Vestige: Lokale KI-App für Mustererkennung bei ADHS ohne Bewertung

Viele Menschen mit ADHS stehen vor einem ähnlichen Problem: Sie handeln oft instinktiv, ohne sich der Muster bewusst zu sein, die sich daraus ergeben. Eine neue Android-Anwendung namens Vestige setzt genau hier an – und verzichtet dabei bewusst auf klassische Features wie Gamification oder psychologische Bewertungen. Stattdessen nutzt die App lokale KI von Googles Gemma 4, um Sprachaufnahmen zu analysieren und wiederkehrende Verhaltensweisen sichtbar zu machen.

Warum Vestige anders ist als andere Tracking-Apps

Die meisten Gesundheits- oder Produktivitäts-Apps folgen einem ähnlichen Schema: Sie sammeln Daten, um Nutzer mit Scores zu bewerten oder Handlungsempfehlungen zu geben. Vestige bricht mit diesem Muster. Die App verzichtet auf:

• Bewertungen oder Rankings
• Psychologische Abfragen wie „Wie fühlst du dich?“
• Gamification-Elemente oder Belohnungssysteme
• Cloud-basierte Verarbeitung der Aufnahmen

Stattdessen liegt der Fokus auf der reinen Dokumentation von Mustern. Die App erfasst Sprachaufnahmen und leitet daraus wiederkehrende Verhaltensweisen ab – ohne zu bewerten oder Lösungen vorzuschlagen. Das Ziel: Nutzer erhalten eine neutrale Übersicht über ihre täglichen Handlungen, um selbst Rückschlüsse zu ziehen.

Technische Umsetzung: Wie Vestige mit Gemma 4 lokal arbeitet

Die App setzt auf Googles Gemma 4 im E4B-Modus (Embeddings for Behavior), der native Audioverarbeitung ermöglicht. Der Workflow gestaltet sich wie folgt:

1. Spracherfassung: Nutzer nehmen eine 30-sekündige Sprachnotiz auf. Die App nutzt dabei kein separates SpeechRecognizer-Modul, sondern verarbeitet die Daten direkt.

1. Transkription und Analyse: Die Aufnahme wird im Vordergrund transkribiert und um eine kontextbezogene Antwort ergänzt. Dieser Schritt erfolgt in Echtzeit.

1. Hintergrundverarbeitung: Ein dreistufiges Analyseverfahren (literal, inferenziell, skeptisch) extrahiert Muster aus den Aufnahmen. Diese Daten werden anschließend in einem Konvergenzresolver zusammengeführt, um eine neutrale Bewertung des Verhaltensmusters zu generieren.

1. Langzeitbeobachtung: Die App nutzt ein Embedding-Modell (Gemma 300M), um Veränderungen im Wortschatz und in den Mustern über die Zeit zu erkennen. So werden etwa unterschiedliche Formulierungen desselben Verhaltens korrekt zugeordnet.

Datenschutz: Geschlossene Systemarchitektur

Eines der Hauptanliegen der Entwicklerin war ein lokaler, datenschutzkonformer Betrieb. Dafür setzt die App auf:

• Sealed-by-Default-Architektur: Sämtliche Netzwerkverbindungen sind standardmäßig deaktiviert. Erst nach manueller Freigabe durch den Nutzer werden Daten exportiert.

• Automatisierte Prüfung: Ein Gradle-Task namens verifyNoTelemetry scannt die App viermal pro Build auf unerwünschte Telemetrie-Funktionen. Die Ergebnisse werden als CI-Artefakt hochgeladen.

• Keine Outbound-Verbindungen nach Modelldownload: Sobald das Gemma-4-Modell lokal geladen ist, hat die App keine Berechtigung mehr, Daten nach außen zu senden.

Diese Maßnahmen gehen über bloße Datenschutzversprechen hinaus – sie werden durch technische Implementierung und automatisierte Tests überprüfbar gemacht.

Praktische Anwendung: Wie Vestige den Alltag unterstützt

Die App ist als voll funktionsfähiger Android-Prototyp (APK) verfügbar und wurde auf einem Galaxy S24 Ultra mit Android 14 getestet. Die Mindestanforderungen sind:

• Android 14 oder neuer
• 12 GB RAM
• 6 GB freier Speicherplatz
• Unterstützung für lokale KI-Modelle

Schritt-für-Schritt-Nutzung

1. Aufnahme starten: Mit einem einzigen Tipp auf den Aufnahmeknopf beginnt die Sprachaufnahme. Die App läuft dabei im Vordergrund und liefert direkt eine transkribierte Version der Aufnahme sowie eine kontextbezogene Antwort.

1. Mustererkennung: Nach Abschluss der Aufnahme verarbeitet die App die Daten im Hintergrund. Die Ergebnisse werden in drei Kategorien unterteilt:

• Literal: Wörtliche Zusammenfassung der Aufnahme
• Inferenziell: Interpretation möglicher Muster
• Skeptisch: Kritik an der eigenen Interpretation

1. Ergebnisreview: Nutzer erhalten eine Übersicht mit gezählten Mustern, Datumsangaben und wörtlichen Zitaten aus den Aufnahmen. Die Daten werden in einer Material 3-Oberfläche dargestellt, die auf Benutzerfreundlichkeit ausgelegt ist.

1. Export: Alle Einträge können als Markdown-Datei exportiert werden. Die App nutzt ObjectBox als lokale Datenbank, sodass die Exportdateien portabel und nutzerkontrolliert bleiben.

Ein Blick hinter die Kulissen: Code-Highlights

Die technische Umsetzung von Vestige setzt auf bewährte Open-Source-Komponenten:

// Nutzung von LiteRT-LM (Version 0.11.0) für lokale Inferenz
implementation("com.google.litertlm:android:0.11.0")

// Lokale Gemma-4-Modelldatei
modelArtifact = "litert-community/gemma-4-E4B-it-litert-lm"

Ein zentraler Baustein ist der `ConvergenceResolver`, der die drei Analyseergebnisse (literal, inferenziell, skeptisch) zu einer neutralen Bewertung zusammenführt. Dieser Prozess läuft als reine Funktion ab – ohne Seiteneffekte oder externe Abhängigkeiten.

Lektionen aus der Entwicklung: Was schiefging

Die Entwicklerin gesteht offen ein, dass nicht alles nach Plan lief. Ein zentrales Problem lag in der Übersetzung von Architekturentscheidungen (ADRs) in tatsächliche Entwicklungsschritte:

• ADR-4 priorisierte zunächst die Benutzeroberfläche – ein klassischer Fehler, wie die Entwicklerin einräumt.
• Die Umsetzung begann mit UI-Prototypen, ohne dass zuvor manuelle Tests oder Story-Implementierungen erfolgt wären.
• Erst im Nachhinein wurde klar, dass diese Herangehensweise zu Verzögerungen und zusätzlichem Testaufwand führte.

Die Lehre daraus: Selbst kleine Missverständnisse in der Planung können große Auswirkungen auf den Entwicklungsprozess haben. Vestige wurde schließlich als voll funktionsfähige Android-App fertiggestellt – doch die Dokumentation dieser Fehler hilft anderen Entwicklern, ähnliche Fallstricke zu vermeiden.

Ausblick: Was kommt als Nächstes?

Vestige ist kein fertiges Produkt, sondern ein Proof of Concept, der zeigt, wie lokale KI sinnvoll für Verhaltensanalyse genutzt werden kann. Mögliche Erweiterungen umfassen:

• Integration weiterer lokaler KI-Modelle für spezifischere Analysen
• Automatisierte Benachrichtigungen bei wiederkehrenden Mustern
• Community-Features, um anonymisierte Mustervergleiche zu ermöglichen

Doch unabhängig von zukünftigen Funktionen bleibt das Kernprinzip der App unverändert: Daten dokumentieren, nicht bewerten. Für Menschen mit ADHS oder anderen neurodiversen Verhaltensmustern könnte Vestige damit zu einem wertvollen Werkzeug werden – ohne unnötige Ablenkung durch Gamification oder psychologische Bewertungen.

Die App steht auf GitHub zur Verfügung und ist unter der Polyform Shield 1.0.0-Lizenz veröffentlicht. Entwickler und Interessierte können den Quellcode einsehen, eigene Anpassungen vornehmen oder das Projekt als Inspiration für lokale KI-Anwendungen nutzen.