Industrielle KI unterscheidet sich deutlich von Anwendungen in Büro- oder Consumer-Umgebungen. Produktionsanlagen arbeiten mit heterogenen Datenquellen, kurzen Zykluszeiten, hohen Anforderungen an Verfügbarkeit und deterministische Abläufe. Gleichzeitig stammen viele relevante Informationen aus Maschinen, deren Lebenszyklus mehrere Jahrzehnte umfasst. Ein leistungsfähiges Basismodell allein reicht deshalb nicht aus. Entscheidend ist eine Architektur, die Datenaufnahme, Modellanpassung, Edge-Verarbeitung und kontinuierliche Überwachung miteinander verbindet.
Heterogene Maschinendaten erfordern eine einheitliche Datenbasis
Industrielle KI-Systeme verarbeiten Zeitreihen, Ereignisdaten, Bildinformationen, Prozessparameter und unstrukturierte Dokumente. Die Daten stammen beispielsweise aus SPS-Steuerungen, Condition-Monitoring-Sensoren, Kameras, Historian-Systemen, MES- oder ERP-Anwendungen.
Protokolle wie OPC UA und MQTT erleichtern die Integration moderner Komponenten. Bei älteren Maschinen übernehmen Edge-Gateways häufig die Übersetzung proprietärer Schnittstellen. Eine zusätzliche semantische Schicht ordnet Messwerte eindeutig Maschinen, Baugruppen oder Prozessschritten zu.
Gerade bei Predictive Maintenance spielt die zeitliche Korrelation eine zentrale Rolle. Vibrationsdaten mit Abtastraten im Kilohertz-Bereich müssen beispielsweise mit Drehzahl, Lastzustand und Werkzeugdaten synchronisiert werden. Erst diese Kontextinformationen ermöglichen eine belastbare Interpretation.
Feature Engineering bleibt trotz Deep Learning relevant
Deep-Learning-Modelle können relevante Merkmale teilweise selbst aus Rohdaten extrahieren. In industriellen Anwendungen liefert klassisches Feature Engineering dennoch häufig zusätzliche Informationen.
Bei der Zustandsüberwachung rotierender Maschinen entstehen beispielsweise Kennwerte aus:
- RMS-Werten und statistischen Momenten
- FFT- und Spektralanalysen
- Hüllkurvenspektren
- Wavelet-Transformationen
- Temperatur- und Lastprofilen
Solche Merkmale reduzieren die Datenmenge und bilden physikalische Zusammenhänge explizit ab. Besonders bei kleinen Datensätzen kann die Kombination aus domänenspezifischen Features und Machine Learning bessere Ergebnisse liefern als ein ausschließlich datengetriebener Ansatz.
Fine-Tuning muss nicht das gesamte Modell verändern
Große Basismodelle lassen sich heute deutlich effizienter an industrielle Aufgaben anpassen als noch vor wenigen Jahren. Parameter Efficient Fine-Tuning verändert nicht sämtliche Modellparameter, sondern ergänzt beispielsweise zusätzliche Low-Rank-Matrizen. Verfahren wie LoRA reduzieren dadurch Speicherbedarf und Trainingsaufwand erheblich.
Für Sprachmodelle eignet sich Fine-Tuning vor allem zur Anpassung an Terminologie, Ausgabeformate oder wiederkehrende Aufgaben. Das eigentliche Fachwissen sollte dagegen häufig außerhalb des Modells verbleiben.
Retrieval Augmented Generation kombiniert dazu ein Large Language Model mit einer externen Wissensbasis. Technische Dokumente werden segmentiert, in Embeddings überführt und in einer Vektordatenbank gespeichert. Eine semantische Suche ermittelt vor jeder Anfrage relevante Textabschnitte und übergibt sie zusammen mit dem Prompt an das Sprachmodell.
Diese Architektur eignet sich besonders für Wartung, Service und Engineering. Änderungen an Handbüchern oder Fehlerdatenbanken erfordern kein erneutes Modelltraining.
Edge AI reduziert Latenzen und Datenverkehr
Bei Anwendungen mit hohen Datenraten oder kurzen Reaktionszeiten erfolgt die Inferenz häufig direkt an der Maschine. Typische Beispiele sind visuelle Qualitätskontrolle, Anomalieerkennung oder Zustandsüberwachung.
Ein Kamerasystem kann mehrere hochauflösende Bilder pro Sekunde erzeugen. Eine permanente Übertragung sämtlicher Rohdaten in eine Cloud verursacht erheblichen Netzwerkverkehr und verlängert die Reaktionszeit. Edge-Rechner analysieren die Daten dagegen unmittelbar am Entstehungsort.
Damit Modelle auf industrieller Edge-Hardware effizient arbeiten, kommen verschiedene Optimierungsverfahren zum Einsatz. Quantisierung reduziert beispielsweise FP32-Berechnungen auf FP16, INT8 oder teilweise noch kleinere Zahlenformate. Pruning entfernt wenig relevante Modellparameter. Compiler und Inferenz-Frameworks optimieren zusätzlich die Ausführung für GPU, NPU oder spezialisierte KI-Beschleuniger.
Bei zeitkritischen Anwendungen reicht allerdings eine geringe durchschnittliche Latenz nicht aus. Entscheidend sind auch maximale Antwortzeiten und reproduzierbares Laufzeitverhalten.
Synthetische Daten schließen Lücken im Training
Viele industrielle Fehler treten selten auf. Ein Hersteller verfügt deshalb häufig über große Datenmengen aus dem Normalbetrieb, aber nur über wenige Beispiele tatsächlicher Defekte.
Digitale Zwillinge und Simulationen können diese Datenbasis erweitern. Virtuelle Modelle erzeugen kontrolliert unterschiedliche Betriebszustände, Werkzeugverschleiß oder Fehlerbilder. In der Bildverarbeitung lassen sich beispielsweise synthetische Bauteile mit variierenden Oberflächen, Beleuchtungssituationen und Defekten generieren.
Solche synthetischen Daten ersetzen reale Messwerte nicht vollständig. Sie können jedoch seltene Ereignisse gezielt überrepräsentieren und dadurch unausgewogene Trainingsdatensätze verbessern.
MLOps macht aus einem Modell ein produktives System
Die Modellqualität kann sich nach der Inbetriebnahme verändern. Neue Werkzeuge, andere Materialchargen, geänderte Maschinenparameter oder Sensoralterung führen zu Data Drift. Verändert sich zusätzlich der Zusammenhang zwischen Eingangsdaten und Zielgröße, entsteht Concept Drift.
Ein industrielles MLOps-Konzept überwacht deshalb nicht nur Softwareversionen, sondern auch Datenverteilungen und Modellmetriken. Modellregister dokumentieren eingesetzte Versionen, Trainingsdaten und Hyperparameter. Automatisierte Pipelines testen neue Modelle zunächst gegen Referenzdatensätze, bevor ein kontrollierter Rollout erfolgt.
In sicherheits- oder qualitätskritischen Prozessen bleibt zudem eine Rückfallebene erforderlich. Eine KI sollte klassische Steuerungs- und Schutzfunktionen nicht unkontrolliert ersetzen. Häufig übernimmt sie deshalb zunächst eine unterstützende Rolle, beispielsweise als Anomaliedetektor oder Entscheidungshilfe.
Die eigentliche Herausforderung industrieller KI liegt damit weniger im einzelnen Modell als in der Systemarchitektur. Erst saubere Datenmodelle, domänenspezifische Anpassung, optimierte Inferenz und kontinuierliches Monitoring machen aus einem KI-Modell ein robustes Produktionssystem.