aws Preseed DeepTech soll das Seedfinancing die Skalierung und Marktdurchdringung vorantreiben und die industrielle Qualitätskontrolle effizienter und nachhaltiger gestalten. Über die finanzielle Unterstützung hinaus half die aws dem Startup schon früh bei der Ausarbeitung eines Schutzrechtskonzepts und des Geschäftsmodells.

Organisches Wachstum, offen für Gespräche

Den Großteil seines Wachstums finanziert voidsy aus dem Cashflow, organisch und profitabel. „Ich bin ein Freund des organischen Wachstums“, sagt Plasser. Für Investmentgespräche ist man dennoch offen, gerade aus dem US-Verteidigungsumfeld gebe es Interesse. Eine eigene US-Gesellschaft schließt Plasser mittelfristig nicht aus. Die Vision bleibt: einer der führenden Anbieter in der zerstörungsfreien Materialprüfung zu werden.


Der Artikel entstand in Kooperation mit der Austria Wirtschaftsservice (aws).

Toll dass du so interessiert bist!
Hinterlasse uns bitte ein Feedback über den Button am linken Bildschirmrand.
Und klicke hier um die ganze Welt von der brutkasten zu entdecken.

brutkasten Newsletter

Aktuelle Nachrichten zu Startups, den neuesten Innovationen und politischen Entscheidungen zur Digitalisierung direkt in dein Postfach. Wähle aus unserer breiten Palette an Newslettern den passenden für dich.

Montag, Mittwoch und Freitag

AI Summaries

Wie man auch mit wenig Daten KI-Lösungen nutzen kann

  • Daten sind das neue Öl, sagt man – denn nichts zuletzt sind sie der Treibstoff, der den Motor der Künstlichen Intelligenz antreibt.
  • Doch was tun, wenn die nötigen Daten fehlen, um KI-basiert Prognosemodelle, zum Beispiel im industriellen Bereich, effizient nutzen zu können?
  • Hier kann unter anderem eine Methode namens „Transfer Learning“ eingesetzt werden: Beim Transfer Learning bedient man sich vortrainierter Modelle aus anderen Kontexten, wodurch ein Mangel an Trainingsdaten kompensiert und die KI daher günstiger und leichter eingesetzt werden kann.
  • Eingesetzt wird dies in Österreich zum Beispiel beim Software Competence Center Hagenberg (SCCH).
  • Da es kaum Forschung mit Industriedaten gab, hat das SCCH mit Wirtschaftspartnern Testreihen durchgeführt, um Prozessdaten zu generieren, mit denen KI-Systeme schrittweise trainiert werden, korrekte Werte vorherzusagen und damit den Verarbeitungsprozess zu steuern.

AI Kontextualisierung

Welche gesellschaftspolitischen Auswirkungen hat der Inhalt dieses Artikels?

Leider hat die AI für diese Frage in diesem Artikel keine Antwort …

Wie man auch mit wenig Daten KI-Lösungen nutzen kann

  • Daten sind das neue Öl, sagt man – denn nichts zuletzt sind sie der Treibstoff, der den Motor der Künstlichen Intelligenz antreibt.
  • Doch was tun, wenn die nötigen Daten fehlen, um KI-basiert Prognosemodelle, zum Beispiel im industriellen Bereich, effizient nutzen zu können?
  • Hier kann unter anderem eine Methode namens „Transfer Learning“ eingesetzt werden: Beim Transfer Learning bedient man sich vortrainierter Modelle aus anderen Kontexten, wodurch ein Mangel an Trainingsdaten kompensiert und die KI daher günstiger und leichter eingesetzt werden kann.
  • Eingesetzt wird dies in Österreich zum Beispiel beim Software Competence Center Hagenberg (SCCH).
  • Da es kaum Forschung mit Industriedaten gab, hat das SCCH mit Wirtschaftspartnern Testreihen durchgeführt, um Prozessdaten zu generieren, mit denen KI-Systeme schrittweise trainiert werden, korrekte Werte vorherzusagen und damit den Verarbeitungsprozess zu steuern.

AI Kontextualisierung

Welche wirtschaftlichen Auswirkungen hat der Inhalt dieses Artikels?

Leider hat die AI für diese Frage in diesem Artikel keine Antwort …

Wie man auch mit wenig Daten KI-Lösungen nutzen kann

  • Daten sind das neue Öl, sagt man – denn nichts zuletzt sind sie der Treibstoff, der den Motor der Künstlichen Intelligenz antreibt.
  • Doch was tun, wenn die nötigen Daten fehlen, um KI-basiert Prognosemodelle, zum Beispiel im industriellen Bereich, effizient nutzen zu können?
  • Hier kann unter anderem eine Methode namens „Transfer Learning“ eingesetzt werden: Beim Transfer Learning bedient man sich vortrainierter Modelle aus anderen Kontexten, wodurch ein Mangel an Trainingsdaten kompensiert und die KI daher günstiger und leichter eingesetzt werden kann.
  • Eingesetzt wird dies in Österreich zum Beispiel beim Software Competence Center Hagenberg (SCCH).
  • Da es kaum Forschung mit Industriedaten gab, hat das SCCH mit Wirtschaftspartnern Testreihen durchgeführt, um Prozessdaten zu generieren, mit denen KI-Systeme schrittweise trainiert werden, korrekte Werte vorherzusagen und damit den Verarbeitungsprozess zu steuern.

AI Kontextualisierung

Welche Relevanz hat der Inhalt dieses Artikels für mich als Innovationsmanager:in?

Leider hat die AI für diese Frage in diesem Artikel keine Antwort …

Wie man auch mit wenig Daten KI-Lösungen nutzen kann

  • Daten sind das neue Öl, sagt man – denn nichts zuletzt sind sie der Treibstoff, der den Motor der Künstlichen Intelligenz antreibt.
  • Doch was tun, wenn die nötigen Daten fehlen, um KI-basiert Prognosemodelle, zum Beispiel im industriellen Bereich, effizient nutzen zu können?
  • Hier kann unter anderem eine Methode namens „Transfer Learning“ eingesetzt werden: Beim Transfer Learning bedient man sich vortrainierter Modelle aus anderen Kontexten, wodurch ein Mangel an Trainingsdaten kompensiert und die KI daher günstiger und leichter eingesetzt werden kann.
  • Eingesetzt wird dies in Österreich zum Beispiel beim Software Competence Center Hagenberg (SCCH).
  • Da es kaum Forschung mit Industriedaten gab, hat das SCCH mit Wirtschaftspartnern Testreihen durchgeführt, um Prozessdaten zu generieren, mit denen KI-Systeme schrittweise trainiert werden, korrekte Werte vorherzusagen und damit den Verarbeitungsprozess zu steuern.

AI Kontextualisierung

Welche Relevanz hat der Inhalt dieses Artikels für mich als Investor:in?

Leider hat die AI für diese Frage in diesem Artikel keine Antwort …

Wie man auch mit wenig Daten KI-Lösungen nutzen kann

  • Daten sind das neue Öl, sagt man – denn nichts zuletzt sind sie der Treibstoff, der den Motor der Künstlichen Intelligenz antreibt.
  • Doch was tun, wenn die nötigen Daten fehlen, um KI-basiert Prognosemodelle, zum Beispiel im industriellen Bereich, effizient nutzen zu können?
  • Hier kann unter anderem eine Methode namens „Transfer Learning“ eingesetzt werden: Beim Transfer Learning bedient man sich vortrainierter Modelle aus anderen Kontexten, wodurch ein Mangel an Trainingsdaten kompensiert und die KI daher günstiger und leichter eingesetzt werden kann.
  • Eingesetzt wird dies in Österreich zum Beispiel beim Software Competence Center Hagenberg (SCCH).
  • Da es kaum Forschung mit Industriedaten gab, hat das SCCH mit Wirtschaftspartnern Testreihen durchgeführt, um Prozessdaten zu generieren, mit denen KI-Systeme schrittweise trainiert werden, korrekte Werte vorherzusagen und damit den Verarbeitungsprozess zu steuern.

AI Kontextualisierung

Welche Relevanz hat der Inhalt dieses Artikels für mich als Politiker:in?

Leider hat die AI für diese Frage in diesem Artikel keine Antwort …

Wie man auch mit wenig Daten KI-Lösungen nutzen kann

  • Daten sind das neue Öl, sagt man – denn nichts zuletzt sind sie der Treibstoff, der den Motor der Künstlichen Intelligenz antreibt.
  • Doch was tun, wenn die nötigen Daten fehlen, um KI-basiert Prognosemodelle, zum Beispiel im industriellen Bereich, effizient nutzen zu können?
  • Hier kann unter anderem eine Methode namens „Transfer Learning“ eingesetzt werden: Beim Transfer Learning bedient man sich vortrainierter Modelle aus anderen Kontexten, wodurch ein Mangel an Trainingsdaten kompensiert und die KI daher günstiger und leichter eingesetzt werden kann.
  • Eingesetzt wird dies in Österreich zum Beispiel beim Software Competence Center Hagenberg (SCCH).
  • Da es kaum Forschung mit Industriedaten gab, hat das SCCH mit Wirtschaftspartnern Testreihen durchgeführt, um Prozessdaten zu generieren, mit denen KI-Systeme schrittweise trainiert werden, korrekte Werte vorherzusagen und damit den Verarbeitungsprozess zu steuern.

AI Kontextualisierung

Was könnte das Bigger Picture von den Inhalten dieses Artikels sein?

Leider hat die AI für diese Frage in diesem Artikel keine Antwort …

Wie man auch mit wenig Daten KI-Lösungen nutzen kann

  • Daten sind das neue Öl, sagt man – denn nichts zuletzt sind sie der Treibstoff, der den Motor der Künstlichen Intelligenz antreibt.
  • Doch was tun, wenn die nötigen Daten fehlen, um KI-basiert Prognosemodelle, zum Beispiel im industriellen Bereich, effizient nutzen zu können?
  • Hier kann unter anderem eine Methode namens „Transfer Learning“ eingesetzt werden: Beim Transfer Learning bedient man sich vortrainierter Modelle aus anderen Kontexten, wodurch ein Mangel an Trainingsdaten kompensiert und die KI daher günstiger und leichter eingesetzt werden kann.
  • Eingesetzt wird dies in Österreich zum Beispiel beim Software Competence Center Hagenberg (SCCH).
  • Da es kaum Forschung mit Industriedaten gab, hat das SCCH mit Wirtschaftspartnern Testreihen durchgeführt, um Prozessdaten zu generieren, mit denen KI-Systeme schrittweise trainiert werden, korrekte Werte vorherzusagen und damit den Verarbeitungsprozess zu steuern.

AI Kontextualisierung

Wer sind die relevantesten Personen in diesem Artikel?

Leider hat die AI für diese Frage in diesem Artikel keine Antwort …

Wie man auch mit wenig Daten KI-Lösungen nutzen kann

  • Daten sind das neue Öl, sagt man – denn nichts zuletzt sind sie der Treibstoff, der den Motor der Künstlichen Intelligenz antreibt.
  • Doch was tun, wenn die nötigen Daten fehlen, um KI-basiert Prognosemodelle, zum Beispiel im industriellen Bereich, effizient nutzen zu können?
  • Hier kann unter anderem eine Methode namens „Transfer Learning“ eingesetzt werden: Beim Transfer Learning bedient man sich vortrainierter Modelle aus anderen Kontexten, wodurch ein Mangel an Trainingsdaten kompensiert und die KI daher günstiger und leichter eingesetzt werden kann.
  • Eingesetzt wird dies in Österreich zum Beispiel beim Software Competence Center Hagenberg (SCCH).
  • Da es kaum Forschung mit Industriedaten gab, hat das SCCH mit Wirtschaftspartnern Testreihen durchgeführt, um Prozessdaten zu generieren, mit denen KI-Systeme schrittweise trainiert werden, korrekte Werte vorherzusagen und damit den Verarbeitungsprozess zu steuern.

AI Kontextualisierung

Wer sind die relevantesten Organisationen in diesem Artikel?

Leider hat die AI für diese Frage in diesem Artikel keine Antwort …

Wie man auch mit wenig Daten KI-Lösungen nutzen kann

  • Daten sind das neue Öl, sagt man – denn nichts zuletzt sind sie der Treibstoff, der den Motor der Künstlichen Intelligenz antreibt.
  • Doch was tun, wenn die nötigen Daten fehlen, um KI-basiert Prognosemodelle, zum Beispiel im industriellen Bereich, effizient nutzen zu können?
  • Hier kann unter anderem eine Methode namens „Transfer Learning“ eingesetzt werden: Beim Transfer Learning bedient man sich vortrainierter Modelle aus anderen Kontexten, wodurch ein Mangel an Trainingsdaten kompensiert und die KI daher günstiger und leichter eingesetzt werden kann.
  • Eingesetzt wird dies in Österreich zum Beispiel beim Software Competence Center Hagenberg (SCCH).
  • Da es kaum Forschung mit Industriedaten gab, hat das SCCH mit Wirtschaftspartnern Testreihen durchgeführt, um Prozessdaten zu generieren, mit denen KI-Systeme schrittweise trainiert werden, korrekte Werte vorherzusagen und damit den Verarbeitungsprozess zu steuern.