|
|
|
Künstliche Intelligenz (KI) ist längst nicht mehr nur ein „nice-to-have“, sondern entwickelt sich in nahezu allen Branchen zum entscheidenden Wettbewerbsfaktor. Gerade im produzierenden Gewerbe – ob in großen Konzernen oder im Mittelstand – verspricht der Einsatz von KI-Methoden, insbesondere mithilfe generativer Verfahren (z.B. Large Language Models - LLMs), enorme Produktivitätsgewinne, Widerstandsfähigkeit, Kosteneffizienz und Innovationskraft. Zugleich stehen Unternehmen vor der Herausforderung, die richtigen Strategien und technischen Konzepte zu finden, um KI gewinnbringend und sicher zu integrieren.
In diesem Beitrag gehen wir den folgenden Fragen nach:
Was können produzierende Unternehmen von Softwarefirmen lernen, um die Grundsteine für KI in der Fertigung von Anfang an richtig zu legen?
Wie was ist ein modularer Technologie-Stack und, wie hilft es, Hersteller agiler und innovationsfreudiger zu werden?Wie unterstützt die ENLYZE-Plattform diese Transformation?
Anhand eines praktischen Beispiels wird gezeigt, wie eine nahtlose Integration von Maschinendaten und KI-Modellen aussehen kann.
Was produzierende Unternehmen von Softwarefirmen lernen können: Die Rolle eines modularen „Tech-Stacks“ für KI in der Fertigung
Die primäre Wertschöpfung in der Fertigung liegt in der Produktion physischer Güter – weswegen traditionell der Fokus auf der Optimierung von Lieferketten, einer optimal ausgelasteten Produktion sowie hoher Qualität und Liefertreue liegt.
Zwar wird dieser Prozess bereits durch digitale Tools (ERP, MES, oder QS) unterstützt, doch handelt es sich meist um Software-Monolithen mit keinen oder stark eingeschränkten Schnittstellen untereinander. Weil ein Großteil der Unternehmensprozesse in wenigen Tools abgebildet wird, sind die Anforderungen an diese Lösungen immens – und damit auch die Zeit und Kosten für die Implementierung.
Um beim Innovationstempo von KI mitzuhalten, lohnt sich der Blick auf Softwarefirmen, in denen die Wertschöpfung komplett digital stattfindet und der Einsatz neuer Software zur Produktoptimierung an der Tagesordnung steht.
Was ist ein modularer Technologie-Stack
In der Softwarebranche spricht man häufig vom Technologie-Stack eines Unternehmens. Damit bezeichnet man die Gesamtheit aller Technologien, Tools und Infrastrukturen, die ein Unternehmen nutzt, um eine Softwarelösung oder ein digitales Produkt zu entwickeln und zu betreiben. In der Praxis kann man sich einen Tech-Stack meist als mehrere aufeinander aufbauende Schichten vorstellen:
Infrastruktur- und Hosting-Ebene: z. B. AWS, Microsoft Azure, Google Cloud.
Daten- und Verarbeitungsschicht: z. B. MySQL, PostgreSQL, MongoDB.
Middleware (Security, Monitoring, Logging): z. B. Authentifizierungs- und Sicherheitslösungen, Tools wie Grafana.
Frontend: Darstellung der Daten für die Nutzer, inklusive Interaktionsmöglichkeiten.
Zwischen den verschiedenen Schichten und Tools existieren definierte Schnittstellen, die einen einfachen Datenaustausch ermöglichen und das System modular halten. Internationale oder branchenweite Standards erleichtern zudem, Technologien flexibel auszutauschen oder neue Tools hinzuzufügen. Damit kann man mit vergleichsweise wenig Aufwand auf Veränderungen reagieren, Technologien austauschen (z. B. Wechsel von AWS zu Azure) oder neue Tools hinzufügen (z. B. ein neues Monitoring für Fehlermeldungen).
Wie sieht ein KI Tech-Stack für produzierende Unternehmen aus?
Für Unternehmen mit einer physischen Wertschöpfungskette kann man den Technologie-Stack in vier Ebenen aufteilen:
1. Datenebene (Data Layer)
Hier werden Maschinen-, Produktions- und Qualitätsdaten in normalisierter und abrufbarer Form erfasst.
2. API-Schicht (Datenzugang)
Über klar dokumentierte Schnittstellen erfolgt der Zugriff auf diese Daten – anstelle eines direkten Datenbankzugriffs.
3. KI-Schicht (Modelle und Orchestrierung)
Zentrale KI-Modelle nutzen z. B. Retrieval-Augmented-Verfahren oder Prompt-Techniken, um relevante Daten abzufragen und zu verarbeiten. Diese werden auch als Agents oder Agentic AI Modelle bezeichnet.
4. Anwendungs- und UI-Ebene
Verschiedene Frontends, Integrationen (z. B. Excel, Power BI, Produktionsleitsysteme) oder Chat-Oberflächen, über die Mitarbeitende in natürlicher Sprache oder grafisch mit den Systemen interagieren können.
Zugriffsmanagement ist in jedem Fall essentiell: Wer darf auf welche Daten zugreifen? Jede Schicht sollte klar regeln, welche Teile des Systems erreichbar sind und welche Rechte dafür benötigt werden.
Industrielle KI unterstützt von Maschinendaten-Plattformen
Die ENLYZE Manufacturing Data Platform bildet das Rückgrat eines modernen Technologie-Stacks in der Fertigungsindustrie. Bevor ein KI-Modell fundierte Analysen durchführen kann, müssen die anfallenden Maschinendaten zuverlässig erfasst, mit Kontextinformationen angereichert und strukturiert bereitgestellt werden. Genau hier setzt unsere Plattform an: Sie kombiniert kontinuierlich aufgezeichnete Zeitreihendaten – etwa Temperaturen, Drücke, Geschwindigkeiten oder Energieverbräuche – mit wichtigen Produktionskontextdaten wie Auftragsinformationen, Produktionszeiten oder Stillständen.
Maschinendaten aufzeichnen
Als ersten Schritt müssen die relevanten Maschinenparameter kontinuierlich erfasst werden. Maschinensteuerungen, Sensordaten oder Energiezähler liefern unterschiedliche Prozesswerte:

Maschinendaten mit Kontext verbinden
Im zweiten Schritt werden Kontextinformationen hinzugefügt, die beschreiben, was zu welchem Zeitpunkt auf der Maschine passiert ist. Liegt ein Stillstand vor und was ist der Grund dafür? Welches Produkt wird in welchem Auftrag gefertigt? Welche Daten tatsächlich relevant sind, hängt vom konkreten Prozess und den jeweiligen Anwendungsfällen ab.

Diese Verknüpfung in der ENLYZE-Plattform ermöglicht die Berechnung präziser Kennzahlen, etwa:
Produzierte Menge pro Auftrag: Aus dem Durchsatz über den Zeitraum eines Auftrags kann die hergestellte Menge berechnet werden.
Energieverbrauch pro Auftrag: Aus der Leistungsaufnahme kann der Energieverbrauch für einen Auftrag berechnet werden.
Spezifischer Energieverbrauch: Aus Energieverbrauch und Menge lässt sich wiederum der spezifische Energieverbrauch kWh/kg bestimmen.
Bereitstellung der Produktionsdaten über eine standardisierte API
Ein zentraler Bestandteil der ENLYZE Manufacturing Data Platform ist die Bereitstellung der aufbereiteten Maschinendaten über eine standardisierte API. So können interne Web-Applikationen, Visualisierungstools (z.B. Grafana oder Power BI) und insbesondere KI-Modelle stets auf konsistente, hochqualitative und aktuelle Daten zugreifen – ohne direkten Zugriff auf die Datenbank. Mehr über die API Dokumentation der ENLYZE-Plattform lesen.
Ein Beispiel für den Datenaustausch:
Über den Endpunkt get_production_runs
können spezifische Produktionsaufträge für eine Anlage abgerufen werden. Neben Rohdaten werden bereits aggregierte Kennzahlen (z.B. produzierte Mengen und Energieverbräuche) geliefert, was den Integrationsaufwand reduziert und Fehlerquellen minimiert.
Durch Datenspeicherung, -verarbeitung und -bereitstellung via API werden zwei wesentliche Teile im Tech-Stack abgedeckt: eine solide Datenebene und ein klar definierter Datenzugang.
Warum ist das besonders wichtig für LLMs?
Beschränkte Kontextfenster: Große LLMs können nur eine begrenzte Menge an Text oder Tokens gleichzeitig verarbeiten. Werden umfangreiche Rohdaten als Text eingespeist, ist das Kontextfenster schnell gefüllt. Besser ist es, dem Modell bereits aggregierte Kennzahlen bereitzustellen.
Effiziente Datenverarbeitung: Für mathematische Operationen ist kein Sprachverständnis erforderlich. Datenbanksysteme wie TimescaleDB sind auf die Verarbeitung großer Datenmengen optimiert und liefern schnelle, zuverlässige Ergebnisse. Das LLM kann sich somit auf das Interpretieren und Formulieren konzentrieren.
Reduziertes Halluzinationsrisiko: Wenn das LLM nur die vorab berechneten Kennzahlen erhält, sinkt die Gefahr von „Halluzinationen“. Bestimmte Werte wie Energieverbrauch oder Anzahl an Stillständen sollten deterministisch sein und nicht je nach Abfrage variieren.
Praktisches Beispiel: Energieverbrauch pro Auftrag
Stellen wir uns eine Frage vor:
Wie hoch war der spezifische Energieverbrauch für Produkt X im letzten Monat auf Maschine Y?
Das Large Language Model (LLM) erhält diese Nutzerfrage.
Über die ENLYZE-API wird der spezifische Energieverbrauch für Maschine Y und Produkt X abgefragt.
Die ENLYZE Manufacturing Data Platform berechnet anhand der relevanten Zeitreihen- und Event-Daten (nur Aufträge, in denen Produkt X gefertigt wurde) den Kennzahlenwert – beispielsweise 1,8 kWh/kg.
Das LLM formuliert daraufhin eine verständliche Antwort, etwa: „Die Maschine verbrauchte durchschnittlich 1,8 kWh pro produziertes Kilogramm.“ Oder es kann für diese Daten direkt einen Report erstellen.
Warum Hersteller jetzt KI in der industriellen Fertigung einsetzen müssen
Die Implementierung von KI in der Fertigungsindustrie ist längst kein Zukunftsmodell mehr, sondern eine strategische Notwendigkeit, um Effizienzsteigerungen zu realisieren, den Fachkräftemangel zu kompensieren und sich im Wettbewerb zu behaupten. Entscheidend ist dabei nicht nur die Auswahl des passenden KI-Ansatzes, sondern auch der Aufbau einer modernen, modularen Datenarchitektur und -infrastruktur (Tech-Stack).
Die ENLYZE Manufacturing Data Platform demonstriert, wie sich durch die gezielte Erfassung und Aufbereitung von Maschinendaten sowie den Zugriff über standardisierte APIs ein lückenloser Datenfluss schaffen lässt. So wird nicht nur die Basis für fundierte KI-Analysen gelegt, sondern auch die Integration von LLMs und anderen KI-Modellen reibungslos ermöglicht – ganz im Sinne eines flexiblen, zukunftssicheren Technologie-Stacks.
Für produzierende Unternehmen bedeutet dies: Der Blick über den eigenen Tellerrand, insbesondere hin zu agilen, datengetriebenen Prozessen, kann den entscheidenden Unterschied machen. Wer jetzt handelt und KI intelligent in seine Prozesse integriert, sichert sich nachhaltige Wettbewerbsvorteile und ist bestens auf die Herausforderungen der digitalen Zukunft vorbereitet.
Leitfaden für KI in der Produktion und Fertigung
Welche Herausforderungen müssen Produzenten bei der Implementierung von KI überwinden und welche Ansätze gibt es?
Weiter lesen →
subscribe
Weiterlesen