Ein Advanced Design Project mit einem Briefing aus zwei Wörtern
EcoSonic lief von Oktober 2023 bis Februar 2024 als Advanced Design Project im Masterstudiengang Digital Design an der HdM Stuttgart, im Fünferteam, betreut von Prof. Burkhard Fritz und Prof. Bettina Tabel. Das Briefing bestand aus zwei Wörtern: Sound und Space.
Die Information existiert. Sie kommt nur nie rechtzeitig an.
Invasive Arten verdrängen heimische, übertragen Krankheiten und kosten Geld, und je früher man sie findet, desto günstiger lassen sie sich stoppen. In Baden-Württemberg ist der Amerikanische Ochsenfrosch der Präzedenzfall. Heute wird er zufällig gefunden. Ein Förster betreut rund 100 Hektar allein, Begehungen passieren etwa viermal im Jahr, und es gibt keinen definierten Weg vom Hobby-Herpetologen, der einen Ochsenfrosch entdeckt, zu den Fachleuten mit der Berechtigung, ihn zu entnehmen. Benachbarte Eigentümer, Förster und Jäger erfahren es oft zuletzt.
Eine Themenwoche, elf Wettbewerber, drei Experten
Eine Design-Thinking-Woche eröffnete das Projekt mit Mindmapping über Sound und Space, einer ersten Persona, 6-3-5-Ideation und einer User Journey. Danach: Wettbewerbsrecherche über elf bestehende Anwendungen, Interviews mit einem Biologiestudenten mit Schwerpunkt invasive Arten, einem Förster in Stuttgart und dem Projektleiter eines Programms zur Renaturierung von 220 Gewässern, dazu ein IST/SOLL-Diagramm, das jeden Stakeholder und jede Abhängigkeit auf ein Board legte. Low-Fidelity ging an den Förster, Mid-Fidelity an den Biologen.
Wir haben erst für testbar gebaut, dann für tragfähig
Wir haben den Begriff MVP in einer Session auseinandergenommen und uns auf minimum testable, usable und lovable als drei getrennte Dinge geeinigt, dann zuerst für testbar gebaut. Für die KI-Hälfte hieß das Teachable Machine statt eigener Pipeline: vierzig Hintergrund-Samples, zweiundzwanzig Laubfrosch-Rufe, siebzehn Ochsenfrosch-Rufe und ein Browser, der ein Live-Mikrofonsignal klassifiziert. Es kostete Tage und beantwortete die Frage, die das Projekt entschied: ob Klangklassifikation das Konzept überhaupt trägt.
Der Förster hat die Featureliste umgeschrieben
Wir haben den Low-Fidelity-Prototyp einem Förster in Stuttgart gezeigt, und er hat das Briefing erweitert. Er wollte den analogen Wildtierbericht digitalisiert, einen E-Mail-Link, der einen sensiblen Fund direkt an die zuständige Behörde weiterleitet, einen Vergleich zweier Zeiträume, damit Trends sichtbar werden, und die Möglichkeit, eine Erkennung selbst anzuhören und die Maschine zu prüfen. Er sagte uns auch, wohin die Pods gehören: ans Wasser, weil sich die Arten dort konzentrieren. Das meiste davon ging in die nächste Version. Der Biologe drehte die Anwendung dann ins Querformat, weil das echte Gerät im Feld ein robustes Tablet ist, das man im Stehen hält.
Ein Zustand „unbestimmt“ für die KI
Die schärfste Anmerkung kam vom Förster und betraf einen Fall, um den wir herumgestaltet hatten. Er verlangte einen expliziten Benachrichtigungstyp unbestimmt für eine Sichtung, die das Modell keiner Art zuordnen kann. Dieser eine Zustand veränderte, wie weit man dem System trauen kann: Das Interface behauptet keine Sicherheit mehr, die das Modell nicht hat, und ein mehrdeutiges Signal bleibt sichtbar, statt hinter einer Konfidenzschwelle zu verschwinden.
Der Pod muss verschwinden
Die Hardware-Anforderungen lasen sich wie eine Spezifikation, als der Förster fertig war: jedes Signal einem konkreten Pod zuzuordnen, eine Erscheinung, unauffällig genug für Diebstahl und Vandalismus, mindestens ein halbes Jahr ohne menschlichen Kontakt, minimale Wartung. Das Gehäuse beantwortet jeden Punkt. Mikrofon sowie Temperatur- und Feuchtesensor sitzen vorn in einer halbkugelförmigen Struktur, die nach außen reicht und dicht bleibt, die Hinterkante ist um zwei Millimeter versetzt für wasserdichtes Band, und Schraubpunkte oben und unten lassen den Pod am Gurt um einen Baum hängen oder auf einem Ständer montieren.
Eine Karte, eine Zeitachse, und alles hängt an beidem
Die Anwendung öffnet als Karte und bleibt dort. Sektionen und Pods tragen einen Badge, wenn eine neue Erkennung eintrifft, Filter folgen dem gewählten Gebiet, und eine Erkennungskarte spielt die Aufnahme ab, bevor jemand ignorieren, beobachten oder weiterleiten wählt. Populationsdichte liest sich als Hitzefeld über der Uferlinie mit einem Scrubber darunter, sodass ein Förster heute mit vor drei Monaten vergleichen kann. Temperatur und Feuchte liegen als eigene Felder über derselben Karte, weil eine kalte Woche eine stille Woche erklärt. Die Navigation brauchte sechs Layouts, bis sie saß.
Was bei der MediaNight auf dem Tisch stand
Am 1. Februar 2024 existierten drei Dinge. Ein funktionierender Sound-Klassifikator mit Teachable Machine und p5.js, der über einen QR-Code am Stand auf dem eigenen Handy der Besucher lief. Ein High-Fidelity-Monitoring-Prototyp auf dem iPad. Und ein geschichtetes Landschaftsmodell mit Arduino-Tasten an der Kante, das Laubfrosch, Ochsenfrosch, Vogelgesang, Wasser und Kettensäge in den Raum spielte, damit jeder hören konnte, was der Klassifikator hört, und ihm beim Entscheiden zusehen.
Wo das aufhört, ein Produkt zu sein
Der Klassifikator lernte aus ein paar Dutzend online gefundenen Clips. Er demonstriert das Prinzip und trägt keine zitierfähige Genauigkeit. Die Pods sind ein CAD-Modell und ein Rendering, gebaut wurde nichts. Auch der Prozess hat eine ehrliche Fußnote. Wir setzten zu Beginn ein Board mit neun Rollen auf, und es hörte leise auf zu zählen, weil wir am Ende Arbeitspakete statt Rollen verteilten. Das funktionierte, und es war eine andere Methode als geplant.