KI-Praxisnachweis · ArbeitsprobeVom Bildarchiv zum
intelligenten Arbeitskatalog
Ein reales KI-Projekt zwischen Vektorsuche, Kuration und Content-Prozess. Produktiv im Einsatz auf stefanfranke.eu.
Kurz erklärt
Mein Ausgangspunkt: Über 80.000 eigene Fotos aus 15 Jahren. Wenn ich ein bestimmtes Bild brauchte, habe ich gesucht wie im Heuhaufen.
Was ich umgesetzt habe: Ein System, das jedes meiner Bilder automatisch beschreibt und verschlagwortet. Ich suche in normaler Sprache, etwa „ruhige Stimmung, Abendlicht“, und bekomme passende Serien-Vorschläge gleich dazu.
Mein Ergebnis: Aus meinem passiven Archiv wurde ein Arbeitswerkzeug, das ich seit Monaten täglich nutze. Die KI übernimmt die Fleißarbeit, die Auswahl und Freigabe behalte ich.
Die Kapitel darunter zeigen, wie das funktioniert und welche Entscheidungen dahinterstehen.
Ausgangslage
Das Problem war kein Speicherproblem
Aufnahmen im Lightroom-Archiv, gewachsen seit 2010. Rund 1.900 davon liegen heute im Media Pool, der Bestand wandert laufend nach.
- Ordner kennen Datum und Ablageort. Sie kennen weder Bedeutung noch Bildwirkung oder Zusammenhang.
- Manuelle Verschlagwortung skaliert nicht. Sie bricht genau dann ab, wenn der Bestand wächst.
- Ein Bestand ohne Zugriff ist ein Lager, kein Werkzeug.
Dieselbe Frage stellt sich bei Produktdaten, Dokumentationen und Servicewissen: wie wird aus einem passiven Lager ein aktives Werkzeug?
Denkmodell
Vier Verarbeitungsebenen statt einer Universal-KI
„Nahaufnahme von Sandrippeln in einer Düne“ · sand, düne, textur, wellenmuster, abendlicht
Jede Teilfrage bekommt das Werkzeug, das sie beantworten kann. Kein Modell beantwortet alle vier gleich gut.
Architektur
Eine bewusste Kombination, keine Werkzeugliste
Analyse beim Upload
Gemini
Sprachliche Bildanalyse
Zugekauft, pro Bild bezahlt
SigLIP 2
Vektorisierung
Selbst gehostet auf einem VPS in Deutschland
pHash
Identitätsprüfung
In der Anwendung, Laufzeit in Millisekunden
Datenfluss
Upload
Lightroom-Plugin, Browser, Telefon
Cloudflare R2
Bildspeicher, skalierbar und günstig
Supabase · Postgres mit pgvector
Metadaten, Vektoren, Filter, Ähnlichkeit
Next.js auf Vercel
Anwendung, Admin und Ausspielung
Die Aufteilung folgt Kosten, Datenfluss, Laufzeit und Betriebsverantwortung: Sprachverstehen kaufe ich ein, die wiederkehrende Vektorisierung hoste ich selbst, die Identitätsprüfung bleibt in der Anwendung.
Prozess
Vom Upload bis zur Veröffentlichung
Hochladen
Bilder kommen aus Lightroom, aus dem Browser oder vom Telefon in den Pool.
Sofort analysieren
Beschreibung, Tags, Kurationsachsen und pHash entstehen in Sekunden.
Nachts verdichten
Der Nachtlauf ergänzt Embeddings, rechnet Cluster und schlägt Serien vor.
Kandidaten finden
Semantische Suche, Ähnlichkeit und Cluster reduzieren den Bestand auf eine Handvoll Bilder.
Kuratieren
Ich prüfe, korrigiere, ordne und entscheide. Ohne diesen Schritt geht nichts weiter.
Veröffentlichen
Freigegebene Bilder fließen in Serien, Beiträge, Sammlungen und auf die Website.
KI schlägt vor. Der Mensch entscheidet.
Erst diese Trennung macht das Ergebnis belastbar: das System verkleinert den Suchraum, das Urteil bleibt beim Menschen.
Verantwortung und Umsetzung
Meine Rolle im Projekt
Ich habe das Projekt fachlich konzipiert und gesteuert: vom Ausgangsproblem über die Produktlogik bis zur Qualitätsprüfung im laufenden Betrieb.
KI-gestützte technische Umsetzung
Die Anwendung entstand iterativ im Dialog mit Claude Code. Ich formulierte Anforderungen, entschied über Architektur und Prozesse, prüfte Ergebnisse und integrierte die Komponenten.
Problem und Zielbild
Bedarf aus dem eigenen Arbeitsalltag analysiert und Erfolgskriterien für Suche, Kuration und Veröffentlichung festgelegt.
Fach- und Prozesskonzept
Den vollständigen Ablauf vom Upload bis zur menschlichen Freigabe entworfen und auf einen realistischen Betrieb ausgerichtet.
Architekturentscheidungen
KI-Bausteine nach Aufgabe, Kosten, Datenfluss, Laufzeit und Betriebsverantwortung ausgewählt und kombiniert.
Umsetzungssteuerung
Anforderungen präzisiert, Zwischenstände getestet, Fehlerbilder eingegrenzt und die Lösung iterativ weiterentwickelt.
Qualität und Betrieb
Reale Daten geprüft, Schwächen dokumentiert, Datenzugriffe begrenzt und den Human-in-the-Loop-Prozess verankert.
Methoden im Projekt
Werkzeuge im Projekt
Mein Beitrag liegt an der Schnittstelle von Fachbedarf, Technologie und verantwortbarer Anwendung.
Entscheidungen und Grenzen
Die Qualität liegt auch in dem, was das System nicht tut
Vokabular statt Freitext
Freie Tags werden normalisiert, feste Achsen verhindern auseinanderlaufende Begriffe.
Zwei getrennte Räume
Bildähnlichkeit und Textbedeutung werden getrennt bewertet, weil ein Modell nicht jede Frage gleich gut beantwortet.
Gemessene Schwächen
Bilder, die zu vielen Suchen zu gut passen, werden erkannt und im Ranking gedämpft.
Daten mit Grenze
Kundenbilder bleiben vom KI-Analysepfad getrennt, RAW-Originale bleiben im lokalen Archiv.
Bewusst offen gehalten
Parameter bleiben konfigurierbar und werden mit wachsendem Bestand neu bewertet.
Übertrag
Was davon auf Geschäftsprozesse übertragbar ist
| Media Pool | Übertragbarer Geschäftskontext |
|---|---|
| Bilder und Metadaten | Produkte, Dokumentationen und Servicewissen |
| Semantische Bildsuche | Natürlichsprachliche Produkt- und Wissenssuche |
| Kontrollierte Kurationsachsen | Produktattribute, Rollen und Geschäftsregeln |
| Cluster und Ähnlichkeit | Produktfamilien, Themen und wiederkehrende Fälle |
| Menschliche Kuration | Fachliche Prüfung und Freigabe |
| Publishing in Kanäle | Übergabe an Shop, CRM, Service oder Vertrieb |
Das übertragbare Prinzip
Prozess zuerst. Spezialisierte KI-Bausteine kombinieren statt ein Modell für alles. Datenzugriffe kontrollieren. Die Entscheidung dort lassen, wo die Verantwortung liegt.
Das Projekt ist kein B2B-System und behauptet das auch nicht. Übertragbar ist das Vorgehen: ein unstrukturierter Bestand wird zugänglich gemacht, ohne die fachliche Entscheidung aus der Hand zu geben.
Der Bilddatenpool ist ein Beispiel
Mehr KI-Praxis. Und die Perspektive dahinter.
Wie ich Kundenprozesse, Produktbilder und Arbeitswissen angehe, was ich daraus gelernt habe und wie ich auf die Zukunft der Arbeit blicke.
KI-Praxis & Perspektive ansehen →Zum Mitnehmen
Dieselbe Seite gibt es als Arbeitsprobe im PDF-Format.
Stefan Franke · Media Pool · Arbeitsprobe KI-Praxis