Ich habe eine KI gebaut, die den schwarzen Kunststoff rettet, den Recycler wegwerfen. Der Klassifikator war der einfache Teil.
Ruß (Carbon Black) absorbiert im gesamten Nahinfrarotbereich, sodass eine schwarze Polypropylen-Schale auf einem schwarzen Förderband für jeden optischen NIR-Sortierer auf dem Markt ein signalfreies Nichts darstellt – die Klasse von Maschinen wie TOMRA Autosort, Machinex und Pellenc, die weltweit die Recyclinglinien betreiben. Der Sortierer kann das Objekt überhaupt nicht erkennen, sodass es in den Restmüll und schließlich auf die Deponie fällt. Je nach Stoffstrom machen genau auf diese Weise verloren gehende schwarze Kunststoffe 3 bis 15 Prozent des Abfalls aus; bei einer Anlage mit 50.000 Tonnen Jahreskapazität und 5 Prozent Schwarzanteil entspricht das etwa 2.500 Tonnen rückgewinnbarem Material pro Jahr – ein Potenzial in der Größenordnung von 2,2 bis 2,7 Millionen Euro jährlich (WP45-Recherche, 2026). Einen Großteil dieser Entwicklung verbrachte ich in der Annahme, die spannende Aufgabe sei es, diesen Kunststoff sichtbar zu machen. Das war sie auch – für etwa eine Woche. Dann zeigte sich das eigentliche Problem, und es lag überhaupt nicht am Modell.
Die Demo, die ich gebaut habe, heißt Assay und ist abrufbar unter https://veriprajna.com/demos/materials-recovery-ai. Bevor ich irgendetwas anderes sage, sollte ich klarstellen, was daran echt ist – denn jede Demo in diesem Bereich gerät in Versuchung, diese Grenze zu verwischen. Die Spektren sind synthetisch und stammen von einem physikbasierten Emulator, der als Stellvertreter für einen Specim-FX50-Sensor dient, und der pneumatische Auswerfer ist ein protokollierter Stub. Was echt ist, sind der Klassifikator, die Gates, die Policy-Prüfung und die Evaluationszahlen. Den synthetischen Teil habe ich ganz bewusst gebaut: Denn der Fall, der darüber entscheidet, ob sich ein Ballen verkaufen lässt, ist der uneindeutige, kontaminierte Fall mit PVC im Stoffstrom, den eine saubere Laborerfassung so gut wie nie liefert.
Die Woche, in der ich versuchte, das falsche Rennen zu gewinnen
Ich begann diese Entwicklung so, wie es wohl die meisten tun würden: als Wettlauf um Genauigkeit. Das Framing, mit dem jeder an das Recycling von schwarzem Kunststoff herangeht, ist eine Zahl: Bringt man den Klassifikator von der NIR-blinden Null auf das Labor-Vorzeigeergebnis von fast 99 Prozent, hat man den blinden Fleck des Recyclings gelöst. Also baute ich zuerst die Sensorik-Physik auf. Ruß dämpft das Signal im mittleren Infrarotbereich (MWIR) zwar ab, löscht es jedoch nicht aus – und genau dieser Unterschied eröffnet die gesamte Chance. Im MWIR-Band von 2,7 bis 5,3 Mikrometern hinterlässt jedes Polymer nach wie vor einen diagnostischen Fingerabdruck: das aliphatische Kohlenstoff-Wasserstoff-Dublett bei PP und PE, der aromatische Ring bei PS, die Nitril-Streckschwingung bei ABS, das chlorbenachbarte Merkmal bei PVC. Ich habe ein kleines eindimensionales Convolutional Network (1D-CNN) in NumPy von Hand geschrieben: drei Faltungsschichten mit anschließendem Pooling, zwei dichte Schichten und eine Softmax über PP, PE, PS, ABS und PVC – mit echtem Forward- und Backpropagation-Durchlauf, Adam-Optimierer und einem Temperaturkalibrierungsschritt. Es läuft als reiner numerischer Code auf einem rund 5 Millisekunden schnellen Hot-Path. Kein Large Language Model trifft hier irgendeine Entscheidung. Es ist Arithmetik, die man direkt nachvollziehen kann.
Und es funktionierte – auf ehrlichem Niveau. Auf einem zurückgehaltenen, anspruchsvolleren Teststrom von 1.700 Objekten, der bewusst verschmutzter war als die Trainingsdaten, erreicht es eine ausgewogene Genauigkeit (Balanced Accuracy) von 0,894. Damit liegt es direkt neben dem Peer-Review-Feld-Benchmark von 83,4 Prozent für MWIR-Klassifikation auf echtem Abfall (Resources, Conservation & Recycling, Januar 2026), gestützt durch eine interpretierbare Peak-Verhältnis-Regel bei 0,668 darunter, damit das Netzwerk nicht seine eigenen Hausaufgaben benotet. Das ist ein solider Wert auf einer schwierigen Verteilung. Es sind nicht die 99 Prozent aus dem Labor, und ich habe früh entschieden, niemals so zu tun, als ob.
Hier ist der Punkt, der mich innehalten ließ: Ich saß vor diesem Wert von 0,894 und fragte mich, was eine Recyclinganlage damit anfangen würde. Die Antwort war: nichts. Eine Wertstoffsortieranlage kauft niemals eine Genauigkeitskennzahl. Das Einzige, wofür sie bezahlt, ist ein Ballen, der die Spezifikation erfüllt.
Der Schalter, der die gesamte Entwicklung neu ordnete
Der Wendepunkt der Entwicklung war ein Umschalter, den ich fast wie einen Nebengedanken einbaute. Die APR Model Bale Spec für recyceltes Polypropylen der Güteklasse A (Grade A) ist konkret und unbarmherzig: mindestens 97 Prozent PP und nicht mehr als 0,5 Prozent PVC. Ein Ballen, der die Spezifikation verfehlt, bedeutet eine abgewiesene Fuhre, Gebühren für die Umleitung auf die Deponie und einen nachgelagerten Recycler, der einem weniger vertraut. Also verdrahtete ich ein einzelnes Steuerelement auf dem Dashboard – ein Konfidenz-Gate, das man ein- oder ausschalten kann – und ließ das identische Modell auf demselben Materialstrom auf beide Weisen laufen, um zu sehen, was das Gate allein wert war.
Bei eingeschaltetem Gate werden Objekte mit geringer Konfidenz – mehrschichtige Laminate und kontaminierte Fragmente, deren Spektren zu keinem einzelnen Polymer passen – bei einem Softmax-Schwellenwert von 0,86 für die manuelle Qualitätskontrolle (QC) zurückgehalten, statt auf gut Glück in den Ballen geraten zu werden. Und jedes PVC-verdächtige Objekt oberhalb eines bewusst niedrig angesetzten Schwellenwerts wird sofort strikt abgewiesen. Bei Demo-Seed 11 misst dieser gegatete Ballen 99,2 Prozent PP ohne jedes durchrutschende PVC, und auf dem Zertifikat steht: PASS, APR Grade A.
Dann legte ich denselben Schalter um und schaltete das Gate aus, sodass der Klassifikator einfach seine beste Schätzung für jedes Objekt übernimmt – naives Argmax, ohne Rückhaltung. Derselbe Materialstrom. Dieselben Gewichte. Der Ballen weist nun 94,2 Prozent PP bei 1,94 Prozent PVC auf, und das Zertifikat springt auf REJECTED – über dem Grenzwert von 0,5 Prozent PVC, der die Güteklasse definiert.
Ich hatte einen Klassifikator gebaut. Doch was ich vor mir sah, war der Beweis, dass der Klassifikator nie das war, was einen Ballen verkaufsfähig machte. Es waren die Enthaltung (Abstain), die strikte PVC-Abweisung und die deterministische Policy-Prüfung. Das Modell hatte sich zwischen diesen beiden Screenshots nicht verändert. Die Garantie-Infrastruktur um das Modell herum hatte sich verändert – und das war der Unterschied zwischen einem einreichungsfähigen Grade-A-Ballen und einer Ladung kontaminiertem Mahlgut.
Warum ich PVC zu einer asymmetrischen Entscheidung gemacht habe
Ich habe PVC ganz bewusst anders behandelt als alles andere, und die Begründung dafür sollte man klar aussprechen. Ein falsch-negativer PVC-Befund in einem PP-Ballen ist kein kleiner Fehler: Es handelt sich um eine Chlorkontamination, die eine gesamte nachgelagerte Schmelze zunichtemachen kann. Daher wiegt das Gate PVC nicht symmetrisch gegen die anderen Klassen ab. Jedes Objekt, das vom Netzwerk auch nur im Ansatz als PVC-verdächtig eingestuft wird, wird als Chlorrisiko strikt abgewiesen. Das bedeutet, dass ich in Kauf nehme, echtes PP zu verwerfen, um sicherzustellen, dass kein PVC mitgeschleppt wird. Das sind Kosten, und ich wollte, dass die Demo diese Kosten offenlegt, statt sie zu verschleiern. Über eine Evaluation von 60 Ballen mit kalibriertem Gate leitet das System rund 12,6 Prozent der Objekte an die manuelle Qualitätskontrolle weiter und erfasst etwa 99,8 Prozent des PVC – mit einem einzigen durchrutschenden PVC-Teil über alle 60 Ballen hinweg –, während etwa 71,2 Prozent des PP-Stroms zurückgewonnen werden. Es leitet mehr Material an einen Menschen weiter, als es ein naives System tun würde, und es gewinnt weniger zurück, als es ein perfektes System täte – und es spricht das offen aus. Ein Rückgewinnungssystem, das seine eigene Reinheit schönredet, hat bei der einzigen Aufgabe, für die es existiert, bereits versagt.
Die Falle bei diesem gesamten Konzept besteht darin, dass Enthaltung wie Schwäche wirkt. Wenn ich Ingenieuren den Stapel für die manuelle Qualitätskontrolle zeige, ist die spontane Reaktion oft die Frage, warum ich den Schwellenwert nicht einfach anhebe, um mehr zurückzugewinnen. Doch was an einer Sortierlinie entschieden wird, ist nicht, wie gut die durchschnittliche Schätzung ist. Es geht darum, ob eine Chlorbombe in einen Grade-A-Ballen gelangt – und diese Entscheidung will man keinem stochastischen Modell überlassen. Man will eine Regel, die das Modell nicht überstimmen kann.
Die Zahl, für die ich mich auf der Anzeigetafel entschieden habe
Bei der Zahl auf der Anzeigetafel traf ich eine Entscheidung, deren Beibehaltung mich Überwindung kostete. 0,894 ist die Zahl, die auf einem verschmutzten, zurückgehaltenen Teststrom der Wahrheit entspricht. Fast 99 Prozent ist die Zahl, die sich verkauft – der Wert aus einer sauberen Specim-Laborerfassung –, und ich hätte ihn zitieren und die Leute in diesem Glauben lassen können. Stattdessen habe ich das Benchmark-Panel direkt in die Demo integriert: Unsere 0,894 steht direkt neben der interpretierbaren Baseline von 0,668 und dem Peer-Review-Feldwert von 83,4 Prozent, sodass jeder genau sehen kann, wo wir stehen – und dass wir nicht den Labor-Spitzenwert für uns beanspruchen.
Das Panel zeigt die Zahl, auf die es wirklich ankommt – und das ist nicht die Genauigkeit. Über 40 zufällige Ballen aus dem anspruchsvollen Materialstrom hinweg erfüllt der gegatete Ballen APR Grade A in etwa 85 Prozent der Fälle, während der Ballen ohne Gate dies nur in etwa 22,5 Prozent der Fälle schafft. Lesen Sie diese beiden Belege sorgfältig, denn es handelt sich um unterschiedliche Messungen, die ich ganz bewusst getrennt halte: Der Vergleich 99,2 gegenüber 94,2 ist ein einzelner konkreter Ballen bei Demo-Seed 11, und 85 gegenüber 22,5 ist der Gesamtwert über 40 zufällige Ballen. Der einzelne Ballen ist die anschauliche Fassung, das Aggregat ist die ehrliche Fassung – und die Geschichte stimmt nur deshalb, weil beide in dieselbe Richtung weisen. Ein Modell mit 0,894 wird zu einem Ballen, der die Prüfung meistens besteht, oder zu einem Ballen, der meistens durchfällt – und das hängt einzig und allein davon ab, ob das Gate im Regelkreis eingebunden ist.
Was ich nicht länger als Upselling verkaufte
Ich habe die Rechenseite so aufgebaut, dass sie gegen meine eigene Rechnung argumentiert – und das hat mich mehr überrascht, als es sollte. Die Latenzberechnung ist simpel: Der Versatz des Druckluftstoßes entspricht der Bandgeschwindigkeit multipliziert mit der Latenz von der Erkennung bis zum Auslösen, und die Architektur reicht nur dann aus, wenn dieser Stoß nicht mehr als etwa vier Ausblasdüsenabstände umfasst – schmal genug, um die Reinheit zu wahren. Bei den 3,0 Metern pro Sekunde der Anlage erzeugt eine optimierte Edge-GPU (eine Jetson AGX Orin unter TensorRT mit 14 Millisekunden) einen 42-Millimeter-Stoß, der etwa 3,4 Düsenabstände abdeckt – voll im Zielfenster. Daher empfiehlt die Engine die GPU und stellt unmissverständlich fest, dass ein FPGA bei dieser Bandgeschwindigkeit nicht gerechtfertigt ist, was rund 32.000 Euro und 20 Wochen Entwicklungsaufwand spart. Erhöht man die Bandgeschwindigkeit auf über etwa 3,6 Meter pro Sekunde, überschreitet der GPU-Stoß die Vier-Düsen-Grenze – und erst dann schlägt die Empfehlung auf ein FPGA um. Sie empfiehlt die günstigere Hardware, wann immer es die Physik erlaubt, obwohl das FPGA den höheren Umsatz brächte. Ich wollte keine Demo, die jeden Käufer zur teuren Option drängt; deshalb habe ich die günstigere Empfehlung zum Standardverhalten gemacht und die Begründung auf dem Bildschirm transparent dargestellt.
Der Teil, der auch ein besseres Modell überdauert
Ich habe keine Sortiermaschine gebaut, und ich möchte das vorsichtig formulieren, denn man könnte dies leicht als Anspruch missverstehen, TOMRA, Steinert oder Machinex zu ersetzen. Das wäre die falsche Interpretation. Assay sitzt hinter Ihrer primären NIR-Sortierung als herstellerneutrale Nebenband-Station, liest den rußhaltigen Reststoffstrom aus, den diese Sortierung bereits aussortiert hat, und lässt die vorgeschaltete Maschine völlig unangetastet. Und der Mehrwert, den es liefert, ist keine Zahl, die veraltet, wenn Modelle besser werden. Jeder Ballen wird mit einem signierten Zertifikat ausgeliefert, das mit SHA-256 gehasht ist und die gemessene Zusammensetzung ausweist: jede APR-Klausel mit Pass oder Fail abgehakt, der Hash des Modells, die Zähler für Enthaltungen und Abweisungen sowie die rückgewonnene Tonnage. Dieser Nachweis ist das Dokument, das eine Anlage rechtssicher abheften kann.
Aus einem konkreten regulatorischen Grund ist das heute wichtiger als noch vor fünf Jahren: Mit dem Greifen der EU-Verpackungsverordnung PPWR (Verordnung 2025/40), dem kalifornischen Gesetz SB 54 und dem RecyClass-Rahmenwerk gelten rußgeschwärzte Verpackungen nur noch dort als recyclingfähig, wo in der Anlage tatsächlich eine MWIR-fähige Sortierung existiert (WP45-Recherche, 2026). Das ist kein Compliance-Anspruch an diese Demo – das Zertifikat ist ein einreichungsfähiger Reinheitsnachweis, kein Konformitätsstempel. Es ist der Kontext dafür, warum sich die Rahmenbedingungen verschieben. In dieser Welt gewinnt die Anlage, die einem Auditor für jeden ausgelieferten Ballen einen revisionssicheren Beleg übergeben kann – nicht diejenige mit dem höchsten Benchmark-Wert auf einer Folie. Vertrauen an einer Sortierlinie muss deterministisch sein, und der deterministische Teil ist genau der Teil, der sich nicht im Klassifikator befindet.
Und wenn Sie lieber zusehen möchten, wie ein gutes Modell einen durchfallenden Ballen liefert, anstatt meine Beschreibung zu lesen: Hier läuft das Ganze durchgängig von Anfang bis Ende.
Wenn Sie sehen möchten, wie ein gutes Modell einen durchfallenden Ballen ausliefert, um dann mit einem einzigen Schalter umzuspringen und einen konformen Ballen zu liefern – die Demo ist abrufbar unter https://veriprajna.com/demos/materials-recovery-ai, wo derselbe Strom auf beide Weisen verarbeitet wird, sodass das Gate die einzige Variable bleibt. Als ich anfing, dachte ich, das schwierige Problem sei, den schwarzen Kunststoff sichtbar zu machen. Ihn sichtbar zu machen, dauerte eine Woche Spektroskopie und ein kleines Netzwerk. Zu beweisen, dass das, was ich zurückgewann, tatsächlich sauber war – und bereit zu sein, sich zu enthalten, abzuweisen und lautstark zu scheitern, wenn es das nicht war –, erforderte alles danach.
