AURA Technisches White Paper
AURA Modell Technisches White Paper. Für technische Prüfer (Data Scientists · Anlagen-Ingenieure · KI-Einführungsprüfer) erklärt es wie industrielle KI-Modelle gebaut und wie sie gemessen werden — anhand von Struktur, Daten und Bewertungsregeln.
Herunterladen
| Sprache | Seiten | Datei |
|---|---|---|
| Koreanisch | 20 Seiten | PlantPulse AURA Technisches White Paper (PDF) |
| English | 20 Seiten | PlantPulse AURA Technical White Paper (PDF) — inhaltlich identisch mit der koreanischen Ausgabe |
Revision 2026.09.
Was enthalten ist
| Kapitel | Inhalt |
|---|---|
| 01 | Stärken — der Unterschied, den die Struktur macht. Eine GPU · keine Neu-Indexierung nötig · Unterscheidung zwischen 0 und „nicht gemessen" · Bewertung ohne Richter-Modell |
| 02 | Aufbau — drei Modelle im Sprach-Track und eine separate Serie für Wellenformen |
| 03 | Training und Daten — ein SFT-Schritt, Adapter, fünf Zweige, aus denen die korrekte Antwort aus Regeln entsteht |
| 04 | Rezept — nicht die Anlage wird gelehrt, sondern der „Fehlermechanismus". Was beim Fine-Tuning und bei der Quantisierung eingespart und was bewahrt wird |
| 05 | Karte der Fehlermechanismen — 11 Fehlerarten × 18 Anlagentypen, Änderungsbreite je Signal und Degradationszeitraum |
| 06 | Unterscheidungsmethode — andere Reihenfolge bedeutet anderen Fehler. Tabelle vor- und nachlaufender Signale und Unterscheidungsregeln |
| 07 | Datenauswahl — zuerst wird gefragt: „Kommt die richtige Antwort von außerhalb von uns?" |
| 08 | Beschaffte Daten — was abgedeckt ist (nach Branche) |
| 09 | Simulator — warum zuerst die Physik festgelegt und daraus das Label abgeleitet wird |
| 10 | „Ich weiß es nicht" sagen — auch Zurückhaltung ist eine richtige Antwort |
| 11 | Herkunft der richtigen Antworten — 30 Berechnungsserien · Normtexte · Verfahrensanweisungen · Tool-Schemata |
| 12 | Trainingsgewichtung — was und wie viel eingebracht wird, formt die Fähigkeit |
| 13 | Identität und Umfang — durch Training, nicht durch Prompt |
| 14 | Suche — bei industriellem RAG ist die Suchqualität die Obergrenze der Antwortqualität |
| 15 | Zeitreihen-Track — Wellenformen mit kleinen Modellen, je eines pro Vor-Ort-Standort |
| 16 | Evaluation — fünf Benchmarks, alle maschinell bewertet ohne Richter-Modell. Bis hin zur Methode, mit der der Prüfer selbst verifizieren kann |
| 17 | Vor-Ort-Diagnose — Aufbau der 158 Fragen und warum Falschalarme separat gezählt werden |
| 18 | On-Premises-Bereitstellung und die nächste Ausgabe |
Was sich in dieser Ausgabe geändert hat
Von 9 auf 20 Seiten erweitert. Die Kernpunkte der elf neu hinzugekommenen Kapitel:
- Karte der Fehlermechanismen (05·06) — Änderungsbreite je Signal und Degradationszeitraum für 11 Fehlerarten × 18 Anlagentypen, und „selbst bei denselben zwei Signalen bedeutet eine andere Reihenfolge einen anderen Fehler". Die Regel, mit der bei steigender Temperatur vier Fälle unterschieden werden, und welcher einzige Modus existiert, bei dem die Leistung „sinkt"
- Datenauswahl (07) — „Kommt die richtige Antwort von außerhalb von uns?" · „Labor oder Vor-Ort?" · „Enthält die Form weniger Annahmen?", und Daten ohne Kausalität zwischen Sensor und Label werden unabhängig von ihrer Größe nicht verwendet
- Beschaffte Daten (08) — welche öffentlichen Messdaten welche Lücke in der Abdeckung schließen, nach Branche
- Simulator (09) — warum Labels aus der Physik «abgeleitet» werden (umgekehrt vorgegangen, entsteht keine Kausalität), und numerisch verifizierte Ergebnisse, ob tatsächlich Kausalität entstanden ist
- „Ich weiß es nicht" sagen (10) — die Kriterien, nach denen Zurückhaltung als richtige Antwort gilt, und warum ein Drittel der Daten keine endgültige Antwort liefert
- Herkunft der richtigen Antworten (11) — 30 Berechnungsserien und sieben Holdouts, Normtexte, zuerst fixierte Verfahrensanweisungen, Tool-Schemata
- Trainingsgewichtung (12) — dominiert ein Zweig, werden die anderen verwässert. Auch der Messwert, dass bei langen Prompts Tools seltener aufgerufen werden, steht hier
- Identität und Umfang (13) — wie erreicht wird, dass sie auch ohne Prompt und auch bei Überschreibung durch fremde Prompts erhalten bleiben
- Suche (14) — asymmetrische Kodierung, warum die Dimension vertraglich fixiert wird, und vier Maßnahmen gegen Datenleckage bei der Evaluation
- Zeitreihen-Track (15) — warum Modelle im Millionen-Parameter-Bereich hier ein Vorteil sind (am Edge ohne GPU, 10.000 Modelle für 10.000 Anlagen) und vier Punkte, in denen sich industrielle Signale von allgemeinen Zeitreihen unterscheiden
Warum diese Ausgabe keine Leistungskennzahlen enthält
Die trainierte Version ist gerade erst in den Produktpfad übernommen worden. Kennzahlen werden erst nach erneuter Messung auf diesem Pfad aufgenommen — würde man Werte, die auf dem alten Pfad gemessen wurden, ins White Paper schreiben, würden diese Zahlen später als Beleg weiter kursieren, selbst wenn sie korrigiert werden.
Was und wie gemessen wird (Aufbau der Fragen · Bewertungsregeln · Kriterien der Datenauswahl) ist bereits festgelegt, sodass Prüfer auf dieselbe Weise in ihrer eigenen Umgebung erneut messen können. Und die Schwellenwerte für die Freigabe werden vor der Messung festgelegt — werden Kriterien anhand der Ergebnisse festgelegt, sind es keine Kriterien mehr.
Eine Leseempfehlung
Sie können auch mit Kapitel 16 (Evaluation) beginnen. Dort steht, was und wie jede der fünf Achsen misst, wie die Bewertungsregeln maschinell umgesetzt sind, und wie der Prüfer selbst verifizieren kann — eine Methode, um direkt zu prüfen, ob die trainierte Version tatsächlich ausgeliefert wird und ob keine Trainingsdaten in die Evaluation durchgesickert sind.
Siehe auch
Einführung in die AURA-Modelle · Architektur · Data-Lake Technisches White Paper — die Dateninfrastruktur, auf der das Modell aufsetzt