KI-gesteuerte Unterwasserkameras identifizieren Fische in Echtzeit im Netz, um unerwünschten Beifang wie geschützte Arten oder untermaßige Fische gezielt wieder freizulassen.
KI-gestützte Unterwasserkameras identifizieren Fische in Echtzeit im Netz und reduzieren unerwünschten Beifang um bis zu 60 Prozent. Mit 98-prozentiger Erkennungsgenauigkeit bei Nicht-Zielarten erfüllen Sie mühelos die seit 2024 verpflichtenden EU-Vorschriften.
Dieser Anwendungsfall adressiert eines der größten Nachhaltigkeitsprobleme der Fischerei. Intelligente Schleppnetze integrieren eine Kamera und eine KI-Einheit direkt in das Netz. Die KI wurde mit Tausenden von Bildern trainiert, um Fischarten und ihre Größe in Echtzeit zu erkennen. Identifiziert sie eine unerwünschte Art (z. B. Lachs als Beifang in der Pollackfischerei) oder einen zu kleinen Fisch, öffnet sie automatisch eine Klappe am Netz, um den Beifang unversehrt freizulassen. Das ermöglicht eine hochselektive Fischerei, schont die Bestände und hilft Fischern, strenge Umweltauflagen zu erfüllen.
Klassische regelbasierte Software kann die komplexen, nicht-linearen Muster in Fischwanderungen, Umweltfaktoren und Artverhalten nicht abbilden, da diese von множество wechselwirkenden Variablen abhängen, die sich dynamisch verändern. Regelbasierte Systeme scheitern an der Verarbeitung von Echtzeitdaten aus Unterwasserkameras, da die Muster für geschützte Arten im Netzkontext zu variabel sind für statische If-Then-Regeln. KI kann hingegen durch maschinelles Lernen mit historischen Bestandsdaten und Satellitenmessungen Fischbestände mit 85 bis 94 Prozent Genauigkeit vorhersagen und dabei auch seltene Muster erkennen, die in Trainingsdaten unterrepräsentiert sind.
Unternehmen mit KI-Systemen können die Einhaltung von Umwelt- und Fischereivorschriften lückenlos dokumentieren und sind auf die in der EU eingeführte Kamerapflicht für Hochrisikoschiffe vorbereitet. Wettbewerber ohne diese Technologie tragen ein erhebliches regulatorisches Risiko, da Fischereikontrollen zunehmend KI-gestützt erfolgen und illegale Aktivitäten immer präziser erkannt werden.
Fischereiunternehmen, die KI-gestützte Überwachung einsetzen, können jährliche Verluste in Höhe von 50 bis 150 Millionen US-Dollar vermeiden, die in nicht-nachhaltig bewirtschafteten Fischereigebieten entstehen. Die Automatisierung der Fangdokumentation senkt gleichzeitig die Betriebskosten für Überwachungsbehörden und Fischereiorganisationen erheblich, da der personelle Aufwand für manuelle Kontrollen um bis zu 65 Prozent reduziert werden kann.
Der Einsatz von KI-gestützten Unterwasserkameras auf Trawlern ermöglicht eine automatische Fangprotokollierung in Echtzeit, wodurch manuelle Sortier- und Dokumentationsprozesse an Deck entfallen. Die Erkennungsgenauigkeit von 98 Prozent bei der Identifikation von Nicht-Zielarten sorgt für eine zuverlässige Unterscheidung zwischen Zielfang und Beifang direkt im Fangprozess, was die Nachbearbeitungszeit drastisch verkürzt.
Fischer verbringen weniger Zeit mit der gefährlichen manuellen Sortierarbeit an Deck, da KI-Systeme geschützte Arten und untermaßige Fische bereits im Netz identifizieren und gezielt wieder freilassen können. Die Beobachterabdeckung kann durch KI-Unterstützung von 20 auf 7 Prozent gesenkt werden, ohne dass die Datenqualität leidet, was den Druck auf menschliche Beobachter an Bord reduziert.
Die Rolle des Fischereibeobachters entwickelt sich von der manuellen Datenerfassung hin zur Überwachung und Qualitätssicherung von KI-generierten Daten, was eine Aufwertung hin zu qualifizierterer Tätigkeit ermöglicht, aber auch eine Reduzierung der Gesamtstellenanzahl zur Folge haben kann. Für Fischer bleibt die KI ein Werkzeug zur Entscheidungsunterstützung, dessen Nutzung aber zunehmend regulatorisch vorgeschrieben wird.
Fischer und Fischereibeobachter müssen lernen, mit KI-Dashboards und Echtzeit-Meldungen umzugehen, um die Warnungen des Systems korrekt zu interpretieren und entsprechend zu reagieren. Die Fähigkeit, digitale Fangprotokolle zu lesen, zu prüfen und bei Bedarf zu korrigieren, wird zu einer Kernkompetenz, während reine manuelle Erfassungskenntnisse an Bedeutung verlieren.
Verbraucher profitieren von einer höheren Transparenz in der Lieferkette, da präzisere Fangdaten glaubwürdigere Nachhaltigkeitszertifikate ermöglichen und sie beim Einkauf fundierte Entscheidungen treffen können. Der Zugang zu verifizierten Nachhaltigkeitsdaten意味着, dass Verbraucher不再是被动接受营销声明，而是能够根据实际捕捞数据做出知情选择。
Die flächendeckende Einführung von KI-gestützter Beifangreduktion trägt nachweislich zur Erholung von Fischbeständen bei, wie dokumentierte Bestandserholungen bei Schwertfisch und Thunfisch im Mittelmeer in den letzten drei Jahren zeigen.
Das Muster soll Hochseefischer sowie Hilfsarbeiter in der Fischerei und Aquakultur beim Einholen und Aufbereiten von Fängen durch automatisierte Erkennung unterstützen. Für diese Anwendung gibt es bislang keine dokumentierten Fälle im praktischen Betrieb. Ob und in welchem Ausmaß sich der manuelle Sortieraufwand an Deck verringert oder neue technische Kompetenzen verlangt werden, ist anhand der Quellen nicht belegt.
Echtzeitinformationen aus dem Netz sollen die wirtschaftliche Leistung der Fischerei verbessern, indem Fanggründe gezielter angesteuert und Fangquoten effizienter genutzt werden. Forschungsergebnisse belegen, dass bildbasierte Objekterkennung im Netz Fangraten optimieren und Beifang reduzieren kann, belegen dies aber primär als technologische Machbarkeitsstudie auf Edge-Geräten. Konkrete Anschaffungs- und Wartungskosten der Kamerasysteme sowie quantifizierte betriebswirtschaftliche Einsparungen bleiben in den Quellen unberücksichtigt.
„This could eventually allow for more targeted, efficient, and sustainable fishing by reducing the bycatch and optimizing the catch rates by only fishing where it economically and ecologically makes sense“
Für Endverbraucher könnte die Beifangreduktion zu einem verbesserten Angebot nachhaltig zertifizierter Meeresfrüchte und Speisefische führen. Mangels dokumentierter Praxisfälle liegen jedoch keine Nachweise über eine veränderte Wahrnehmung oder messbare Kaufentscheidungen bei Privatpersonen vor. Ein direkter Einfluss auf die Teilhabe oder den Alltag von Verbrauchern ist damit bisher nicht belegt.
Zu Energiebedarf oder Emissionen dieses Musters liegen keine dokumentierten Angaben vor.
Optische Erkennungsfehler unter Wasser können dazu führen, dass geschützte Arten im Netz verbleiben oder Zielfische unbeabsichtigt entkommen, wozu bisher keine systematischen Fehleranalysen dokumentiert sind. Das System fällt voraussichtlich unter keinen der in Anhang III aufgeführten Hochrisiko-Bereiche der Verordnung (EU) 2024/1689. Für Betreiber gelten jedoch voraussichtlich die allgemeinen Anforderungen nach Artikel 4, um ein ausreichendes Maß an KI-Kompetenz beim einsetzenden Personal sicherzustellen.
„dass ihr Personal und andere Personen, die in ihrem Auftrag mit dem Betrieb und der Nutzung von KI-Systemen befasst sind, über ein ausreichendes Maß an KI-Kompetenz verfügen“
Belegt: eine abgerufene Quelle oder ein freigegebener Praxisfall trägt die Aussage. Eingeordnet: redaktionelle Einschätzung. Offen: dazu ist nichts dokumentiert. Keine Rechtsberatung.
Die Lösung passt zur Tätigkeit in einem fachlichen Kontext, aber nicht automatisch zu jedem Beruf mit dieser Tätigkeit.
Die fachliche Passung wurde KI-gestützt anhand der Anwendung und der beruflichen Aufgaben geprüft. Daraus folgt keine gemessene KI-Wirkung auf den gesamten Beruf.