breakpilot-lehrer/docs-src/projekt/hardware-und-distribution.md

# Hardware-Anforderungen & Distribution

**Stand:** 2026-03-23

---

## 3-Tier Hardware-Strategie

Nicht jeder Lehrer hat dieselbe Hardware. Statt "alles oder nichts" definieren wir drei klare Tiers:

### Tier 1: Basis (jedes Geraet mit 4+ GB RAM)

**Gedruckt-OCR + Arbeitsblaetter + Tests — funktioniert ueberall.**

| Feature | Status |
|---------|--------|
| Tesseract OCR (gedruckt) | ~30 MB Modell, ~200 MB RAM |
| RapidOCR / PP-OCRv5 (ONNX) | ~40 MB Modell, ~300 MB RAM |
| Vokabel-Arbeitsblaetter generieren | Regelbasiert, kein ML |
| Multiple-Choice / Lueckentexte | Regelbasiert |
| Notenspiegel-Berechnung | Statistik |
| PDF-Export | Deterministische Templates |
| Rechtschreibpruefung | ~5 MB Woerterbuch |

**Speicherbedarf:** ~300 MB App + Modelle

**Laeuft auf:**

- Jeder Windows-Laptop (4+ GB RAM, beliebige CPU)
- iPad (alle Generationen inkl. Basis-iPad)
- Android-Tablet ab 4 GB RAM (Galaxy Tab A8/A9)
- Chromebook (4 GB RAM)
- MacBook (alle)

---

### Tier 2: Erweitert (8+ GB RAM, moderne CPU)

**+ Handschrift-OCR — typischer Lehrer-Laptop oder iPad Air.**

| Feature | Zusaetzlich zu Tier 1 |
|---------|----------------------|
| TrOCR Handschrift-OCR (int8 quantisiert) | ~560 MB Modell, ~1.5 GB RAM |
| Text-Embeddings (MiniLM) | ~90 MB Modell, ~100 MB RAM |
| OpenCV Layout-/Grafik-Analyse | ~400 MB RAM (bei A4 300 DPI) |
| Lokale Vektorsuche | Eingebettete DB |

**Speicherbedarf:** ~1.0-1.3 GB App + Modelle

**Mindestanforderungen:**

| Spec | Minimum | Empfohlen |
|------|---------|-----------|
| **RAM** | 8 GB | 16 GB |
| **CPU** | Intel i5 10. Gen / Apple M1 / Snapdragon 8 Gen 1 | Intel i5 12. Gen+ / Apple M2+ |
| **Speicher frei** | 5 GB | 10 GB |
| **OS** | Windows 10, macOS 12+, iPadOS 17+ | Aktuell |

**Laeuft auf:**

- Windows-Laptop 8 GB RAM (typischer Lehrer-Dienstlaptop, z.B. Lenovo L15 i5) — **~60-150 Sek/Seite Handschrift-OCR**
- MacBook Air M1+ 8 GB — **~30-60 Sek/Seite** (Neural Engine Beschleunigung)
- iPad Air M2+ (8 GB) — mit CoreML Konvertierung, **~20-40 Sek/Seite**
- iPad Pro M4+ (12-16 GB) — komfortabel
- Samsung Galaxy Tab S8/S9 (8 GB) — mit NNAPI/QNN, **~30-50 Sek/Seite**

**Laeuft NICHT auf:**

- iPad Basis (4-6 GB RAM) — iOS killt den Prozess bei TrOCR
- Budget-Android-Tablets (Galaxy Tab A8/A9, 3-4 GB RAM)
- Chromebooks mit 4 GB RAM
- Windows-Laptops mit 4 GB RAM

---

### Tier 3: Voll (16+ GB RAM / Cloud / Schul-Server)

**+ KI-Gutachten + RAG + Voice — braucht LLM.**

| Feature | Zusaetzlich zu Tier 2 |
|---------|----------------------|
| KI-Gutachten-Generierung | LLM (llama3.2 ~4 GB oder Cloud) |
| RAG / EH-Suche | Qdrant + Embedding-Service |
| Voice-Assistent | Whisper + LLM |
| KI-Worksheet-Modifikation | Vision-LLM |

**Optionen:**

| Variante | Hardware | Kosten |
|----------|---------|--------|
| **Schul-Server** | Mac Mini oder vergleichbar (Specs noch zu ermitteln) | Noch zu ermitteln |
| **Cloud** | BreakPilot Cloud-Service (gehostet) | Monatlich |
| **Lehrer-PC 16+ GB** | Lokales Ollama mit kleinen LLMs | 0 (eigene Hardware) |

!!! note "Server-Anforderungen noch offen"
    Die genauen Hardware-Anforderungen fuer einen Schul-Server (RAM, CPU, Speicher) muessen im Projektverlauf durch Benchmarks ermittelt werden. Unsere Entwicklungsmaschine ist ein Mac Mini M4 Pro mit 64 GB RAM (~3.200 EUR) — das ist aber die Obergrenze, nicht die Empfehlung. Moeglicherweise reicht fuer den Schulbetrieb deutlich weniger.

---

## Typische Lehrer-Hardware in Deutschland (2024-2026)

### Digitalpakt-Kontext

- **Digitalpakt 1.0** (2019-2024): 6,5 Mrd. EUR, 97% der Mittel abgerufen
- **Digitalpakt 2.0** (2025-2030): 5 Mrd. EUR, Fokus Infrastruktur + Geraete
- Beschafft werden: Tablets, Laptops, interaktive Whiteboards, WLAN

### Was Schulen kaufen

| Geraet | Typische Specs | Preis | Verbreitung |
|--------|---------------|-------|-------------|
| **iPad (Basis)** | A16 Chip, 6 GB RAM, 64-128 GB | ~350-400 EUR | Sehr hoch |
| **iPad Air** | M2/M3 Chip, 8 GB RAM, 128-512 GB | ~520-650 EUR | Hoch |
| **Lehrer-Laptop** | Intel i5 10. Gen, 8 GB RAM, 256 GB SSD | ~400-600 EUR | Standard |
| **Samsung Galaxy Tab A** | 3-4 GB RAM, 32-128 GB | ~230-280 EUR | Gering |
| **Chromebook** | 4 GB RAM | ~250-350 EUR | Minimal (in DE) |

!!! info "iPad dominiert"
    iPads sind an fast allen Schulen in Deutschland der Standard. Die meisten Schulen beschaffen iPad (Basis) oder iPad Air ueber MDM-Loesungen wie JAMF.

---

## Modell-Groessen und RAM-Bedarf

| Modell | Float32 | Int8 (quantisiert) | RAM |
|--------|---------|-------------------|-----|
| TrOCR-large Handschrift | 2.23 GB | **~560 MB** | 3-4 GB / **1-1.5 GB** |
| RapidOCR / PP-OCRv5 | ~40-90 MB | — | 200-500 MB |
| Tesseract (DE+EN) | ~30-50 MB | — | 200-300 MB |
| MiniLM Embeddings | ~90 MB | ~43 MB | 50-110 MB |
| pyspellchecker | ~5 MB | — | <10 MB |
| OpenCV (A4 300 DPI) | — | — | 200-400 MB |
| **Gesamt Offline-Kern** | **~2.6-3.0 GB** | **~1.0-1.3 GB** | **5-7 GB / 3-4.5 GB** |

!!! warning "TrOCR ist der Flaschenhals"
    TrOCR-large (2.23 GB float32) **muss** als int8 ONNX quantisiert werden fuer 8 GB Geraete. Ohne Quantisierung laeuft es nur auf 16+ GB Hardware. Alternativ: TrOCR-base (~1.3 GB float32, ~330 MB int8) mit moderatem Qualitaetsverlust.

---

## ONNX Runtime: Plattform-Support

| Plattform | ONNX Runtime | Hardware-Beschleunigung |
|-----------|-------------|------------------------|
| **Windows** | Ja (nativ) | CPU, DirectML, OpenVINO |
| **macOS** | Ja (nativ) | CPU, **CoreML** (Neural Engine, 3.5x schneller) |
| **iOS** | Ja (ORT Mobile) | **CoreML** EP, XNNPACK |
| **Android** | Ja (ORT Mobile) | **NNAPI** EP, QNN EP, XNNPACK |
| **ChromeOS (Crostini)** | Ja (Linux-Binary) | Nur CPU |
| **Browser (WASM)** | Ja, aber **15-17x langsamer** als nativ | WebGPU (5x langsamer als nativ GPU) |

!!! note "Apple-Geraete am besten"
    Durch CoreML + Neural Engine sind Apple-Geraete (M1+ Mac, iPad Air/Pro) die beste Consumer-Hardware fuer unsere Modelle. ~3.5x schneller als reines CPU-Inference.

---

## Distributions-Strategie

### Desktop (Primaer: Lehrer-Laptops)

| Plattform | Methode | Anmerkung |
|-----------|---------|-----------|
| **Windows** | .exe/.msi Installer von Website | Code-Signing-Zertifikat empfohlen (~300 EUR/Jahr) |
| **macOS** | .dmg von Website | Apple Notarization erforderlich (99 EUR/Jahr Developer Account) |
| **Linux** | AppImage oder .deb | Keine Signierung noetig |

**1-2 GB Installer ist fuer Desktop voellig normal** (VSCode, Slack, etc. sind aehnlich gross).

### Tablets (Sekundaer: iPads, Android)

| Plattform | Methode | Anmerkung |
|-----------|---------|-----------|
| **iOS/iPadOS** | Apple Custom Apps via Apple Business Manager + MDM | Nicht im oeffentlichen App Store, nur fuer Schulen via JAMF/Mosyle |
| **Android** | Managed Google Play (private Channel) | Fuer Schulen mit Google Workspace for Education |

**Strategie:** Kleine App (~50-100 MB Initial-Download), Modelle werden beim ersten Start nachgeladen mit Fortschrittsanzeige.

### App Store Limits

| Store | Max. Download | On-Demand Assets |
|-------|-------------|-----------------|
| **Apple App Store** | 4 GB | Bis 20 GB (On-Demand Resources) |
| **Google Play** | 200 MB (AAB) | Bis 2 GB+ (Play Asset Delivery) |
| **Microsoft Store** | 10 GB | — |

!!! info "1-2 GB App-Groesse kein Problem"
    Games sind routinemaessig 2-5 GB. Fuer B2B-Education-Apps via MDM ist die Groesse kein Hindernis, da IT-Admins die Verteilung steuern.

### Warum KEIN PWA?

Progressive Web Apps sind **nicht geeignet** fuer unseren Offline-KI-Anwendungsfall:

- iOS Safari begrenzt Storage auf ~1 GB pro Origin und **kann Daten jederzeit loeschen**
- WebAssembly ONNX Runtime ist **15-17x langsamer** als native Ausfuehrung
- Kein zuverlaessiger persistenter Speicher fuer 1+ GB Modelldaten
- PWA waere akzeptabel als leichtgewichtiger Companion (Dashboard, Ergebnisse ansehen), aber nicht fuer OCR/ML-Workloads

---

## Framework-Empfehlung

| Plattform | Framework | Vorteil |
|-----------|-----------|---------|
| **Desktop** | **Tauri** (Rust + Web-Frontend) | 5-10 MB Basis (vs. 200 MB Electron), beste ML-Integration via Rust |
| **Desktop (Alternative)** | Electron | Schnellste Entwicklung wenn Team Web-fokussiert |
| **Mobile** | **Flutter** | Single Codebase iOS+Android, gute FFI fuer native ML-Libs |
| **Mobile (Alternative)** | React Native | Wenn Frontend-Team bereits React-erfahren |

!!! warning "Desktop und Mobile nicht in einer Codebase"
    Die UX-Anforderungen sind zu unterschiedlich. Desktop = volle OCR-Pipeline + Korrektur-Workspace. Mobile = Scannen, Ergebnisse ansehen, Lernunits bearbeiten.

---

## Empfohlene Hardware fuer Schulen

### Minimum (Tier 2 — Handschrift-OCR offline)

> **Lehrer-Laptop:** Intel i5 (10. Gen+) oder Apple M1+, **8 GB RAM**, 256 GB SSD, Windows 10/11 oder macOS 12+
>
> **Oder iPad Air M2+** mit 128 GB Speicher

### Optimal (Tier 3 — alle Features offline)

> **Schul-Server:** Hardware-Anforderungen noch zu ermitteln.
>
> Muss LLMs lokal ausfuehren (Ollama) und als RAG-Server fuer die Schule dienen.
> Lehrer verbinden sich ueber WLAN und nutzen Tier-3-Features ueber den Server.
>
> *Referenz: Unsere Entwicklungsmaschine (Mac Mini M4 Pro, 64 GB RAM, ~3.200 EUR) laeuft komfortabel. Ob ein guenstigeres Modell (z.B. 32 GB RAM, ~1.500-2.000 EUR) ausreicht, wird im Projektverlauf durch Benchmarks geklaert.*

### Oder: BreakPilot Cloud

> Schulen ohne eigenen Server koennen Tier-3-Features ueber den BreakPilot Cloud-Service nutzen.
> Tier 1 + 2 funktionieren immer offline auf dem Endgeraet.