Der Einsatz von Künstlicher Intelligenz (KI) in der Gefügeanalyse erlebt derzeit einen enormen Aufschwung und findet immer öfter den Weg in die werkstofftechnische Praxis. Darüber hinaus versprechen KI und Maschinelles Lernen (ML) auch eine Revolution in der materialwissenschaftlichen Forschung, indem sie Effizienz steigern, Kosten senken, die Objektivität und Reproduzierbarkeit erhöhen und neue Analysemethoden ermöglichen. Zahlreiche Publikationen und Werkzeuge belegen das Potenzial von KI für verschiedene Aufgaben in der Gefügeanalyse. Dabei ist die Vielfalt zunehmend schwer zu überblicken. Allerdings konzentrieren sich die meisten Studien auf wohlstrukturierte Datensätze, die unter kontrollierten Laborbedingungen mit geringen Varianzen erzeugt wurden. Infolgedessen fehlen bislang ein umfassendes Verständnis zur Robustheit und Generalisierungsfähigkeit von ML-Modellen sowie systematische Untersuchungen zu erforderlicher Datenmenge und auftretenden Varianzen. Viele der vorhandenen Arbeiten sind zudem Machbarkeitsstudien, die den praktischen Herausforderungen in industriellen Anwendungen nur begrenzt Rechnung tragen.

Dieser Vortrag geht der Frage nach, was tatsächlich notwendig ist, um ein generalisierendes, robustes Modell in industriellem Maßstab zu erhalten. Dabei werden die inhärente Variabilität der metallographischen Prozesse, mögliche Bedienereinflüsse und damit einhergehend das übergeordnete Thema der Grundwahrheit, die für das Trainieren einer KI benötigt wird, adressiert. Aus diesen Betrachtungen wird auch abgeleitet, bei welchen Anwendungen es dennoch Sinn macht, auf bestimmte Anwendungsfälle individualisierte KI-Modelle zu trainieren. Als Anwendungsbeispiele werden am Beispiel komplexer Stahlgefüge die alltäglichen Aufgabenstellungen Korngrößenbestimmung und Phasenanalyse betrachtet.