Logo

Siemens Startup Meetup — Physical AI & Robotics | AlpiType

Event Recap

Wie AlpiType bei Siemens
98,5 % Defect Detection on‑premise
gezeigt hat

Recap: Siemens Startup Meetup · Physical AI & Robotics · Munich Urban Colab, 28. April 2026
28. April 2026
Munich Urban Colab
10+ Startups

Simulation-driven AI for Machine Vision

Full Talk · 2 min
AlpiType | Simulation-driven AI for Machine Vision
AlpiType — Simulation-driven AI for Machine Vision
Case Study · Short
Case 1: Define Quality Criteria Before You Build
Case 1: Define Quality Criteria Before You Build

Physical AI trifft Industrie-Realität

Format

Startup-Pitches, Projektvorstellungen und fachlicher Austausch rund um Physical AI, Robotics und industrielle Automatisierung — hosted by Siemens im Munich Urban Colab.

AlpiType-Beitrag

Anton Lytvynenko zeigte, wie simulation-driven AI Machine-Vision-Systeme auf 98,5 % Defect Detection bringt — in der Live-Produktion, ohne Cloud, ohne manuelle Referenzbilder.

Thema des Abends

Wie AI aus dem Labor in die Produktion kommt — und was es braucht, damit KI-Systeme nicht nur im Demo funktionieren, sondern auf dem Shopfloor.

Standorte

Projekte und Teams aus München, Dresden und dem gesamten DACH-Raum. Enger Austausch zwischen Industrie, Deep-Tech-Startups und Forschung.

Auf Ihrem Shopfloor läuft ähnliches?
30 Minuten mit unserem Software-Architekten — kein Pitch, nur Ihre konkrete Situation.
Termin buchen

Zwei Thesen aus dem Vortrag

These 1

Qualitätskriterien müssen vor dem Build definiert werden — nicht danach.

Wer erst nach der Implementierung entscheidet, was ein Defekt ist, baut zweimal. Simulation-driven AI erzwingt diese Definition am Anfang: kein synthetisches Bild ohne Spec, kein Modell ohne Grenzwert. Das zwingt Präzision — und spart Iterationen in der Produktion.

These 2

98,5 % Erkennungsrate — ohne eine einzige reale Fehleraufnahme am Start.

Synthetische Trainingsdaten ersetzen Monate manueller Bilderfassung. Das System lernt auf simulierten Defekten, wird in der Produktion feingetunt — und erreicht dabei eine Erkennungsrate, die herkömmliche Ansätze erst nach 6–12 Monaten Betrieb sehen. Getestet in Live-Produktion.

Projekte des Abends

Kai Michael Hermsen
DECAID Secure
Vorgestellt: STOP-Prinzip für AI Safety in OT-Umgebungen
Vincent Dietrich
Siemens Corporate Technology
Physics-based simulation & synthetische Trainingsdaten für Robotik
Vlad Andrei
Twincube
Digital-Twin-Plattform für automatisches 3D-Inventar in Industrieumgebungen
Dimitrios Chatzis
Siemens Research & Predevelopment
Simulation-driven Physical AI & Digital Twins für Robotermanipulation
Stefan Zetzsch
Evasive Robotics
Multi-Roboter-Koordinationssoftware für herstellerübergreifende Systeme
Franz Breu
Smarobix
AI-Software-Plattform für Entwicklung hochperformanter Robotersysteme
Benedikt Dertinger
Nua Studios
Human-centered AI & digitale Transformationsstrategie
Julian Ilg
FORMOVE
Wearable Motion Capture für Robotik-Trainingsdaten & Sports Science
Andrea Stocco
TUM / fortiss
AI-Reliability & automatisiertes Testen für robuste Deep-Learning-Systeme
Daniel Klingmann
Physical AI / Robotics
München
Fabian Rhein · Siemens
Flora Gottschling · Siemens
Munich Urban Colab

Defect Detection ohne Cloud — bereit für Ihre Linie?

On-premise, DSGVO-konform, 98,5 % Erkennungsrate in der Live-Produktion — ohne Referenzbilder-Sammlung im Vorfeld.

Mit einem Ingenieur sprechen

Sprechen Sie mit einem Ingenieur

Kein Vertrieb. Sie sprechen direkt mit einem unserer Software-Architekten über Ihr konkretes Problem. 30 Minuten. Antwort innerhalb von 24 Stunden.

Email: info@alpitype.com

LinkedIn: AlpiType

Anton Lytvynenko

Anton Lytvynenko

CEO, AlpiType

Unsere Geschichte →