Am 5. November 2025 fand am Zentralinstitut für Arbeitsmedizin und Maritime Medizin (ZfAM) in Hamburg ein entscheidender Workshop zur nächsten Entwicklungsphase des Projekts AI-healthy ship statt. Nach der erfolgreichen ersten Borduntersuchung ging es diesmal um das Herzstück des Projekts – die Konzeption des Machine-Learning-Systems, das im Projekt die prädiktive KI bildet.
Beteiligt waren das Team des ZfAM sowie das Entwickler:innen-Team von Lionizers, das maßgeblich an der technischen Umsetzung arbeitet. Die Convis Consult & Marketing GmbH sicherte die Moderation des Workshops.
Vom Datenpunkt zum lernenden System
Ziel des Workshops war es, die Architektur einer prädiktiven KI zu definieren, die auf Basis von Sensor-, App- und Kontextdaten individuelle Muster erkennt und daraus Empfehlungen für das Wohlbefinden von Seeleuten an Bord ableitet.
In mehreren interaktiven Arbeitsblöcken wurden die bisherigen Ergebnisse, die notwendigen technischen Parameter sowie die ethischen Rahmenbedingungen zusammengeführt.
Ergebnisse aus den drei Themenblöcken des Workshops
Block 1 – Rückblick und Erkenntnisse aus der ersten Borduntersuchung (ZfAM)
Das ZfAM-Team präsentierte die wichtigsten Erfahrungen der ersten Seereise. Die App SeaWell konnte auf 17 von 20 verfügbaren Geräten erfolgreich installiert und genutzt werden. Dabei wurden sowohl Sensordaten (z. B. Lärm, Bewegung, Schlafdauer) als auch subjektive Bewertungen des Wohlbefindens erfasst. Das Team stellte fest, dass die technische Stabilität gegeben ist, jedoch noch Potenzial in der Nutzerführung und Motivation besteht. Zudem zeigte sich, dass Unterschiede in der Technikaffinität der Crew sowie kulturelle Erwartungen – etwa der Wunsch nach stärker personalisierten Inhalten – die Nutzung beeinflussen. Als weitere wichtige Erkenntnis wurde deutlich, dass Installation und Setup künftig deutlich einfacher funktionieren müssen, damit die App auch ohne Begleitteam zuverlässig eingesetzt werden kann. Diese ersten Datensätze liefern die Grundlage, um das Konzept der prädiktiven Auswertung und die Struktur des Machine-Learning-Modell zu entwerfen.
Block 2 – Technische Architektur, Parameterbewertung und Machine-Learning-Modell (Lionizers)
Im zweiten Teil stand die methodische und technische Umsetzung im Fokus. Zunächst wurden alle verfügbaren Parameter – von Sensordaten über Wearables bis zu Befragungen über die App – gemeinsam bewertet. Ziel war es, die für das angestrebte Machine-Learning-Modell im Projekt AI-healthy ship relevanten Variablen zu identifizieren und die Mindestanzahl an Datensätzen zu bestimmen, die für ein valides Training notwendig sind. Die Arbeitsgruppe kam zu einem vorläufigen Ergebnis, dass etwa 10 000 bis 15 000 vollständige Event-Datensätze (bestehend aus Sensor, App und Kontextdaten) erforderlich sind, um belastbare prädiktive Aussagen zu treffen.
Anschließend wurden verschiedene Optionen für die Systemarchitektur diskutiert – von regelbasierten Ansätzen bis hin zu datengetriebenen Verfahren. Im Ergebnis verständigte sich die Arbeitsgruppe darauf, das Machine-Learning-Modell auf Basis der durch das Mini-Modell erzeugten, strukturierten Trainingsdaten zu entwickeln. Ein zentrales Ergebnis war zudem der Human-in-the-Loop-Ansatz: Die Crew bewertet vorgeschlagene Interventionen, während Wissenschaftler:innen diese Rückmeldungen analysieren, validieren und das Modell während der Projektentwicklung fortlaufend anpassen.
Block 3 – Ethische Rahmenbedingungen und Transparenz (ZfAM)
Im dritten Block wurden die Anforderungen zu Datenschutz, Einwilligung, Transparenz und Erklärbarkeit für KI-gestützte Systeme zusammengefasst und auf das Projekt übertragen. Ein Schwerpunkt liegt auf der revisionssicheren Dokumentation der Einwilligungen, dem Prinzip der Explainable AI (XAI) zur verständlichen Darstellung modellbasierter Empfehlungen sowie der klaren Trennung zwischen automatisierten Empfehlungen und menschlicher Bewertung. Transparenz ist dabei nicht nur regulatorische Pflicht, sondern stärkt auch das Vertrauen der Seeleute und fördert die Nutzung der App.
Das Konzept der prädiktiven KI – vier verbundene Module
Die in den Workshops erarbeiteten Ergebnisse wurden anschließend in einem Schema zusammengeführt, das den geplanten Lernkreislauf des Systems beschreibt.
1. Datenerfassung und Mini-Modell
Sensoren, Wearables und Schiffsdaten liefern kontinuierlich Informationen zu Lärm, Bewegung, Schlaf und Umgebung. Ein regelbasiertes „Mini-Modell“ prüft erste Zusammenhänge und bildet die Basis für das spätere Training.
2. SeaWell-App und Crew-Feedback
Die Crew erhält individuelle Empfehlungen für Gesundheitsmaßnahmen und bewertet deren Nützlichkeit, Motivation und Einfluss auf das Wohlbefinden. Diese Rückmeldungen werden in Echtzeit gesammelt und als Trainingssignale in das System eingespeist.
3. Machine Learning
Das System verknüpft die im Projekt definierten Events – also strukturierte Einheiten aus Sensor-, App- und Kontextinformationen – und erkennt darin Muster, die auf Zustände wie Fatigue hinweisen können. Das Machine-Learning-Modell lernt dabei schrittweise, welche Faktoren mit bestimmten Zuständen zusammenhängen, und liefert Hinweise darauf, welche Maßnahmen in welchem Kontext voraussichtlich hilfreich sein könnten.
4. Wissenschaft & KI-Training
Forschende analysieren die Modellresultate, validieren und identifizieren neue Einflussfaktoren. Die gewonnenen Erkenntnisse fließen in das nächste Trainingsintervall ein – so entsteht ein kontinuierlicher Lernzyklus zwischen Praxis, KI und Forschung.
Nächste Schritte
Nach dem intensiven Workshop startet das Konsortium jetzt in die Vorbereitung der zweiten Borduntersuchung. Dabei geht es vor allem darum, die bisherigen Erkenntnisse direkt in die Praxis zu bringen.
Damit die App und das Sensorsystem künftig stabil und ohne Begleitteam an Bord laufen können, werden Datensynchronisation und Installation optimiert. Außerdem wird das Mini-Modell so weiterentwickelt, dass erste prädiktive Tests möglich sind – also die KI zum ersten Mal beginnt, aus den Daten der Crew zu lernen.
Parallel entstehen neue Export- und Analysefunktionen, die dafür sorgen, dass alle Daten im gleichen Format vorliegen. Das ist entscheidend, damit das Machine-Learning-Modell später schnell und zuverlässig trainiert werden kann.
Glossar
Machine Learning (ML) – Teilgebiet der KI, das Muster und Zusammenhänge in Daten erkennt, um daraus Prognosen oder Empfehlungen zu generieren.
Prädiktive KI – KI-System, das zukünftige Zustände oder Ereignisse vorhersagt – im Projekt SeaWell‑: das Wohlbefinden der Crew.
Human in the Loop (HiTL) – Prinzip, bei dem Menschen aktiv am Lernprozess der KI beteiligt sind – durch Feedback, Bewertung und Validierung.
Event – Kombination aus Sensordaten, App-Interaktionen und Crew-Feedback, die als Lerneinheit für das Machine‑Learning-Modell‑ dient.
