Smart Data statt Big Data: Warum Qualität vor Quantität geht

Künstliche Intelligenz ist heute in aller Munde, und viele Organisationen suchen händisch nach Anwendungsfeldern, um ihre Produktivität zu steigern. Doch wenn wir ehrlich sind, ist KI kein Zauberstab, der Probleme von selbst löst. Letztlich handelt es sich um mathematische Modelle, die einen Input verarbeiten und daraus einen Output generieren. Die Komplexität der Aufgabe bestimmt dabei massiv über den Erfolg. Während es ein Leichtes ist, einen vertikalen Stab im Gleichgewicht zu halten, stößt die Technik bei der Koordination eines humanoiden Roboters mit unzähligen Freiheitsgraden schnell an ihre Grenzen.

In der Fertigung stehen wir vor einer ähnlichen Herausforderung. Wir wollen kontinuierliche Verbesserungen erreichen, effizienter werden und aus Daten Aktionen ableiten. Diese Daten sprudeln aus unzähligen Quellen: von Bedienern, Sensoren und Maschinen. Doch bevor wir über komplexe Algorithmen nachdenken, müssen wir uns fragen, was wir eigentlich erreichen wollen. Wir müssen vom Ende her denken und die KI gezielt mit den Informationen füttern, die sie für das gewünschte Ergebnis benötigt. Nehmen wir das Beispiel der Anomalieerkennung. Wenn ich versuche, aus einem Signalverlauf eines Sensors Abweichungen zu erkennen, ist die Signalstrecke mein größter Feind. Ein Originalsignal wandert durch Transformationen, Verschlüsselungen und Netzwerkkomponenten, bis es endlich gespeichert wird. Auf diesem Weg fange ich mir überall Latenzen ein. Was am Ende im System ankommt, ist oft ein verzerrter Verlauf, der kaum noch dem Original entspricht. Für eine KI wird es dann unmöglich zu unterscheiden, ob eine Unregelmäßigkeit ein echter Maschinenfehler ist oder nur ein Produkt der zeitlichen Verzögerung im Netzwerk. Mein Lösungsansatz hierfür ist klar: Wir müssen die Daten direkt am Schaltpunkt, also möglichst dicht an der Quelle, als Zeitreihe erfassen. Wenn wir die Ereignisse dort puffern und mit einem präzisen Zeitstempel versehen, spielen Netzwerklatenzen bei der späteren Analyse keine Rolle mehr. Die Daten bleiben sauber, und die KI kann ihre Arbeit fehlerfrei verrichten.

Ein zweites spannendes Feld ist der Fertigungschat, eine Art Chatbot für die Produktion. Stellen Sie sich vor, Sie könnten ein Manufacturing Execution System (MES) in natürlicher Sprache fragen, wie viele Teile für einen Auftrag produziert wurden oder wie hoch der Ausschuss war. Das ist heute technisch möglich, aber nur unter einer Bedingung: Die KI benötigt ein einheitliches semantisches Datenmodell. Wenn eine Maschine ihre Gutteile als „Ertrag“ bezeichnet, eine andere aber als „Gutteil“, sinkt die Nutzbarkeit solcher Systeme drastisch. Wir müssen die Daten also smart machen, indem wir sie frühzeitig transformieren. Ein Ereignis muss von sich aus wissen, von welcher Maschine es kommt, was es darstellt und zu welchem exakten Zeitpunkt es entstanden ist. Dieser Strom von Ereignissen bildet dann die Basis für alles Weitere.

Die echte Herausforderung beginnt jedoch, wenn wir IT-Systemgrenzen überschreiten. Wenn ich frage, ob für eine störungsanfällige Maschine eine Wartung geplant ist, müssen plötzlich das MES und das Instandhaltungssystem dieselbe Sprache sprechen. Beide müssen wissen, dass die Bezeichnung M17 exakt dieselbe Maschine meint. Wir lösen das, indem wir Datenquellen wie Stückzahlmeldungen parallel in beide Systeme speisen, basierend auf einer Single Source of Truth, einer einzigen verlässlichen Datenquelle. Technisch setzen wir hierbei auf einen semantischen Datenlayer, der über alle Werke hinweg einheitliche Events liefert. Ein wichtiger Standard ist dabei das Model Context Protocol (MCP). Es fungiert wie eine Art universeller Anschluss für Language Models, vergleichbar mit dem Siegeszug des USB-Standards für Hardware. Es erlaubt der KI, sicher auf Daten aus verschiedenen Systemen zuzugreifen, ohne dass wir für jede Verbindung das Rad neu erfinden müssen.

Mein Fazit für die Praxis ist simpel: Bleiben Sie schlank in Ihren Datenstrukturen! Je weniger Komplexität wir der KI zumuten, desto besser werden die Ergebnisse. Wir müssen uns frühzeitig Gedanken über den gewünschten Output machen und die gesamte Kommunikationsstrecke auf Risiken wie Latenzen prüfen. Wer Daten heute erfolgreich nutzen will, darf nicht einfach nur sammeln, sondern muss ihnen Bedeutung geben, noch bevor sie die Werkshalle verlassen. Am Ende ist die Qualität unserer Daten das einzige, was über den Erfolg oder Misserfolg unserer KI-Strategie in der Fabrik entscheidet.