KI in der Fertigung — was Fabrikdaten von Modellen verlangen

Die Schwierigkeit von KI in der Fertigung liegt nicht im Modell, sondern in der Beschaffenheit der Daten. Fabriksignale sind kaum gelabelt, ihre Verteilung ändert sich mit den Betriebsbedingungen, und ein fehlender Wert bedeutet etwas anderes als der Wert 0. Zudem sind die Kosten falscher Antworten asymmetrisch — ein einziger übersehener Ausfall und hundert Fehlalarme schaden einer Fabrik auf unterschiedliche Weise.

Dieser Beitrag leitet aus diesen Eigenschaften ab, welche Architektur erforderlich ist. Die Beispiele stammen aus der tatsächlichen Implementierung von PlantPulse AI, die Aussagen gelten jedoch produktunabhängig für KI in der Fertigung allgemein.

Zielgruppe

Data Scientists · Anlageningenieure · technische Verantwortliche, die den Einsatz von KI prüfen. Begriffe wie Zeitreihe, Embedding und RAG werden ohne weitere Erläuterung verwendet. Eine Übersicht der Produktfunktionen finden Sie unter Übersicht der KI-Funktionen, Informationen zum Modell selbst im technischen Whitepaper zu AURA.

1. Was Fabriksignale unterscheidet

Die üblichen Annahmen aus Lehrbüchern zum maschinellen Lernen — unabhängige und identisch verteilte Daten, ausreichend Labels und regulär behandelte fehlende Werte — treffen in Fabriken meist nicht zu.

Eigenschaft	Bedeutung	Auswirkung auf die Architektur
Labels fehlen	Ausfälle sind selten, und noch seltener wird bei einem aufgetretenen Ausfall auch die Ursache dokumentiert	Statt eines überwachten Klassifikators ist ein Verfahren der Standard, das den Normalzustand lernt und Abweichungen misst (Rekonstruktions- · Prognosefehler)
Betriebsbedingungen ändern sich	Die Form des «Normalzustands» variiert je nach Last · Produkt · Jahreszeit · Schicht	Ein fester Schwellenwert erzeugt bereits beim Wechsel der Bedingungen massenhaft Fehlalarme. Schwierige Normalzustände (Hochlastphasen, die anomal wirken) müssen separat behandelt werden
0 und «unbekannt» sind nicht dasselbe	«0 Arbeitsaufträge» ist eine Messung, «CMMS-Verbindung unterbrochen» dagegen nicht	Sobald fehlende Werte mit 0 aufgefüllt werden, wird eine unbeobachtete Anlage als «normal» gemeldet
Signale sind in eine Hierarchie eingebunden	Ein einzelner Tag ist einer Anlage · Linie · Zone · einem Standort untergeordnet	Die Formulierung «Kompressor in Linie 3» muss zunächst in einen Hierarchieknoten aufgelöst werden; dies ist der erste Schritt jeder Abfrage
Die Ursache liegt in der Reihenfolge	Dieselben zwei Signale weisen je nach dem, welches zuerst ansteigt, auf einen anderen Ausfall hin	Ein Modell, das nur Korrelationen betrachtet, kann Ausfälle nicht unterscheiden. Es muss Vorlauf · Nachlauf berücksichtigen
Die Kosten falscher Antworten sind asymmetrisch	Ein nicht erkannter Fehler kostet die Anlage, ein Fehlalarm kostet das Vertrauen der Menschen	Fehlalarme müssen getrennt von nicht erkannten Fehlern gezählt werden, und das Produkt muss einen Weg bieten, Alarme stummzuschalten

Die letzte Zeile wird häufig unterschätzt. Eine Anomalieerkennung, die zu viele Fehlalarme erzeugt, wird letztlich vom Bedienpersonal abgeschaltet. Ein abgeschalteter Detektor erkennt nichts — selbst ein Modell mit 99 % Genauigkeit erreicht nach dem Abschalten 0 %.

2. Aufgaben in Schichten aufteilen — nicht mit einem einzigen großen Modell lösen

Wenn KI in der Fertigung als «Sensordaten für ein großes Sprachmodell bereitstellen» konzipiert wird, gehen drei Dinge gleichzeitig schief. Wellenformen im Sekundentakt sind zu lang, um sie in Tokens zu überführen, Sprachmodelle sind nicht besonders gut darin, Anomalien in Zahlenmustern zu erkennen, und vor allem erfinden sie plausibel klingende Werte, die nie gemessen wurden.

Daher werden die Aufgaben nach ihren Eigenschaften aufgeteilt.

                      질문 「3라인 압축기 요즘 어때?」
                                  │
   ┌──────────────────────────────▼──────────────────────────────┐
   │ ④ 설명 — 언어모델                                             │
   │    도구를 골라 부르고, 결과와 문서를 읽고, 근거와 함께 답한다        │
   └───────┬──────────────────────┬──────────────────────┬───────┘
           │ 도구 호출             │ 도구 호출             │ 검색
   ┌───────▼────────┐    ┌────────▼────────┐    ┌────────▼────────┐
   │ ③ 시계열 모델    │    │ ② 통계 · 규칙     │    │ 문서 검색 (RAG)   │
   │ 이상 · 예측      │    │ 기준선 편차 · 공식 │    │ 절차서 · 이력     │
   └───────┬────────┘    └────────┬────────┘    └─────────────────┘
           └──────────┬───────────┘
              ┌───────▼────────┐
              │ ① 데이터 원장    │  시계열 · 알람 · 작업지시 · 설비 계층
              └────────────────┘

Schicht	Stärken	Nicht dafür vorgesehen
② Statistik · Regeln	Abweichungen von der üblichen Basislinie einer Anlage, technische Formeln (OEE · MTBF · Lagerdefektfrequenz)	Multivariate Muster
③ Zeitreihenmodell	Anomalien in der gemeinsam durch mehrere Kanäle gebildeten «Form», Trends über kurze Horizonte	Ursachenerklärung, Dokumentenabgleich
④ Sprachmodell	Werkzeugauswahl, Zusammenführung von Ergebnissen, Abgleich mit Verfahrensanweisungen, verständliche Erklärung	Zahlen erzeugen

Was eine untere Schicht lösen kann, wird nicht an eine obere Schicht weitergereicht. In realen Fällen ließen sich anomale Bereiche allein anhand der Abweichung von der Basislinie unterscheiden; solche Bereiche werden nicht mit einem Modell gelöst. Die Berechnung erfolgt anhand einer Formel, das Sprachmodell liest das Ergebnis und erklärt es — sobald das Sprachmodell die L10-Lebensdauer «schätzt», lässt sich die Antwort nicht mehr verifizieren.

3. Anomalieerkennung — Normalzustand lernen und Abweichungen messen

Da Labels fehlen, kann kein «Ausfallklassifikator» trainiert werden. Stattdessen wird ein Modell zur Rekonstruktion normaler Signale eingesetzt und die Abweichung der Rekonstruktion als Anomaliewert verwendet. PlantPulse verwendet IBM Granite TSPulse.

Zwei Fehlerarten gemeinsam betrachten

Bewertungsmodus	Messgröße	Erkannte Ereignisse
Rekonstruktion im Zeitbereich	Differenz zwischen Originalsignal und Rekonstruktion	Sprünge · Spitzen · Niveauverschiebungen
Rekonstruktion im Frequenzbereich	Differenz im Spektrum	Änderungen des Schwingungsmusters — Fälle, in denen der Mittelwert gleich bleibt, sich aber das «Schwingungsverhalten» ändert

Frühzeitige Defekte rotierender Maschinen zeigen sich häufig zuerst im zweiten Bereich. Die Amplitude wirkt unauffällig, während ein bestimmtes Frequenzband zu wachsen beginnt. Bei alleiniger Betrachtung des Zeitbereichs wird dies übersehen.

Prüfen Sie, ob die konfigurierten Modi «tatsächlich berechnet werden»

Manche Zeitreihenbibliotheken bestehen die Validierung bereits dann, wenn sie mindestens einen Modus aus der Modusliste unterstützen, und verwerfen nicht unterstützte Modi ohne Ausnahme oder Warnung. So kann das System weiterlaufen, obwohl laut Konfiguration die «Bewertung der Niveauabweichung aktiviert» ist, tatsächlich aber nichts berechnet wird — dies wurde durch Messungen bestätigt (2026-09).

PlantPulse fragt jeden Modus einzeln bei der Bibliothek ab und verweigert das Laden, sobald auch nur ein Modus enthalten ist, den das Modell nicht berechnet. Da jedes Modell eine andere Menge von Modi berechnet (Rekonstruktions- und Prognosemodelle überschneiden sich nicht), kann dieselbe Konfiguration nach einem Modellwechsel eine andere Bedeutung haben.

Kontextlänge und kurze Historien

TSPulse verarbeitet ein Fenster von 512 Schritten. Bei einer neu angebundenen Anlage oder einer kurzen Historie reicht das Fenster nicht aus. In diesem Fall gibt es zwei Möglichkeiten.

• Ablehnen — neue Anlagen erhalten für eine gewisse Zeit überhaupt keine Bewertung
• Links auffüllen — den ältesten Wert wiederholen, bis das Fenster gefüllt ist (edge padding)

PlantPulse verwendet ab mindestens 32 Zeilen die zweite Variante und lehnt Anfragen mit weniger Zeilen ab. Durch das Auffüllen kann zwar eine Bewertung ausgegeben werden, doch ihre Grundlage ist um den aufgefüllten Anteil schwächer — gewichten Sie den Anomaliewert einer Anlage mit kurzer Historie nicht genauso wie den einer Anlage mit langer Historie.

Wichtiger als der Schwellenwert ist ein Weg zum Stummschalten

Unabhängig davon, wie sorgfältig der Schwellenwert festgelegt wird, gibt es Vor-Ort immer Ereignisse, die häufig auftreten, aber kein Problem darstellen. Die Lösung besteht nicht darin, den Schwellenwert weiter zu verschärfen, sondern darin, dem Bedienpersonal zu ermöglichen, solche Ereignisse stummzuschalten.

• Häufig auftretende Elemente werden zusammen mit Anzahl · letztem Auftreten angezeigt; vorgeschlagen werden «Schwellenwert erhöhen / Stummschaltung prüfen» oder «Beobachten»
• Die Stummschaltung stoppt nur Benachrichtigungen und die Eskalation zu Incidents — die Erkennungsdaten bleiben erhalten. Die Grundlage für eine spätere Rückverfolgung darf nicht verloren gehen
• Eine Bestätigung kann nur einmal erfolgen. Die zuerst bestätigende Person und der Zeitpunkt werden gespeichert

Die Oberfläche ist unter TimeSeries-Insight beschrieben.

4. Prognosen — ohne Intervall ist es keine Prognose

Für Trendprognosen wird TinyTimeMixer(TTM) verwendet. Das Modell verarbeitet einen Kontext von 512 Schritten und prognostiziert pro Durchlauf bis zu 96 Schritte — da es für diese Länge trainiert wurde, werden längere Anforderungen nicht stillschweigend gekürzt, sondern abgelehnt. Umfasst die Historie weniger als 512 Schritte, wird der Kontext auf die verfügbare Länge reduziert; der reduzierte Wert wird zusammen mit der Antwort ausgegeben.

Intervalle statt Punktschätzungen

«Die Lagertemperatur beträgt nächste Woche 78 ℃» ist nur begrenzt nützlich. Das Bedienpersonal benötigt eine Aussage wie: «Das 10–90-%-Quantilintervall liegt bei 72–84 ℃, und die Obergrenze erreicht die Alarmgrenze» (die Standardquantile sind 0,1 · 0,9). PlantPulse ergänzt die Prognose um eine conformal-Kalibrierung, aus der das Intervall gebildet wird.

1. Fenster werden durch die historische Zeitreihe geschoben, um Prognosewerte nach dem Prinzip «Was wäre damals prognostiziert worden?» zu erzeugen
2. Die Residuen zwischen diesen Prognosen und den tatsächlich eingetretenen Werten werden gesammelt
3. Aus den Quantilen der Residuen werden Ober- · Untergrenze der aktuellen Prognose bestimmt

Statt das Modell seine Unsicherheit selbst angeben zu lassen, wird das Intervall danach bestimmt, wie stark dieses Modell bei dieser Anlage tatsächlich danebenlag. Da keine Verteilungsannahme erforderlich ist, eignet sich das Verfahren für Daten mit schweren Verteilungsrändern, wie sie bei industriellen Signalen vorkommen.

Werden fehlende Werte mit 0 aufgefüllt, bildet das Intervall die «Größe der Lücke» ab

Enthält ein Druck-Tag mit einem Mittelwert von 1500 kPa fehlende Werte und werden diese mit 0 aufgefüllt, beträgt das Residuum dieses Fensters |1500 − 0|. Das Quantil wird dann nicht durch den Prognosefehler, sondern durch die Größe des fehlenden Werts bestimmt, und das Intervall wird unrealistisch breit — trotzdem bleibt die Kennzeichnung «Intervall erfolgreich berechnet» bestehen.

PlantPulse schließt Fenster mit fehlenden Werten sowie abschließende Fenster, für die noch keine Messwerte vorliegen, aus der Kalibrierungsmenge aus. Reicht die Anzahl der verbleibenden Fenster nicht aus, wird kein Intervall ausgegeben und der Grund in der Antwort angegeben («Mehr Historie bereitstellen»). Kein Intervall ist besser als ein falsches.

5. Stilles Versagen — der teuerste Fehler bei KI in der Fertigung

Zwischenfälle bei KI in der Fertigung entstehen meist dort, wo kein Fehler gemeldet wird. Der Service liefert 200 zurück, der Healthcheck ist grün und die Zahlen wirken plausibel. Diese Zahlen stammen jedoch nicht vom Modell.

In der Praxis traten drei Formen auf.

Form	Was ist passiert?	Gegenmaßnahme
Fallback tritt als Modell auf	Reichen die Daten nicht aus und kann das Modell nicht starten, wird auf eine einfache Extrapolation (drift · seasonal-naive) zurückgegriffen. Die Antwort lautet dennoch 200	Die Antwort enthält model_used und fallback_reason. Der Aufrufer liest und protokolliert diese Angaben — bereits ein steigender Anteil von NAIVE ist ein Signal
Zufällige Gewichte tragen den Namen eines Modells	Obwohl sich die Gewichtsschlüssel zweier Generationen des Prognosemodells (R2 · R3) überhaupt nicht überschneiden, können beide die Checkpoints der jeweils anderen Generation ohne Ausnahme laden. Das Ergebnis ist ein Modell, dessen 445 Parameter vollständig zufällig initialisiert wurden, das unter der Bezeichnung TTM Antworten ausgibt	Beim Laden wird der Vorgang bereits dann abgelehnt, wenn auch nur ein Parameter im Checkpoint fehlt und neu initialisiert werden müsste
Konfigurationsfehler wird wie ein temporärer Fehler behandelt	Der oben beschriebene Konfigurationsfehler wurde vom Fallback abgefangen, sodass das System mit «Healthcheck normal · Prognose 200 · alle Antworten sind einfache Extrapolationen» weiterlief	Fehler werden in zwei Kategorien eingeteilt. Fehler, die auch durch Wiederholungen nicht behoben werden (Konfiguration · GPU-Ausfall), werden als 500 · 503 gemeldet; nur temporäre Fehler (unzureichende Daten) verwenden den Fallback

Verallgemeinert ergibt sich daraus eine Regel: Jede Ausgabe muss angeben, wodurch sie erzeugt wurde. Ob sie vom Modell oder vom Fallback stammt, ob ein Intervall berechnet oder übersprungen wurde und wie viele Zeilen der Bewertung zugrunde lagen. Ohne diese Angaben kann niemand prüfen, ob die betriebene KI tatsächlich KI ist.

Ein Healthcheck bestätigt nur, dass der Prozess «läuft»

Auch bei einer fehlerhaften Prognosekonfiguration stellt derselbe Prozess die Anomalieerkennung weiterhin bereit, weshalb /health normal ist. Ein Healthcheck kann nicht zusätzlich bestätigen, dass «die Antwort korrekt» ist. Daher wird das Ergebnis des Modellladens beim Start in einer einzigen Zeile protokolliert ([MODEL_LOAD] · [MODEL_LOAD_FAIL] · [MODEL_WARMUP_FAIL]), und diese Zeile wird überwacht.

6. Die Ursache liegt in der Reihenfolge — Ausfallmechanismen

«Die Temperatur ist gestiegen» kann viele Ursachen haben: Lagerverschleiß · Schmierstoffmangel · unzureichende Kühlung · elektrischer Fehler · Fouling. Unterschieden werden diese nicht anhand der Höhe eines Werts, sondern danach, was zuerst und was gleichzeitig aufgetreten ist.

Ausfall	Vorausgehendes Signal	Nachfolgendes Signal
Lagerverschleiß	Schwingungsanstieg	Temperaturanstieg folgt · Harmonische der Defektfrequenz
Schmierstoffmangel	Rückgang des Schmierstoffdurchflusses	Starker Temperaturanstieg durch Reibungswärme
Unzureichende Kühlung	Rückgang des Kühlmitteldurchflusses	Nur die Temperatur steigt an (Schwingung normal)
Elektrischer Fehler	Stromunsymmetrie	Leistungsaufnahme · Temperatur steigen gemeinsam
Kavitation	Starker Anstieg des Breitbandrauschens	Förderleistung sinkt → Leistungsaufnahme sinkt

Die Interpretationsregeln lauten wie folgt: Steigt die Schwingung gleichzeitig an, spricht dies eher für eine mechanische Ursache. Steigt nur die Temperatur, deutet dies eher auf Kühlung · Fouling hin. Ist der Schmierstoffdurchfluss zuerst gesunken, ist der starke Temperaturanstieg nicht die Ursache, sondern die Folge. Und während bei allen anderen Modi die Leistungsaufnahme steigt, sinkt sie nur bei Kavitation; dadurch lässt sich dieser Fall eindeutig unterscheiden. Die vollständige Übersicht (11 Ausfallarten × 18 Anlagentypen) finden Sie in Kapitel 5 · 6 des technischen Whitepapers zu AURA.

Entscheidend ist, dass dies nicht allein durch gleichzeitige Korrelation unterschieden werden kann — Korrelation ist symmetrisch, ein Ausfallmechanismus dagegen asymmetrisch. Deshalb werden zwei Verfahren kombiniert.

• Zeitversetzte Kreuzkorrelation. Die Analyse von Tag-Beziehungen verschiebt bei Paaren mit hoher gleichzeitiger Korrelation den Zeitversatz vorwärts und rückwärts (maximal ±10 Samples), ermittelt den Zeitversatz mit der höchsten Korrelation und gibt das Paar bei einem Wert ungleich 0 als Vorlauf- · Nachlaufpaar aus
• Die Struktur des Mechanismus vermitteln. Dem Modell werden nicht Paare nach dem Muster «Symptom → richtige Antwort» gezeigt, sondern zeitliche Verläufe. Zusammen mit der Bewertung muss es einen Begründungssatz mit Zahlen und Zeiträumen ausgeben, etwa: «Die Temperatur stieg zuerst an D+11, die Schwingung folgte an D+19 — die thermische Ursache ging voraus.» Denn die Aussage muss von Menschen überprüfbar sein

Eine monoton steigende Spalte ist allem «voraus»

Wenn vor der Auswahl der zu analysierenden Spalten die gesamte Tabelle in Zahlen konvertiert wird, werden Zeitstempel in Nanosekunden-Ganzzahlen umgewandelt und wie Tags einbezogen. Da sie monoton steigen, liegt ihre Korrelation mit nahezu allem bei 1. So gelangte die Aussage «timestamp geht der Temperatur voraus» in die Diagnose (2026-07). Zeit- · Bezeichnerspalten müssen zuerst ausgeschlossen werden; ebenso Spalten ohne Variation, da für sie kein Korrelationskoeffizient definiert ist.

Historische Fälle werden für denselben Zweck verwendet: Gab es zuvor eine Anomalie mit derselben Form? (Suche nach ähnlichen Anomalien), verhält sich eine Anlage als einzige unter Anlagen desselben Typs anders? (Flottenausreißer), sind jetzt Signale zu erkennen, die früher einem Ausfall vorausgingen? (Inspektion von Vorzeichen). Alle drei Verfahren verwenden «die Vergangenheit dieser Anlage» und «den aktuellen Zustand benachbarter Anlagen» als Basislinie.

7. Erklärung — nur auf Grundlage von Belegen antworten

Die Aufgabe des Sprachmodells besteht darin, zu lesen, auszuwählen und zu erklären. Eine Abfrage läuft ungefähr wie folgt ab.

① 이름을 ID 로      「3라인 압축기」 → 설비 계층의 노드
② 도구를 고른다      분석 · 이력 · 알람 · 문서 · 사진 중 무엇이 필요한가
③ 데이터를 가져온다  이상 점수 · 건강 지수 · 태그 이력
④ 문서를 더 본다     절차서 · 고장 이력 · 규격
⑤ 모아서 답한다      근거를 붙여서

②–④ werden nicht in einem einzigen Durchlauf abgeschlossen. Der Agent wertet Werkzeugergebnisse aus und wählt wiederholt das jeweils nächste Werkzeug. In dieser Struktur wird die Qualität durch drei Faktoren bestimmt.

① Werkzeugschema. Ob das Modell das richtige Werkzeug auswählt und die Argumente korrekt ausfüllt, bestimmt unmittelbar die Qualität der Antwort. Werkzeuge sind standardmäßig deaktiviert; nur aktivierte Werkzeuge sind für den Agenten sichtbar. Je mehr nicht benötigte Werkzeuge verfügbar sind, desto geringer ist die Auswahlgenauigkeit. Außerdem wurde gemessen, dass das Modell bei längeren Prompts seltener Werkzeuge aufruft — mehr Erläuterungen sind nicht immer von Vorteil.

② Die Suchqualität begrenzt die Qualität der Antwort. Industrielle Dokumente enthalten sowohl Zeichenfolgen, die exakt übereinstimmen müssen, etwa Tag-Namen · Teilenummern · Normabschnitte, als auch unterschiedliche Formulierungen mit derselben Bedeutung, beispielsweise «Austauschzyklus» = «Wartungsintervall». Deshalb werden Stichwortsuche (BM25) und semantische Suche (Embedding) kombiniert. Ein Reranker wählt aus den Kandidaten die Passage aus, die die Frage tatsächlich beantwortet. Die Embedding-Dimension wird vertraglich festgelegt, damit der Vektorindex bei einem Modellwechsel nicht neu aufgebaut werden muss. Die Pipeline ist unter RAG-Algorithmus beschrieben.

③ Unwissen eingestehen. Nicht erfasste Werte werden nicht als «normal» gemeldet, und Informationen, die nicht im Kontext enthalten sind, werden nicht verwendet. Dies lässt sich nicht mit einer einzigen Prompt-Zeile erreichen — Aufgaben, bei denen eine zurückgestellte Bewertung die richtige Antwort ist, müssen in den Trainingsdaten enthalten sein, damit das Modell entsprechend antwortet. Deshalb besteht ein Drittel der AURA-Trainingsdaten aus Antworten, die keine definitive Aussage treffen.

8. Messung — ohne Bewertungsmodell

Für industrielle KI gibt es keine Bestenliste. Wird ein anderes Sprachmodell mit der Bewertung beauftragt, erhalten zudem plausibel klingende falsche Antworten hohe Bewertungen. Deshalb wird die Bewertung maschinell durchgeführt.

Was wird bewertet?	Bewertungsgrundlage	Zu beachten
Industrielle Berechnungen	Formeln (30 Gruppen technischer Gleichungen)	Einige Gruppen werden vollständig aus dem Training ausgeschlossen, um Auswendiglernen von tatsächlichem Können zu unterscheiden
Werkzeugaufrufe	Tatsächliches Schema des laufenden Systems	Ausgewähltes Werkzeug · Argumente · mehrstufige Verknüpfung werden getrennt bewertet
Einhaltung der Belege	Vorgegebener Kontext	Werden Fakten genannt, die im Kontext nicht enthalten waren, ist die Antwort falsch
Vor-Ort-Diagnose	Tatsächliche Messwerte und dokumentierte Ausfälle	Die einzige Achse, bei der die richtige Antwort von außerhalb unseres Systems kommt. Schwierige Normalzustände werden beigemischt, und Fehlalarme werden getrennt von nicht erkannten Fehlern gezählt

Hinzu kommen zwei Grundsätze.

• Die Kriterien des Gates werden «vor» der Messung festgelegt. Werden sie erst nach Sichtung der Ergebnisse definiert, sind es keine Kriterien
• Prüfer müssen selbst feststellen können, ob Bewertungsdaten in die Trainingsdaten gelangt sind. Statt sie aufzufordern, einer Zahl zu vertrauen, erhalten sie ein Verfahren zur erneuten Messung

9. Ausführungsort — warum On-Premises der Standard ist

Fertigungsdaten dürfen meist die Fabrik nicht verlassen. Bereits die Prozessbedingungen sind Geschäftsgeheimnisse, und viele Standorte werden in einem Air-Gap-Netzwerk betrieben. Daraus ergibt sich folgende Architektur.

• Das Modell geht zu den Daten. Das Sprachmodell passt als quantisierter Checkpoint (NVFP4) auf eine einzelne GPU und läuft hinter einem OpenAI-kompatiblen Endpunkt. Selbst wenn in der Konfiguration gpt-4o steht, handelt es sich um den kompatiblen Namen eines internen Modells
• Wellenformen werden mit kleinen Modellen verarbeitet. Zeitreihenmodelle mit etwa einer Million Parametern laufen ohne GPU, können daher auf dem Edge eingesetzt werden und verursachen selbst bei einer separaten Anpassung je Anlage kaum Kosten — diese Größenordnung ermöglicht 10.000 Modelle für 10.000 Anlagen (in Forschung, noch nicht in den Produktpfad integriert)
• Inferenz und Gateway werden getrennt. Werden eine leichtgewichtige API und der GPU-basierte Inferenzserver separat betrieben, bleibt die Adresse für Aufrufer unverändert, selbst wenn die Inferenz auf andere Hardware verschoben oder skaliert wird
• Die KI richtet keine eigene Datenbank ein. Zeitreihe · relationale Daten · Cache nutzen gemeinsam das führende System der Platform. Werden Daten doppelt gehalten, stimmen die «von der KI gesehenen Werte» nicht mehr mit den «auf dem Bildschirm angezeigten Werten» überein

Die Bereitstellungsstruktur ist unter KI-Architektur beschrieben, das Zusammenspiel der vier Produkte unter Gesamtarchitektur.

Vor der Einführung prüfen

Bei der Bewertung von KI für die Fertigung sollten unabhängig vom Produkt folgende Fragen gestellt werden.

Frage	Merkmale einer guten Antwort
Wie werden fehlende Werte behandelt?	Sie werden nicht mit 0 aufgefüllt. «Nicht gemessen» wird separat gemeldet
Was wird ausgegeben, wenn das Modell nicht startet?	Es wird ein Fallback verwendet, aber in der Antwort ausdrücklich als Fallback gekennzeichnet
Wie werden Fehlalarme gezählt?	Getrennt von nicht erkannten Fehlern. Das Bedienpersonal kann sie stummschalten, die Daten bleiben jedoch auch nach der Stummschaltung erhalten
Gibt es Prognoseintervalle?	Ja. Und das Intervall basiert auf tatsächlichen Messresiduen
Erzeugt das Sprachmodell Zahlen?	Nein. Formeln und Werkzeuge erzeugen sie, das Sprachmodell liest sie
Wie wurden die Leistungswerte gemessen?	Ohne Bewertungsmodell, mit vorab festgelegten Kriterien und so, dass Prüfer die Messung wiederholen können
Verlassen die Daten die Fabrik?	Nein. Dieselbe Konfiguration läuft auch in einem Air-Gap-Netzwerk

Weitere Informationen

Technisches Whitepaper zu AURA — Entwicklung und Messung des Modells · TimeSeries-Insight — Oberfläche und Werkzeuge für Anomalieerkennung · Prognosen · RAG-Algorithmus — Pipeline für die Dokumentensuche · Technisches Whitepaper zum Data Lake — Dateninfrastruktur für den Betrieb des Modells · Materialien herunterladen