{"id":503,"date":"2026-07-28T06:27:49","date_gmt":"2026-07-28T06:27:49","guid":{"rendered":"https:\/\/www.supralogic.ch\/uncategorized\/your-factory-has-data-that-does-not-mean-it-is-ready-for-ai\/"},"modified":"2026-07-28T06:27:49","modified_gmt":"2026-07-28T06:27:49","slug":"nur-weil-ihr-werk-uber-daten-verfugt-heist-das-noch-lange-nicht-dass-es-fur-ki-bereit-ist","status":"publish","type":"post","link":"http:\/\/www.supralogic.ch\/de\/industrial-tech\/smart-manufacturing\/your-factory-has-data-that-does-not-mean-it-is-ready-for-ai\/","title":{"rendered":"Ihre Fabrik verf\u00fcgt \u00fcber Daten. Das bedeutet jedoch nicht, dass sie f\u00fcr KI bereit ist."},"content":{"rendered":"<figure class=\"wp-block-image size-large\">\n<img decoding=\"async\" width=\"1080\" height=\"608\" src=\"https:\/\/www.supralogic.ch\/wp-content\/uploads\/2026\/07\/supralogic_image_20260725_053224.jpg\" alt=\"\" class=\"wp-image-502\" srcset=\"http:\/\/www.supralogic.ch\/wp-content\/uploads\/2026\/07\/supralogic_image_20260725_053224.jpg 1080w, http:\/\/www.supralogic.ch\/wp-content\/uploads\/2026\/07\/supralogic_image_20260725_053224-300x169.jpg 300w, http:\/\/www.supralogic.ch\/wp-content\/uploads\/2026\/07\/supralogic_image_20260725_053224-1024x576.jpg 1024w, http:\/\/www.supralogic.ch\/wp-content\/uploads\/2026\/07\/supralogic_image_20260725_053224-768x432.jpg 768w, http:\/\/www.supralogic.ch\/wp-content\/uploads\/2026\/07\/supralogic_image_20260725_053224-18x10.jpg 18w\" sizes=\"(max-width: 1080px) 100vw, 1080px\" \/>\n<figcaption><em>Foto von Andres Siimon (@johnmcclane) auf Unsplash<\/em><\/figcaption>\n<\/figure>\n\n\n<style>body.single-post .cm-featured-image { display: none !important; }<\/style>\n\n<p data-start=\"64\" data-end=\"388\" class=\"PDq2pG_selectionAnchorContainer\">Ein Produktionsleiter kann in der Regel auf jahrelange <a href=\"https:\/\/www.supralogic.ch\/de\/unternehmens-ki\/ki-im-betrieb\/wenn-humanoide-roboter-wirtschaftlich-sinnvoll-werden\/\">Maschine<\/a> Protokolle, Qualit\u00e4tsberichte, Wartungsaufzeichnungen und Sensorwerte, die an verschiedenen Stellen im gesamten Unternehmen gespeichert sind. Auf dem Papier scheint das Werk genau das zu bieten, was ein industrielles KI-Projekt ben\u00f6tigt: gro\u00dfe Mengen an Betriebsdaten, die im Rahmen der t\u00e4glichen Produktion anfallen.<span aria-hidden=\"true\" class=\"PDq2pG_selectionAnchor\"><\/span><\/p>\n<p data-start=\"390\" data-end=\"882\">Der erste Pilotversuch offenbart oft eine weniger erfreuliche Realit\u00e4t. Die Maschinennamen unterscheiden sich von System zu System, Zeitstempel stimmen nicht \u00fcberein, Wartungsnotizen werden als Freitext gespeichert, und die Qualit\u00e4tsdatenbank erfasst einen Defekt, ohne die ihm vorausgegangenen Prozessbedingungen zu dokumentieren. Ingenieure verstehen, was die einzelnen Werte bedeuten, da sie die Produktionslinie, das Produkt und die Geschichte der Anlagen kennen, doch ein KI-System sieht nur unzusammenh\u00e4ngende Messwerte, deren Bedeutung nie explizit gemacht wurde.<\/p>\n<p data-start=\"884\" data-end=\"1235\">Industrieunternehmen leiden selten unter einem v\u00f6lligen Mangel an Daten. Ihre Schwierigkeiten r\u00fchren vielmehr daher, dass die ihnen vorliegenden Informationen f\u00fcr Wartungs-, Kontroll-, Compliance- oder Berichtszwecke und nicht f\u00fcr maschinelles Lernen erhoben wurden, wodurch ein Gro\u00dfteil dieser Daten fragmentiert, unzureichend beschriftet und losgel\u00f6st vom betrieblichen Kontext ist, der f\u00fcr eine zuverl\u00e4ssige Entscheidungsfindung erforderlich ist.<\/p>\n<h2 data-section-id=\"1fes70\" data-start=\"1237\" data-end=\"1285\">Eine Messung ist noch kein industrielles Wissen<\/h2>\n<p data-start=\"1287\" data-end=\"1744\">Eine Temperatur von 82 Grad, eine Schwingungsspitze oder ein pl\u00f6tzlicher Anstieg des Energieverbrauchs m\u00f6gen zwar aussagekr\u00e4ftig erscheinen, doch l\u00e4sst sich keiner dieser Werte f\u00fcr sich genommen richtig interpretieren. Dieselbe Temperatur k\u00f6nnte in einer Produktionsphase auf einen normalen Betrieb hindeuten und in einer anderen auf einen sich anbahnenden Fehler, w\u00e4hrend ein Schwingungsmuster, das bei einer Maschine ungew\u00f6hnlich erscheint, nach einem Werkzeugwechsel oder beim Einsatz eines anderen Materials im Prozess durchaus zu erwarten ist.<\/p>\n<p data-start=\"1746\" data-end=\"2147\">Damit ein KI-Modell diese Unterschiede erkennen kann, muss der Messwert mit der Maschine, die ihn erzeugt hat, dem hergestellten Produkt, der Rezeptur und dem Betriebsmodus, dem zu diesem Zeitpunkt eingesetzten Werkzeug sowie den nachfolgenden Ereignissen verkn\u00fcpft werden. M\u00f6glicherweise sind zudem Informationen \u00fcber die Schicht, die Umgebungsbedingungen, die Lieferantencharge, die Wartungshistorie und dar\u00fcber erforderlich, ob ein Techniker eine Einstellung vor\u00fcbergehend angepasst hat.<\/p>\n<p data-start=\"2149\" data-end=\"2398\">Diese Rahmeninformationen sind es, die ein Signal in einen verwertbaren industriellen Kontext einordnen. Ohne sie k\u00f6nnte ein Modell statistische Zusammenh\u00e4nge aufdecken, die zwar \u00fcberzeugend erscheinen, dabei jedoch normale Schwankungen in der Produktion mit Anzeichen f\u00fcr Ausf\u00e4lle oder mangelnde Qualit\u00e4t verwechseln.<\/p>\n<p data-start=\"2400\" data-end=\"2610\">Ein Werk kann daher zwar Milliarden von Datenpunkten erfassen, verf\u00fcgt aber dennoch nicht \u00fcber die erforderlichen Informationen, um eine relativ einfache Frage zu beantworten: Unter welchen genauen Bedingungen treten bei diesem Prozess erstmals Fehler auf?<\/p>\n<h2 data-section-id=\"1392weh\" data-start=\"2612\" data-end=\"2663\">Die Werksdaten wurden f\u00fcr unterschiedliche Zwecke erstellt<\/h2>\n<p data-start=\"2665\" data-end=\"3195\">Die Schwierigkeit liegt in der Architektur industrieller Abl\u00e4ufe begr\u00fcndet. SPSen wurden zur Steuerung von Maschinen entwickelt, Historien-Systeme zur Speicherung von Zeitreihensignalen, Fertigungssteuerungssysteme zur Verwaltung der Produktion und Unternehmensplattformen zur Abwicklung von Auftr\u00e4gen, Materialien und Finanzen. Qualit\u00e4ts-, Wartungs- und Konstruktionsteams f\u00fchrten h\u00e4ufig zus\u00e4tzliche Anwendungen entsprechend ihren eigenen Anforderungen ein, wodurch eine Landschaft entstand, in der jedes System zwar eine berechtigte Funktion erf\u00fcllt, aber dieselbe Fabrik unterschiedlich beschreibt.<\/p>\n<p data-start=\"3197\" data-end=\"3538\">Die im Instandhaltungssystem f\u00fcr eine Maschine verwendete Kennung stimmt m\u00f6glicherweise nicht mit der im Historien-System verwendeten Kennung \u00fcberein. Ein Produkt kann in der Konstruktion einen Namen, in der Produktion einen anderen und im kaufm\u00e4nnischen System einen dritten Namen haben, w\u00e4hrend \u00c4nderungen an einer Komponente zwar in einem Dokument erfasst werden, sich jedoch nicht durchg\u00e4ngig in den von der Produktionslinie erfassten Daten widerspiegeln.<\/p>\n<p data-start=\"3540\" data-end=\"3892\">Diese Fragmentierung hindert die Mitarbeiter nicht immer daran, ihre Arbeit zu erledigen, da erfahrene Teams wissen, wie die Systeme miteinander zusammenh\u00e4ngen. Sie wissen, dass sich \u201cLinie 4\u201d, \u201cL04\u201d und eine interne Anlagenummer auf dieselbe Anlage beziehen, und sie erinnern sich daran, dass w\u00e4hrend einer bestimmten Stilllegung ein Sensor ausgetauscht wurde, auch wenn dieser Austausch nie in strukturierter Form dokumentiert wurde.<\/p>\n<p data-start=\"3894\" data-end=\"4177\">KI kann sich nicht auf dieses informelle Wissen st\u00fctzen, solange es nicht von der Organisation erfasst wird. Das Modell ben\u00f6tigt einheitliche Identit\u00e4ten, Beziehungen und Definitionen, die Daten system\u00fcbergreifend miteinander verkn\u00fcpfen; andernfalls bleibt ein Gro\u00dfteil der Bedeutung der Fabrik in den Erfahrungen einzelner Mitarbeiter eingeschlossen.<\/p>\n<h2 data-section-id=\"zxxp0i\" data-start=\"4179\" data-end=\"4234\">Mehr Sensoren k\u00f6nnen eine schwache Datenbasis nicht ausgleichen<\/h2>\n<p data-start=\"4236\" data-end=\"4564\">Wenn bei einem industriellen KI-Projekt n\u00fctzliche Informationen fehlen, besteht die instinktive Reaktion oft darin, zus\u00e4tzliche Sensoren zu installieren. In manchen F\u00e4llen ist dies notwendig, insbesondere wenn ein wichtiger physikalischer Zustand noch nie gemessen wurde; m\u00f6glicherweise erfasst die Fabrik jedoch bereits gen\u00fcgend Signale und ist lediglich nicht in der Lage, diese gemeinsam zu interpretieren.<\/p>\n<p data-start=\"4566\" data-end=\"4891\">Das Hinzuf\u00fcgen weiterer Ger\u00e4te zu einer fragmentierten Umgebung kann zwar das Datenvolumen erh\u00f6hen, tr\u00e4gt jedoch nicht zu einem besseren Verst\u00e4ndnis bei. Das Unternehmen erh\u00e4lt zwar zus\u00e4tzliche Datenstr\u00f6me zu Vibrationen, Druck und Temperatur, kann jedoch nach wie vor nicht feststellen, welcher Fertigungsauftrag gerade ausgef\u00fchrt wurde, als die Anomalie auftrat, oder ob das daraus resultierende Bauteil sp\u00e4ter die Pr\u00fcfung nicht bestanden hat.<\/p>\n<p data-start=\"4893\" data-end=\"5310\">Vor dem Ausbau seines Sensornetzwerks sollte ein Hersteller festlegen, welche Entscheidung die KI-Anwendung unterst\u00fctzen soll und welche Informationen erforderlich sind, um diese Entscheidung zuverl\u00e4ssig zu treffen. Die Vorhersage eines Werkzeugausfalls erfordert andere Daten als die Optimierung des Energieverbrauchs, w\u00e4hrend die Ermittlung der Ursache eines Oberfl\u00e4chenfehlers m\u00f6glicherweise eine Kombination aus Prozessparametern, Materialherkunft, Maschinenzustand und Bilddaten erfordert.<\/p>\n<p data-start=\"5312\" data-end=\"5567\">Wenn man mit der operativen Fragestellung beginnt, verhindert man, dass das Projekt zu einer wahllosen Datenerfassung ausartet. Das Ziel besteht nicht darin, einen m\u00f6glichst gro\u00dfen Data Lake anzulegen, sondern die Zusammenh\u00e4nge zu bewahren, die erkl\u00e4ren, was in der Produktion geschehen ist.<\/p>\n<h2 data-section-id=\"11lb0um\" data-start=\"5569\" data-end=\"5624\">Historische Aufzeichnungen vermitteln oft ein verzerrtes Bild<\/h2>\n<p data-start=\"5626\" data-end=\"5993\">Industrielle KI-Systeme lernen aus den ihnen zur Verf\u00fcgung stehenden Beispielen, doch die Betriebshistorie einer Fabrik ist selten ausgewogen oder vollst\u00e4ndig. Eine gut gewartete Maschine liefert jahrelange Daten zum Normalbetrieb, aber relativ wenige Beispiele f\u00fcr St\u00f6rungen. Schwerwiegende Fehler treten m\u00f6glicherweise nur gelegentlich auf, w\u00e4hrend kleinere Probleme von erfahrenen Technikern behoben werden, bevor sie zu offiziellen Vorf\u00e4llen werden.<\/p>\n<p data-start=\"5995\" data-end=\"6329\">Der daraus resultierende Datensatz enth\u00e4lt eine F\u00fclle von Routinevorg\u00e4ngen und nur eine geringe Anzahl der Ereignisse, die das Modell erkennen soll. Selbst diese Beispiele sind m\u00f6glicherweise unzuverl\u00e4ssig, da Fehlercodes uneinheitlich eingegeben wurden, Wartungsnotizen nicht detailliert genug sind oder verschiedene Techniker unterschiedliche Bezeichnungen f\u00fcr dasselbe Problem verwendet haben.<\/p>\n<p data-start=\"6331\" data-end=\"6646\">Auch die betrieblichen Abl\u00e4ufe \u00e4ndern sich. Eine Maschine kann mit neuen Werkzeugen, neuer Software oder neuen Komponenten ausgestattet werden, und das heute verwendete Material kann sich anders verhalten als das Material, das zum Zeitpunkt der Erfassung der historischen Daten verwendet wurde. Ein auf der Vergangenheit trainiertes Modell kann an Relevanz verlieren, auch wenn seine technische Genauigkeit einst als hoch galt.<\/p>\n<p data-start=\"6648\" data-end=\"6978\">Dadurch ist die Aufbereitung von Industriedaten anspruchsvoller als das Entfernen doppelter Zeilen aus einer Datenbank. Ingenieure und Bediener m\u00fcssen feststellen, ob die Datens\u00e4tze noch den aktuellen Prozess widerspiegeln, welche Ereignisse korrekt gekennzeichnet wurden und in welchen F\u00e4llen das Fehlen einer protokollierten St\u00f6rung lediglich darauf zur\u00fcckzuf\u00fchren ist, dass rechtzeitig eingegriffen wurde.<\/p>\n<p data-start=\"6980\" data-end=\"7154\">Die Geschichte des Werks ist keine neutrale Darstellung der Produktion. Es handelt sich um eine einseitige Aufzeichnung, die durch \u00c4nderungen an den Anlagen, menschliches Ermessen und die Berichtsgewohnheiten verschiedener Teams gepr\u00e4gt ist.<\/p>\n<h2 data-section-id=\"own860\" data-start=\"7156\" data-end=\"7222\">Unstrukturierte Informationen enthalten oft die fehlende Erkl\u00e4rung<\/h2>\n<p data-start=\"7224\" data-end=\"7466\">Ein Teil des wertvollsten industriellen Wissens ist nicht in einer Sensordatenbank gespeichert. Es findet sich in Wartungskommentaren, Schichtprotokollen, Inspektionsfotos, technischen Zeichnungen, Lieferantenberichten und Gespr\u00e4chen zwischen erfahrenen Bedienern.<\/p>\n<p data-start=\"7468\" data-end=\"7812\">Aus einem Messwertprotokoll geht m\u00f6glicherweise hervor, dass die Schwingungen vor dem Stillstand einer Maschine zugenommen haben, w\u00e4hrend in der Wartungsnotiz erl\u00e4utert wird, dass zwei Wochen zuvor ein Ersatzlager eines neuen Lieferanten eingebaut worden war. Ein Qualit\u00e4tssystem erfasst eine Ma\u00dfabweichung, doch in einem Schichtbericht wird erw\u00e4hnt, dass das Material an diesem Morgen ungew\u00f6hnlich schwer zu bearbeiten war.<\/p>\n<p data-start=\"7814\" data-end=\"8165\">Genau diese Zusammenh\u00e4nge sind f\u00fcr die KI von entscheidender Bedeutung, doch die Informationen sind h\u00e4ufig in PDF-Dateien, handschriftlichen Notizen oder inkompatiblen Anwendungen gespeichert. Die Fachsprache der Industrie stellt eine weitere Herausforderung dar, da Abk\u00fcrzungen, lokale Fachbegriffe und Spitznamen f\u00fcr Maschinen f\u00fcr die Mitarbeiter zwar selbstverst\u00e4ndlich sein m\u00f6gen, au\u00dferhalb eines bestimmten Standorts jedoch unverst\u00e4ndlich bleiben.<\/p>\n<p data-start=\"8167\" data-end=\"8501\">Gro\u00dfe Sprachmodelle k\u00f6nnen dabei helfen, einen Teil dieses Materials zu extrahieren und zu strukturieren, erfordern jedoch nach wie vor ein kontrolliertes Vokabular und Verkn\u00fcpfungen zu verl\u00e4sslichen Betriebsdaten. Die Umwandlung einer Techniker-Notiz in ein strukturiertes Ereignis ist nur dann sinnvoll, wenn das Unternehmen diese mit der richtigen Anlage, Komponente, dem richtigen Zeitpunkt und dem richtigen Fertigungsauftrag verkn\u00fcpfen kann.<\/p>\n<p data-start=\"8503\" data-end=\"8646\">Dabei geht es nicht nur darum, Dokumente zu digitalisieren. Es geht darum, die darin enthaltene Bedeutung zu bewahren und sie mit dem physischen Vorgang zu verkn\u00fcpfen, den sie beschreiben.<\/p>\n<h2 data-section-id=\"1j3c7mp\" data-start=\"8648\" data-end=\"8706\">Die Kontextualisierung ist die Aufgabe, die die meisten Piloten untersch\u00e4tzen<\/h2>\n<p data-start=\"8708\" data-end=\"9054\">Industrielle KI-Projekte werden oft als Initiativen zur Modellentwicklung dargestellt, sodass Teams viel Zeit damit verbringen, Algorithmen zu vergleichen, w\u00e4hrend sie die Datenaufbereitung als vorbereitende technische Aufgabe betrachten. In der Praxis besteht die anspruchsvolle Arbeit jedoch darin, Signale so mit Anlagen, Produkten, Ereignissen und Prozessbedingungen zu verkn\u00fcpfen, dass sie einheitlich genutzt werden k\u00f6nnen.<\/p>\n<p data-start=\"9056\" data-end=\"9366\">Dieser Vorgang wird als Kontextualisierung bezeichnet. Dabei werden Daten in den Fabrikbetrieb eingebettet, anstatt sie als isolierte Werte zu belassen. So wird beispielsweise aus einem Druckmesswert der Druck in einer bestimmten Phase eines spezifischen Produktionszyklus, an einer namentlich genannten Maschine, bei der Verarbeitung einer definierten Materialcharge nach einem protokollierten Rezept.<\/p>\n<p data-start=\"9368\" data-end=\"9777\">Sobald diese Zusammenh\u00e4nge bestehen, kann dieselbe Grundlage mehrere Anwendungen unterst\u00fctzen. Ingenieure k\u00f6nnen Qualit\u00e4tsabweichungen untersuchen, Wartungsteams k\u00f6nnen das Verhalten von Anlagen vergleichen und Energiemanager k\u00f6nnen produktiven Verbrauch von Verschwendung unterscheiden. Digitale Zwillinge und KI-Agenten k\u00f6nnen zudem auf eine gemeinsame Betriebsstruktur zur\u00fcckgreifen, anstatt f\u00fcr jedes Projekt eine separate Interpretation der Fabrik zu erstellen.<\/p>\n<p data-start=\"9779\" data-end=\"10089\">Die Alternative besteht in einer Reihe von isolierten Pilotprojekten, bei denen jedes Team dieselben Datenquellen f\u00fcr einen eng gefassten Anwendungsfall bereinigt und neu verkn\u00fcpft. Die Demonstration mag zwar gelingen, doch l\u00e4sst sich die Arbeit nicht skalieren, da die zugrunde liegenden Daten fragmentiert bleiben und jede neue Anwendung vom selben schwierigen Ausgangspunkt ausgeht.<\/p>\n<p data-start=\"10091\" data-end=\"10400\">Aktuelle Forschungsergebnisse aus dem Fertigungsbereich zeigen weiterhin, dass industrielle Big Data, heterogene Sensorik und ein effektives Datenmanagement zu den entscheidenden Hindernissen f\u00fcr einen zuverl\u00e4ssigen Einsatz von KI z\u00e4hlen, insbesondere dort, wo Systeme in Umgebungen mit hohem Risiko sicher und nachvollziehbar arbeiten m\u00fcssen. <span class=\"\" data-state=\"closed\"><\/span><\/p>\n<h2 data-section-id=\"1c096qa\" data-start=\"10402\" data-end=\"10449\">Datenqualit\u00e4t muss operativ definiert werden<\/h2>\n<p data-start=\"10451\" data-end=\"10657\">In Unternehmen stehen bei Diskussionen \u00fcber Datenqualit\u00e4t h\u00e4ufig Vollst\u00e4ndigkeit, Genauigkeit und Konsistenz im Mittelpunkt. Diese Aspekte sind in der Fertigung zwar wichtig, doch m\u00fcssen Industriedaten auch im Hinblick auf den physikalischen Prozess bewertet werden.<\/p>\n<p data-start=\"10659\" data-end=\"11005\">Ein Sensor kann technisch g\u00fcltige Werte liefern, obwohl er schlecht kalibriert ist. Ein Zeitstempel kann in einem System korrekt aufgezeichnet werden, ist jedoch nutzlos, wenn eine andere Anwendung eine andere Uhr verwendet. Ein als \u201cin Betrieb\u201d gekennzeichneter Maschinenzustand kann die Einrichtungsphase, Testphase und den Produktivbetrieb umfassen, auch wenn diese Zust\u00e4nde nicht gemeinsam analysiert werden sollten.<\/p>\n<p data-start=\"11007\" data-end=\"11301\">Die Mitarbeiter, die am n\u00e4chsten an der Produktion stehen, sind daher unverzichtbar. Dateningenieure k\u00f6nnen L\u00fccken und Unstimmigkeiten aufdecken, aber erst die Bediener, Wartungsspezialisten und Verfahrenstechniker wissen, ob ein Signal physikalisch plausibel ist und ob sich seine Interpretation unter bestimmten Bedingungen \u00e4ndert.<\/p>\n<p data-start=\"11303\" data-end=\"11604\">Diese Zusammenarbeit verhindert zudem einen h\u00e4ufigen Fehler, bei dem ein statistisch einwandfreier Datensatz den Prozess falsch darstellt. Das Entfernen eines offensichtlichen Ausrei\u00dfers kann das fr\u00fcheste Anzeichen eines Fehlers beseitigen, w\u00e4hrend die Mittelwertbildung der Messwerte \u00fcber einen geeigneten Zeitraum das kurze Ereignis verbergen kann, das einen Defekt verursacht hat.<\/p>\n<p data-start=\"11606\" data-end=\"11758\">Die KI-Bereitschaft kann nicht allein von der IT-Abteilung bescheinigt werden. Es kommt darauf an, ob technische Daten und die betriebliche Realit\u00e4t noch dasselbe beschreiben.<\/p>\n<h2 data-section-id=\"1uomy2l\" data-start=\"11760\" data-end=\"11822\">Die Governance entscheidet dar\u00fcber, ob die Daten sp\u00e4ter als vertrauensw\u00fcrdig gelten k\u00f6nnen<\/h2>\n<p data-start=\"11824\" data-end=\"12132\">Ein KI-Modell kann mit einem sorgf\u00e4ltig aufbereiteten Datensatz starten und nach und nach an Zuverl\u00e4ssigkeit verlieren, weil sich die Produktionsumgebung ver\u00e4ndert. Sensoren werden ausgetauscht, Rezepturen angepasst, Produkte weiterentwickelt und Systeme erhalten Software-Updates \u2013 oft, ohne dass die f\u00fcr das Modell verantwortlichen Teams \u00fcber diese \u00c4nderungen informiert werden.<\/p>\n<p data-start=\"12134\" data-end=\"12426\">Hersteller ben\u00f6tigen daher klare Zust\u00e4ndigkeiten f\u00fcr wichtige Datenquellen. Es muss immer klar sein, was eine Variable bedeutet, wie sie generiert wird und wann sich ihre Definition \u00e4ndert. Der Kalibrierungsverlauf, fehlende Zeitr\u00e4ume und manuelle Korrekturen sollten sichtbar bleiben und d\u00fcrfen bei der Aufbereitung nicht verloren gehen.<\/p>\n<p data-start=\"12428\" data-end=\"12777\">Auch die Herkunft der Daten spielt eine Rolle. Wenn ein KI-System eine Wartungsma\u00dfnahme empfiehlt oder ein Qualit\u00e4tsrisiko identifiziert, m\u00fcssen Ingenieure nachvollziehen k\u00f6nnen, welche Daten zu diesem Ergebnis beigetragen haben und ob diese Datens\u00e4tze aus vertrauensw\u00fcrdigen Quellen stammen. Dies ist besonders wichtig, wenn die Empfehlung Auswirkungen auf die Sicherheit, die Einhaltung von Vorschriften oder eine kostspielige Produktionsentscheidung hat.<\/p>\n<p data-start=\"12779\" data-end=\"13068\">Eine Fabrikdatenbasis sollte keine \u201egesch\u00f6nte\u201c Version der Realit\u00e4t schaffen, aus der alle Unsicherheiten entfernt wurden. Sie sollte aufzeigen, wo Informationen unvollst\u00e4ndig sind, auf Sch\u00e4tzungen beruhen oder durch eine \u00c4nderung der Ausr\u00fcstung beeinflusst wurden, damit das Modell und seine Nutzer das Ergebnis mit der gebotenen Vorsicht betrachten k\u00f6nnen.<\/p>\n<h2 data-section-id=\"dgsg1m\" data-start=\"13070\" data-end=\"13116\">Bei Brachfl\u00e4chenanlagen ist ein selektiver Ansatz erforderlich<\/h2>\n<p data-start=\"13118\" data-end=\"13362\">Nur wenige Hersteller k\u00f6nnen ihre gesamte Technologielandschaft erneuern, bevor sie mit KI beginnen, und in etablierten Fabriken kommen oft Maschinen aus mehreren Generationen sowie propriet\u00e4re Schnittstellen und Systeme zum Einsatz, die nie f\u00fcr den Informationsaustausch konzipiert wurden.<\/p>\n<p data-start=\"13364\" data-end=\"13619\">Das Warten auf eine vollst\u00e4ndige Modernisierung w\u00fcrde den Einsatz n\u00fctzlicher Anwendungen auf unbestimmte Zeit hinausz\u00f6gern. Der Versuch, alles auf einmal anzubinden, kann ebenso kontraproduktiv sein, da das Programm dann zu einem kostspieligen Infrastrukturprojekt ohne klaren betrieblichen Nutzen wird.<\/p>\n<p data-start=\"13621\" data-end=\"14032\">Ein glaubw\u00fcrdigerer Ansatz beginnt mit einem Produktionsproblem, dessen wirtschaftlicher Wert bekannt ist. Das Unternehmen ermittelt die zur Untersuchung dieses Problems erforderlichen Daten, identifiziert die wichtigsten L\u00fccken und schafft einen gemeinsamen Kontext, der f\u00fcr die ordnungsgem\u00e4\u00dfe Unterst\u00fctzung dieses Anwendungsfalls ausreicht. Die Arbeit sollte weiterhin Standards und einer Architektur folgen, die sp\u00e4ter erweitert werden k\u00f6nnen, muss jedoch nicht jede historische Inkonsistenz im Werk beheben.<\/p>\n<p data-start=\"14034\" data-end=\"14338\">Ein Hersteller, der beispielsweise versucht, die Fehlerquote an einer Produktionslinie zu senken, k\u00f6nnte zun\u00e4chst Maschineneinstellungen, Qualit\u00e4tsergebnisse, Materialchargen und ausgew\u00e4hlte Wartungsvorg\u00e4nge miteinander verkn\u00fcpfen. Sobald diese Zusammenh\u00e4nge hergestellt sind, l\u00e4sst sich dieselbe Struktur auf benachbarte Produktionslinien ausweiten oder f\u00fcr die vorausschauende Instandhaltung wiederverwenden.<\/p>\n<p data-start=\"14340\" data-end=\"14475\">Dadurch wird eine Datenbasis durch operative Fortschritte geschaffen und nicht durch ein langwieriges Vorbereitungsprogramm, dessen Nutzen abstrakt bleibt.<\/p>\n<h2 data-section-id=\"50qqdb\" data-start=\"14477\" data-end=\"14526\">Ein Data Lake ist nicht dasselbe wie zug\u00e4ngliche Daten<\/h2>\n<p data-start=\"14528\" data-end=\"14767\">Viele Unternehmen haben bereits gro\u00dfe Mengen an Industrieinformationen auf Cloud-Plattformen oder in zentralen Repositorien zusammengef\u00fchrt. Das ist ein wichtiger Schritt, doch die physische Zusammenf\u00fchrung allein macht die Daten noch nicht automatisch verst\u00e4ndlich oder nutzbar.<\/p>\n<p data-start=\"14769\" data-end=\"15122\">Ein Data Lake kann Signale aus allen Standorten enthalten, wobei die gleichen Inkonsistenzen bei der Benennung, fehlenden Verkn\u00fcpfungen und unklaren Zust\u00e4ndigkeiten bestehen bleiben, die bereits in den urspr\u00fcnglichen Systemen vorhanden waren. Die Teams erhalten zwar eine zentrale Suchplattform, m\u00fcssen aber dennoch Wochen damit verbringen, herauszufinden, welche Felder relevant sind und ob verschiedene Werke denselben Prozess auf vergleichbare Weise messen.<\/p>\n<p data-start=\"15124\" data-end=\"15507\">KI ben\u00f6tigt mehr als nur Speicherplatz. Sie ben\u00f6tigt Daten, die auffindbar sind, unter den richtigen Berechtigungen zug\u00e4nglich sind, system\u00fcbergreifend kompatibel sind und wiederverwendbar sind \u2013 und zwar mit ausreichenden Beschreibungen, um ihre Bedeutung zu bewahren. Semantische Modelle, Wissensgraphen und industrielle Data Fabrics werden zunehmend eingesetzt, um diese Beziehungen darzustellen, wobei die Terminologie weniger wichtig ist als die Funktion, die sie erf\u00fcllen.<\/p>\n<p data-start=\"15509\" data-end=\"15764\">Die n\u00fctzliche Ebene ist diejenige, die es einem Modell erm\u00f6glicht zu erkennen, dass ein bestimmter Sensor zu einer bestimmten Maschine geh\u00f6rt, dass die Maschine einen Vorgang an einem definierten Produkt durchgef\u00fchrt hat und dass das daraus resultierende Bauteil sp\u00e4ter ein bestimmtes Qualit\u00e4tsergebnis erhalten hat.<\/p>\n<p data-start=\"15766\" data-end=\"16058\">Siemens beispielsweise beschreibt industrielle Daten-Fabrics als Mittel, um fragmentierte Quellen miteinander zu verkn\u00fcpfen und den f\u00fcr KI erforderlichen Kontext bereitzustellen, w\u00e4hrend die \u00fcbergreifende industrielle KI-Architektur des Unternehmens die Datenerfassung in der Fertigung mit der Kontextualisierung und der bereichs\u00fcbergreifenden Nutzung verbindet. <span class=\"\" data-state=\"closed\"><\/span><\/p>\n<h2 data-section-id=\"2o069v\" data-start=\"16060\" data-end=\"16099\">KI-Agenten legen die Messlatte noch h\u00f6her<\/h2>\n<p data-start=\"16101\" data-end=\"16283\">Ein Vorhersagemodell, das eine ungenaue Wartungswarnung ausgibt, kann die Zeit eines Ingenieurs verschwenden. Ein KI-Agent, der auf der Grundlage unzuverl\u00e4ssiger Daten handelt, kann ein weitaus gr\u00f6\u00dferes betriebliches Problem verursachen.<\/p>\n<p data-start=\"16285\" data-end=\"16676\">Agenten sind darauf ausgelegt, Informationen abzurufen, system\u00fcbergreifend Schlussfolgerungen zu ziehen und Ma\u00dfnahmen mit geringerer direkter Aufsicht einzuleiten. In der Fertigung k\u00f6nnen sie beispielsweise Arbeitsauftr\u00e4ge erstellen, Zeitpl\u00e4ne anpassen, Prozess\u00e4nderungen empfehlen oder die Reaktion auf ein Anlagenereignis koordinieren. Ihr Nutzen h\u00e4ngt davon ab, dass sie Zugang zu Informationen haben, die nicht nur verf\u00fcgbar, sondern auch korrekt miteinander verkn\u00fcpft und ausreichend aktuell sind.<\/p>\n<p data-start=\"16678\" data-end=\"16989\">Ein Mitarbeiter, der einen Alarm sieht, ohne zu wissen, dass sich die Maschine im Wartungsmodus befindet, k\u00f6nnte eine unn\u00f6tige Ma\u00dfnahme einleiten. Ein Mitarbeiter, der eine veraltete Arbeitsanweisung liest, k\u00f6nnte ein Verfahren empfehlen, das nicht mehr zutrifft, w\u00e4hrend inkonsistente Anlagenkennungen dazu f\u00fchren k\u00f6nnen, dass er den Verlauf der falschen Maschine abruft.<\/p>\n<p data-start=\"16991\" data-end=\"17292\">Je autonomer industrielle KI wird, desto h\u00f6her werden die Kosten eines unzureichenden Kontextes. Ein Mensch kann oft erkennen, dass Informationen falsch erscheinen, weil sie im Widerspruch zu seinen Erfahrungen stehen; ein Agent hingegen f\u00fchrt m\u00f6glicherweise mehrere Schritte selbstbewusst fort, solange die Datengrundlage und die Betriebsregeln die Inkonsistenz nicht sichtbar machen.<\/p>\n<p data-start=\"17294\" data-end=\"17558\">Aus diesem Grund wird die Bereitschaft zur Nutzung von Industriedaten zunehmend zu einer Frage des Vertrauens und nicht mehr nur des technischen Zugangs. Agente-basierte Systeme ben\u00f6tigen zuverl\u00e4ssige Produkt- und Betriebskontexte, bevor Unternehmen ihnen vertrauensvoll Handlungsbefugnisse \u00fcbertragen k\u00f6nnen. <span class=\"\" data-state=\"closed\"><\/span><\/p>\n<h2 data-section-id=\"mogsd8\" data-start=\"17560\" data-end=\"17603\">Beginnen Sie mit der Entscheidung, nicht mit dem Datensatz<\/h2>\n<p data-start=\"17605\" data-end=\"17850\">Eine praktische Bereitschaftsbewertung beginnt mit der Auswahl der Entscheidung, die das Unternehmen verbessern m\u00f6chte. Das Team sollte festlegen, wer diese Entscheidung derzeit trifft, welche Informationen dabei herangezogen werden, was ein korrektes Ergebnis ausmacht und was passiert, wenn die Entscheidung falsch ausf\u00e4llt.<\/p>\n<p data-start=\"17852\" data-end=\"18164\">Erst dann sollte der Hersteller pr\u00fcfen, ob die erforderlichen Daten vorliegen, ob eine Anbindung m\u00f6glich ist und ob historische Beispiele repr\u00e4sentativ sind. Dadurch wird der Unterschied zwischen einer echten Datenl\u00fccke und einer kontextbezogenen L\u00fccke deutlich, die oft eher eine Dokumentation und Integration erfordert als einen weiteren Sensor.<\/p>\n<p data-start=\"18166\" data-end=\"18478\">Das Unternehmen ben\u00f6tigt zudem eine Ausgangsbasis. Wenn das Ziel darin besteht, ungeplante Ausfallzeiten zu reduzieren, sollte es vor der Einf\u00fchrung des Modells die aktuellen Ausfallzeiten, den Wartungsaufwand und die Fehlalarmquoten kennen. Ohne diesen Vergleich k\u00f6nnte ein KI-Pilotprojekt zwar technisch beeindruckend wirken, jedoch keine messbaren Verbesserungen im Betrieb bewirken.<\/p>\n<p data-start=\"18480\" data-end=\"18774\">Die erste Bereitstellung sollte so nah am Produktionsteam erfolgen, dass Fehler schnell untersucht werden k\u00f6nnen. Ingenieure und Betreiber m\u00fcssen nachvollziehen k\u00f6nnen, wie das Modell zu seinem Ergebnis gelangt ist, falsche Annahmen hinterfragen und \u00c4nderungen im Prozess identifizieren k\u00f6nnen, die von der Datenpipeline nicht erfasst wurden.<\/p>\n<p data-start=\"18776\" data-end=\"18959\">Wenn sich der Anwendungsfall als wertvoll erweist, kann das Unternehmen dieselben Datenbeziehungen weiterverwenden, anstatt von vorne anzufangen. Auf diese Weise werden isolierte Industrieinformationen zu einer wiederverwendbaren Ressource.<\/p>\n<h2 data-section-id=\"15l3pb1\" data-start=\"18961\" data-end=\"19005\">Datenbereitschaft ist eine operative F\u00e4higkeit<\/h2>\n<p data-start=\"19007\" data-end=\"19234\">Fabriken wird oft geraten, ihre Daten vor der Einf\u00fchrung von KI zu bereinigen, als w\u00e4re die Vorbereitung ein Projekt, das abgeschlossen und beendet werden k\u00f6nnte. Industrielle Umgebungen bleiben jedoch nicht lange genug unver\u00e4ndert, als dass diese Sichtweise funktionieren k\u00f6nnte.<\/p>\n<p data-start=\"19236\" data-end=\"19533\">Es kommen neue Maschinen hinzu, Lieferanten wechseln, Produkte werden neu gestaltet und die Bediener finden bessere Wege, den Prozess zu steuern. Jede \u00c4nderung wirkt sich auf die Bedeutung oder Relevanz bestimmter Daten aus, was bedeutet, dass die Kontextualisierung, die Steuerung und die Qualit\u00e4tskontrolle auch nach der Einf\u00fchrung des Modells in die Produktion fortgesetzt werden m\u00fcssen.<\/p>\n<p data-start=\"19535\" data-end=\"19828\">Die Unternehmen, die am besten daf\u00fcr ger\u00fcstet sind, industrielle KI in gro\u00dfem Ma\u00dfstab einzusetzen, sind nicht unbedingt diejenigen mit den umfangreichsten historischen Datenbest\u00e4nden. Es sind vielmehr jene, die wissen, woher ihre Betriebsdaten stammen, in welchem Zusammenhang diese mit dem physikalischen Prozess stehen und wer verantwortlich ist, wenn sich diese Zusammenh\u00e4nge \u00e4ndern.<\/p>\n<p data-start=\"19830\" data-end=\"20139\" data-is-last-node=\"\" data-is-only-node=\"\">Eine Fabrik ist erst dann bereit f\u00fcr KI, wenn ihre Daten eine Entscheidung st\u00fctzen k\u00f6nnen, der die Ingenieure vertrauen \u2013 und nicht, wenn ein Dashboard anzeigt, dass Millionen von Datens\u00e4tzen erfasst wurden. Solange die Signale nicht mit Maschinen, Materialien, Ereignissen und Ergebnissen verkn\u00fcpft sind, verf\u00fcgt das Unternehmen zwar \u00fcber Daten in H\u00fclle und F\u00fclle, aber nur \u00fcber wenig Wissen.<\/p><br>","protected":false},"excerpt":{"rendered":"<p>Der blo\u00dfe Besitz von Daten in Ihrem Werk bedeutet noch nicht, dass Sie f\u00fcr den Einsatz von KI bereit sind. Machen Sie sich mit den komplexen Zusammenh\u00e4ngen vertraut und bereiten Sie sich darauf vor, das Potenzial der KI in der Fertigung zu nutzen.<\/p>","protected":false},"author":2,"featured_media":502,"comment_status":"closed","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"colormag_page_container_layout":"default_layout","colormag_page_sidebar_layout":"default_layout","footnotes":""},"categories":[15],"tags":[],"class_list":["post-503","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-smart-manufacturing"],"_links":{"self":[{"href":"http:\/\/www.supralogic.ch\/de\/wp-json\/wp\/v2\/posts\/503","targetHints":{"allow":["GET"]}}],"collection":[{"href":"http:\/\/www.supralogic.ch\/de\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"http:\/\/www.supralogic.ch\/de\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"http:\/\/www.supralogic.ch\/de\/wp-json\/wp\/v2\/users\/2"}],"replies":[{"embeddable":true,"href":"http:\/\/www.supralogic.ch\/de\/wp-json\/wp\/v2\/comments?post=503"}],"version-history":[{"count":0,"href":"http:\/\/www.supralogic.ch\/de\/wp-json\/wp\/v2\/posts\/503\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"http:\/\/www.supralogic.ch\/de\/wp-json\/wp\/v2\/media\/502"}],"wp:attachment":[{"href":"http:\/\/www.supralogic.ch\/de\/wp-json\/wp\/v2\/media?parent=503"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"http:\/\/www.supralogic.ch\/de\/wp-json\/wp\/v2\/categories?post=503"},{"taxonomy":"post_tag","embeddable":true,"href":"http:\/\/www.supralogic.ch\/de\/wp-json\/wp\/v2\/tags?post=503"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}