Die Fortschritte im Bereich der künstlichen Intelligenz bringen nicht nur neue Herausforderungen für die sicherheitsseitige Bewertung mit sich, sondern eröffnen auch Chancen für den Arbeitsschutz. Besonders im Bereich der Gefährdungsbeurteilung können KI-Technologien unterstützen. Es wurde eingehend untersucht, welche Anforderungen sich aus der spezifischen Anwendung und den Eigenschaften der KI-Technologie für eine Nutzung in der Arbeitsschutzpraxis ergeben. Aufgrund der häufigen Nutzung von Textdaten im Arbeitsschutzbereich wurden große Sprachmodelle zur Verarbeitung natürlicher Sprache fokussiert. Diese Modelle werden im Rahmen einer Retrieval Augmented Generation (RAG) mit textuellen Hintergrunddaten aus dem Arbeitsschutz angereichert, um noch präzisere und im Kontext relevante Ergebnisse zu liefern. Zum Abschluss des Projekts wurden Expertenbewertungen und Feldtests durchgeführt, um die Plausibilität und Praxistauglichkeit des entwickelten Ansatzes zu überprüfen. Die Ergebnisse dieser Evaluationsphase zeigen das Potenzial des Einsatzes von KI im Arbeitsschutz auf. In diesem Beitrag werden die Erkenntnisse aus der Implementierung und Evaluation detailliert vorgestellt.
__________________________________________________________________________________
Advances in artificial intelligence pose new challenges for safety assessments, whilst also creating new opportunities for those responsible for occupational safety and health. In particular, AI technologies can provide support in the area of risk assessment. The requirements arising from the specific application of AI technology and its characteristics with respect to its use in occupational safety and health in the field have been examined in detail. Due to the frequent use of textual data in occupational safety and health, the focus has been on the use of large language models for natural language processing. These models are enriched with textual background data sourced from occupational safety and health (retrieval augmented generation, RAG) in order to deliver even more precise and contextually relevant results. At the end of the project, evaluations by experts and field tests were carried out to verify the plausibility and practicability of the approach developed in it. The results of this evaluation phase demonstrate the potential for the use of AI in occupational safety and health. This paper presents the findings of the implementation and evaluation in detail.

Die Gefährdungsbeurteilung ist ein zentraler Bestandteil des Arbeitsschutzes. Klassischerweise ist diese mit einer Begehung des Betriebes verbunden. Speziell bei einer Begehung durch eine externe Arbeitsschutzexpertin / einen externen Arbeitsschutzexperten bleibt hier nur sehr wenig Zeit zum Beobachten des Betriebes. Seltene Ereignisse, wie z. B. das Klima im Betrieb an einem sehr heißen Tag, können in diesem Setting so gut wie nie berücksichtigt werden. Ziel unseres Projektes ist es, ein System zum Ausgleich dieser Schwächen zu entwickeln. Dazu wird ein Netzwerk von Sensorstationen im zu beurteilenden Betrieb eingebracht. Die Sensorstationen zeichnen die betrieblichen Umweltparameter über eine Zeitspanne von mehreren Wochen hinweg auf. Die so erhobenen Daten werden mit Hilfe von KI (rekonstruktionsbasierte Zeitreihenanomaliedetektion) verarbeitet um Hinweise auf seltene Ereignisse, die Einfluss auf die Arbeitssicherheit haben, zu generieren. Durch dieses Verfahren sollen seltene Situationen und Umwelteinflüsse besser bei der Gefährdungsbeurteilung berücksichtigt werden können.
________________________________________________________________________________
Risk assessment is a core aspect of occupational safety and health. Traditionally, it involves an on-site inspection. Where this is carried out by an external occupational safety expert, in particular, the time available for observation of operations is very limited. Infrequent events, such as the climate at the workplace on a very hot day, can hardly ever be taken into account in such an inspection. The aim of our project is to develop a system to compensate for these deficiencies. For this purpose, a network of sensor stations is installed at the site to be assessed. The sensor stations record the environmental parameters at the site over a period of several weeks. The data collected is processed by means of AI (reconstruction-based time series anomaly detection) to generate indications of infrequent events that have an impact on occupational safety. This process is intended to enable infrequent situations and environmental influences to be taken into account more effectively in risk assessments.

Die Bewertung der dermalen Exposition gegenüber Gefahrstoffen sowie die Entwicklung und Validierung von Modellen stellen ein wesentliches Forschungsfeld innerhalb des Arbeitsschutzes und der Chemikalienregulierung dar. Die KI-gestützte Bildanalyse stellt eine Alternative zu bisher herkömmlichen chemischen Probenahmeverfahren dar, mit dem Ziel, die Auswertung von Fluoreszenzaufnahmen zur Expositionsmessung zu vereinfachen. Herausforderungen dabei sind u.a. die vorhandene Datenquantität und -qualität für das Training der KI-Modelle. Diese Machbarkeitsstudie untersucht, wie die Auswertung von Bildern durch Convolutional Neural Networks (CNN) dazu beitragen kann, die Expositionsmenge auf Schutzanzügen zu ermitteln. Der verwendete Datensatz stammt aus dem SysDEA-Projekt der Bundesanstalt für Arbeitsschutz und Arbeitsmedizin und enthält Bilder aus vier Standardtätigkeiten mit Chemikalien. Verschiedene Bildverarbeitungsmethoden wurden implementiert, um die Fluoreszenzmuster zu extrahieren. Anschließend wurde ein CNN-Modell trainiert. Der so vorverarbeitete Datensatz erreichte eine Modellgüte von R2 = 0.76 (R2: Bestimmtheitsmaß). Durch die Bildbearbeitung konnten gezielte Muster gewonnen und gute Ergebniswerte erzielt werden. Es bleibt offen, ob dies auch bei andere Datensätzen gilt.
_________________________________________________________________________________________
Assessment of dermal exposure to hazardous substances and development and validation of models are important areas of research in occupational safety and health and chemical regulations. AI-based image analysis offers an alternative to conventional chemical sampling methods and has the aim of simplifying the evaluation of fluorescence images for the purposes of exposure measurement. Challenges include the quantity and quality of the data available for training AI models. This feasibility study examines how the use of convolutional neural networks (CNNs) to evaluate images can help to quantify the exposure on protective overalls. The dataset used was sourced from the SysDEA project conducted by the BAuA (the German Federal Institute for Occupational Safety and Health) and contains images obtained during four standard activities involving chemicals. A number of image processing methods were implemented for extraction of the fluorescence patterns. A CNN model was then trained. The dataset preprocessed in this way attained a model quality of R2 = 0.76 (R2: coefficient of determination). Image processing enabled specific patterns to be obtained and good results to be achieved. It has yet to be seen whether this will also be the case with other datasets.

Die Integration künstlicher Intelligenz (KI) in sicherheitskritische Anwendungen in Maschinen in industriellen Umgebungen stellt die Konformitätsbewertung und Sicherheitszertifizierung vor erhebliche Herausforderungen. Im Gegensatz zu herkömmlichen Steuerungssystemen erschwert die datengesteuerte Natur und das nicht-deterministische Verhalten von KI die Gewährleistung etablierter Sicherheitsstandards. Dieser Beitrag beleuchtet konkrete Herausforderungen im Hinblick auf die neue europäische Maschinenverordnung (2023) und den KI-Rechtsakt (2024). Wir erörtern anhand verschiedener Anwendungsbeispiele, inwieweit Sicherheitsbewertungsmethoden wie z.B. Structured Assurance Case Metamodel (SACM), Claims-Arguments-Evidence (CAE) oder Goal Structuring Notation (GSN) die Konformitätsbewertung unterstützen können.
_____________________________________________________________________________________
The integration of artificial intelligence (AI) into safety-critical applications in machines in industrial environments poses considerable challenges for conformity assessment and safety certification. Unlike conventional control systems, the data-driven nature of AI and its non-deterministic behaviour make it difficult to guarantee compliance with established safety standards. This paper highlights specific challenges arising in consideration of the new European Machinery Regulation (2023) and the AI Act (2024). With reference to a range of application examples, we discuss the potential of safety assessment methods such as the structured assurance case metamodel (SACM), claims-arguments-evidence (CAE) and goal structuring notation (GSN) to support conformity assessment.