Wie wir mit Virtual Shepherd KI auf die Alm bringen

„Bringing Innovation into Practice“ war das Motto der AAIC – Applied AI Conference am 24. September 2026 in Wien. In der gemeinsamen Session mit Josephinum Research und Agro Innovation Lab, ausgerichtet von der Wirtschaftskammer Österreich und ADVANTAGE AUSTRIA, hat unsere COO Marinca Kasiske am Beispiel Virtual Shepherd gezeigt, wie ein KI-Projekt den Weg von der Forschung in den täglichen Einsatz findet.

Welche drei Hürden wir im Feld lösen

Wer KI aufs Feld und auf die Alm bringt, stößt auf drei Hürden, die im Labor keine Rolle spielen: knappe Daten, fehlende Konnektivität & Geräte mit begrenzter Energie. Virtual Shepherd, ein FFG-ASAP-gefördertes GeoAI-Projekt, löst damit das tägliche Problem der Überwachung von Weidevieh im alpinen Raum. Gemeinsam getragen wird es von der Universität Salzburg, der TU Wien und GISolutions.

Wie wir Datenknappheit mit generativer KI ausgleichen

Datenknappheit ist in der Landwirtschaft die Regel. Tierdaten sind lückenhaft und nachts oft gar nicht verfügbar. Eine generative KI, ein Wasserstein-GAN, füllt diese Lücken mit synthetischen Bewegungsspuren und hält die Datenbasis vollständig. Aus GPS-Punkten werden über Vier-Stunden-Fenster Heatmaps und Aufenthalts-Hotspots, aus denen sich das Verhalten der Tiere ablesen lässt.

Wie wir Anomalien erkennen und erklären

Auf dieser Basis erkennt ein Ensemble aus drei analytischen KI-Modellen Abweichungen im Bewegungsmuster. In den beiden alpinen Feldtests hat es 71 Anomalie-Ereignisse erkannt. Jedes davon ist SHAP-konform erklärbar: Das System zeigt nicht nur, dass etwas abweicht, sondern welche Faktoren dazu beitragen. Aus unserer Sicht ist das der Schritt weg vom einfachen Alarm hin zu einer nachvollziehbaren Entscheidung.

Wie wir Konnektivität & Energie in den Griff bekommen

Auf der Alm gibt es keine verlässliche Verbindung und keine Steckdose. Die Ortung fusioniert daher GNSS, LoRaWAN & 4G/5G über einen Kalman-Filter und erreicht über 95 % Genauigkeit im Testgebiet Mölltal. Für die Übertragung kommen LoRaWAN und 4G/5G zum Einsatz, in entlegenen Lagen mit Starlink als Rückfallebene. Und weil Energie knapp ist, lernt ein Teil der Modelle direkt auf dem Gerät: Das föderierte Lernen der TU Wien erreicht rund 90 % der Leistung eines zentralen Modells bei über 50 % weniger Energie.

Was wir als Betreiber der Wertschöpfungskette beitragen

Wir verstehen uns als Betreiber der gesamten KI-Wertschöpfungskette. Bei MovingLayers laufen die Fäden zusammen: die KI-Plattform mit Azure-Cloud, Kubernetes, FROST als IoT-Broker & PostGIS, die Datenpipeline mit Live-Daten, Heatmaps, virtuellen Zäunen und KI-gestützten Alarmen sowie die Konnektivität von der Alm bis zur App. Der Weg der Daten führt vom Halsband über die Basisstation und das FROST-Backend bis in die VirtualShepherd-App.

Wie wir Virtual Shepherd in den Geodatenlebenszyklus einordnen

Virtual Shepherd steht nicht für sich. Im Geodatenlebenszyklus ist es eine von zwei Formen der Phase Erfassen: der Datenstrom, der ohne Besatzung und ohne geplantes Ende läuft, dort wo kein Mobilfunk hinreicht. Die geplante Begehung mit MoversSurvey ist die andere. Beide Formen gehören zusammen, denn der Datenstrom zeigt oft erst, dass eine Begehung nötig wird: Ein Sensor meldet eine Abweichung, die Abweichung löst die Begehung aus, und die Begehung liefert den verlässlichen Datensatz.

Damit wird die SHAP-erklärbare Anomalieerkennung zum Auslöser, der den nächsten Durchgang im Zyklus anstößt. Was Virtual Shepherd auf der Alm erfasst, folgt denselben Regeln wie jeder andere Stand im Zyklus: lokal betrieben, nachvollziehbar und so gehalten, dass kein Stand überschrieben wird.

Was wir im Feldtest gemessen haben

Die bisherigen Ergebnisse stammen aus zwei alpinen Feldtests auf der Zeiselalm (Niederösterreich) und der Lorenzalm (Kärnten) (Stand: AAIC-Präsentation, 24.09.2026):

• 80.000+ Ortungsdatensätze aus den beiden Feldtests, die die Modelle laufend härten.
• 71 erkannte Anomalie-Ereignisse, jedes über SHAP erklärbar.
• 65 % weniger Cloud-Last durch Edge-Verarbeitung, mit Geofence-Alarm in unter 500 ms.
• rund 90 % Modellleistung des föderierten Lernens gegenüber einem zentralen Modell, bei über 50 % weniger Rechenenergie.
• 3–4 Stunden tägliche Suchzeit, die Landwirtinnen und Landwirte heute aufwenden und die die App laut Feldtest deutlich senken kann.

Woran wir als Nächstes arbeiten

Virtual Shepherd ist auf alpinen Weiden in Niederösterreich und Kärnten getestet und skaliert. Der nächste Schritt ist ein LoRaWAN-Sensor-Array, das den Datenstrom der Erfassen-Phase über die reine Ortung hinaus erweitert und unterschiedlichste Informationsströme in einer Lösung bündelt. Damit begegnen wir der Datenknappheit, die der Landwirtschaft heute im Weg steht, an ihrer Wurzel.

Sie möchten Virtual Shepherd für Ihren Betrieb prüfen? Alle Details finden Sie auf der Produktseite Virtual Shepherd und die Einordnung in den gesamten Prozess auf der Seite zum Geodatenlebenszyklus. Für ein Erstgespräch nehmen Sie hier Kontakt auf.

FFG-Projektinfo: projekte.ffg.at