Dies ist ein Pitch. Kein Whitepaper, kein Tutorial, kein fertiges Produkt. aiOS existiert als Architektur, als Vision und als konkreter Plan für ein Software-Engineering-Projekt an der Ruhr-Universität Bochum. Was folgt, ist die Argumentation, warum es gebaut werden sollte — und wie.
Das Problem in 30 Sekunden
Herner Straße 299, Bochum-Riemke. Zweiter Stock, Halle B29. Ein KFZ-Meister klemmt Messkabel an einen Golf 7, startet die Zündung. Auf dem Laptop erscheint eine Sinuswelle — 10.000 Datenpunkte pro Sekunde. Irgendwo in dieser Kurve steckt die Information, dass die Steuerkette in 3.000 Kilometern reißen wird.
Der Meister sieht die Kurve. Die Erkenntnis sieht er nicht.
Das Problem
Zwischen dem Messsignal und seiner Bedeutung fehlt eine ganze Softwareschicht. USB-Oszilloskope werden jedes Jahr präziser und günstiger. Die Software dahinter zeigt Kurven, speichert Dateien — und hört dort auf, wo die eigentliche Arbeit beginnt.
Status Quo
Signale werden manuell interpretiert. Jede Diagnose hängt von der Erfahrung des einzelnen Mechanikers ab. Wissen ist nicht skalierbar, nicht reproduzierbar, nicht übertragbar.
aiOS-These
Ein Betriebssystem zwischen Hardware und Mensch. Automatische Geräteerkennung, Echtzeit-Analyse, KI-gestützte Anomalieerkennung, Berichte in Kundensprache. Open Source, erweiterbar, containerisiert.
Die Betriebssystem-Metapher
USB-Stick in den Laptop stecken. Das System erkennt das Gerät, mountet es, lässt dich Dateien öffnen. Kein Gedanke nötig — zwischen physischer Hardware und menschlicher Wahrnehmung liegt ein Abstraktionsstapel, der Komplexität in Verständlichkeit übersetzt.
Ersetze USB-Stick durch Oszilloskop. Ersetze Dateien durch Zeitreihensignale. Die Abstraktionsschicht dazwischen? Existiert nicht. Kein System erkennt automatisch, was angeschlossen wurde. Keines analysiert den Datenstrom in Echtzeit. Keines formuliert Ergebnisse so, dass ein Werkstattkunde sie versteht.
Der Pitch
aiOS baut diese fehlende Schicht — nicht als einzelnes Feature, sondern als Plattform. Vier Schichten, dieselbe architektonische Logik wie ein Betriebssystem: Hardware-Abstraktion unten, Systemdienste in der Mitte, Anwendungen oben.
Kurzfassung: USB-Stick in den Laptop stecken. Ersetze USB-Stick durch Oszilloskop. aiOS baut diese fehlende Schicht — nicht als einzelnes Feature, sondern als Plattform.
Vier Schichten, ein Prinzip
Die Architektur ist bewusst simpel. Jede Schicht hat eine klar definierte Aufgabe. Keine Schicht kennt die Details der Schicht darunter — nur deren Interface.
Timing: Warum jetzt und nicht vor fünf Jahren
Drei Technologien mussten gleichzeitig reif werden. Keine einzelne ist revolutionär. Zusammen ergeben sie eine Plattform, die 2020 unmöglich gewesen wäre.
USB-Oszilloskope mit 24-Bit-Auflösung kosten einen Bruchteil stationärer Geräte von vor einem Jahrzehnt. LLMs generieren verständliche Texte in unter 100 Millisekunden. Docker-Container laufen lizenzfrei auf jedem Laptop. Das Fenster ist offen — die Frage ist nur, wer hindurchgeht.
Kurzfassung: Drei Technologien mussten gleichzeitig reif werden. USB-Oszilloskope mit 24-Bit-Auflösung kosten einen Bruchteil stationärer Geräte von vor einem Jahrzehnt.
Der Plan: Ein Semester, fünf Sprints
Umsetzung
aiOS soll als Software-Engineering-Projekt am SE Lab der Ruhr-Universität Bochum entstehen. Fünf Studierende, fünf Sprints, ein Semester. Betreut vom Lehrstuhl unter Prof. Dr. Thorsten Berger, begleitet von der AI-Gruppe als Industriepartner.
Das SE Lab erzwingt Disziplin: Requirements-Dokumente, Architektur-Reviews, Teststrategien, Sprint-Reviews mit echtem Kundenfeedback. Die Docs-Seite mit Tutorials ist kein Nice-to-have — sie ist Liefergegenstand.
docker compose up startet alles — inkl. Docs.Tech Stack
Jede Entscheidung folgt einem Prinzip: bewährte Technologie, keine Vendor-Lock-ins, maximale Erweiterbarkeit.
Frontend
Angular 19 mit TypeScript. D3.js für Echtzeit-Signalvisualisierung. WebSocket-Client für Live-Streaming direkt im Browser.
Backend
FastAPI (Python 3.12+) mit Pydantic v2 für Schema-Validierung. Async WebSocket-Handler für tausende gleichzeitige Datenpunkte.
Daten
PostgreSQL 16 für strukturierte Persistenz. Redis 7 als Cache und PubSub-Broker. MinIO (S3-kompatibel) für Rohdaten-Blobs.
Infrastruktur
Docker Compose orchestriert alles. Jedes Plugin ein eigener Container. REST-API-Registrierung mit JSON-Schema I/O. Sandbox mit Timeout und Memory-Limit.
Kurzfassung: Jede Entscheidung folgt einem Prinzip: bewährte Technologie, keine Vendor-Lock-ins, maximale Erweiterbarkeit. Angular 19 mit TypeScript. FastAPI (Python 3.12+) mit Pydantic v2 für Schema-Validierung.
Die ehrliche Risiko-Matrix
Ein Pitch ohne Risiko-Analyse ist Werbung. aiOS hat drei bekannte Schwachstellen — und für jede einen Mitigationsplan.
Hardware-Abhängigkeit
MittelaiOS ist nur so gut wie die Geräte, die Daten liefern. Mitigation: Adapter-Pattern entkoppelt die Plattform von einzelnen Herstellern. Aber die Adapter müssen geschrieben werden — das kostet Aufwand pro Gerätetyp.
KI-Halluzinationen
HochEin LLM mit falschem Befund ist schlimmer als kein LLM. Mitigation: Konfidenz-Scores auf jedem Report, Warnhinweise bei niedriger Sicherheit, menschliche Validierung als letzte Instanz. Kein Report ohne Review-Flag.
Community-Paradox
MittelEin Marktplatz ohne Plugins ist nutzlos, Plugins ohne Nutzer entstehen nicht. Mitigation: Das Kernteam liefert fünf bis zehn Referenz-Plugins die sofort Mehrwert schaffen — bevor externe Contributor übernehmen.
Warum Open Source
Diagnose-Wissen gehört nicht in Silos. Jede Werkstattkette, die proprietäre Software verkauft, monopolisiert Erfahrung, die auf Jahrzehnte geteilter Praxis basiert. aiOS dreht diese Logik um.
Open Source als Strategie
Die beste Analyse-Methode für ein bestimmtes Symptom kommt vielleicht von jemandem, der heute noch in einer Vorlesung sitzt. Open Source macht genau das möglich: Wissen fließt dahin, wo es gebraucht wird — nicht dorthin, wo jemand eine Lizenz verkauft.
Die Architektur, die Plugin-Spezifikation, die Docs — alles offen. Lizenz: MIT. Fork-freundlich. Contribution-Guidelines ab Sprint 0.
aiOS entsteht offen
OmnAIView auf GitHub, SE Lab an der RUB, OmnAIScope-Hardware — alles verlinkt.
GitHub: OmnAIViewWeiterführend
OmnAIView auf GitHub: github.com/omnai-project/OmnAIView
SE Lab, Ruhr-Universität Bochum: se.rub.de
OmnAIScope: omnaiscope.auto-intern.de