KI News

Quelle: lamarr-institute.org

DFG verlängert Sonderforschungsbereich zu kosmischer Materie
DFG-FÖRDERUNG: KI FÜR DIE ERFORSCHUNG DES UNIVERSUMS
15. Mai 2026
Visualisierung astrophysikalischer Signalquellen am Himmel, die die
datenintensive Forschung im Sonderforschungsbereich 1491 unter der Leitung von
Prof. Dr. Julia Tjus veranschaulicht.
Die Deutsche Forschungsgemeinschaft (DFG) hat die Förderung des
Sonderforschungsbereichs 1491 „Cosmic Interacting Matter – From Source to
Signal“ für weitere vier Jahre bewilligt. Der Forschungsverbund unter Leitung
der Astroteilchenphysikerin untersucht einige der energiereichsten Prozesse im
Universum. Die zweite Förderphase beginnt im Juli 2026. Tjus ist zugleich
Associated Principal Investigator am Lamarr Institute for Machine Learning and
Artificial Intelligence.
Den energiereichsten Prozessen auf der Spur
Der Sonderforschungsbereich erforscht, wie hochenergetische Teilchen, Strahlung
und Magnetfelder im Kosmos miteinander wechselwirken. Im Mittelpunkt stehen
Fragen, die die Astrophysik seit Jahrzehnten beschäftigen: Wo entstehen
kosmische Teilchen mit extremen Energien? Wie breiten sie sich durch das
Universum aus? Und welche Rolle spielt Dunkle Materie dabei?
Um diesen Phänomenen auf die Spur zu kommen, führen die Forschenden
Beobachtungsdaten aus unterschiedlichen Quellen zusammen. Dieser sogenannte
Multimessenger-Ansatz verbindet Informationen etwa aus Gamma- und kosmischer
Strahlung, Neutrino-Detektoren und astronomischen Beobachtungen. Erst das
Zusammenspiel dieser Signale ermöglicht ein umfassenderes Bild der zugrunde
liegenden Prozesse.
Mit KI vom Messsignal zum Modell des Universums
Mit der Verlängerung der Förderung soll insbesondere die Verbindung zwischen
theoretischen Modellen, Teilchenphysik und Beobachtungsdaten weiter ausgebaut
werden. Dabei entstehen große und komplexe Datensätze, deren Auswertung
zunehmend leistungsfähige rechnergestützte Verfahren erfordert. Methoden des
Maschinellen Lernens helfen beispielsweise dabei, Muster in Messdaten zu
erkennen, astrophysikalische Prozesse zu modellieren oder Simulationen
effizienter auszuwerten.
Der Sonderforschungsbereich bewegt sich an der Schnittstelle von
Astroteilchenphysik, datenintensiver Modellierung und Künstlicher Intelligenz.
Damit werden Fragestellungen berührt, die auch für die Entwicklung moderner
KI-Methoden von Bedeutung sind.
Bedeutung über die Astrophysik hinaus
Moderne Teleskope und Detektoren liefern heute Datenmengen, die vor wenigen
Jahren noch unvorstellbar gewesen wären. Die Herausforderung besteht nicht
allein darin, diese Informationen zu sammeln, sondern sie sinnvoll miteinander
zu verknüpfen und wissenschaftlich auszuwerten. Fortschritte in der Astrophysik
entstehen daher zunehmend im Zusammenspiel von Fachwissenschaft, Datenanalyse
und Künstlicher Intelligenz.
Die Verlängerung des Sonderforschungsbereichs 1491 unterstreicht die
wissenschaftliche Relevanz dieser Forschung und zeigt, wie datengetriebene
Methoden dazu beitragen, grundlegende Fragen über die Entstehung und Entwicklung
unseres Universums zu untersuchen.
THEMEN
*
*
*

Quelle: novoai.de

MASCHINENDATENERFASSUNG: DIE UNTERSCHÄTZTE LÖSUNG FÜR MEHR OEE UND
PRODUKTIONSKLARHEIT
MASCHINENDATENERFASSUNG: PRODUKTIONSDATEN LIVE ERFASSEN UND SOFORT NUTZEN
Kann eine Fertigung zur Minute genau wissen, was jede Maschine um 10:14 Uhr
macht – und innerhalb von Minuten darauf reagieren? Maschinendatenerfassung
liefert diese Antwort: Echtzeitdaten, die sofort verwertbar sind, Unsicherheit
beseitigen und Teams erlauben, Probleme zu beheben, bevor sie sich zuspitzen.
Dieser Beitrag erklärt, wie Sie Produktionsdaten live erfassen, welche
Kennzahlen wirklich zählen und wie Mittelständler mit Retrofit-Sensorik und
Edge-KI messbare Verbesserungen bei OEE, Energieverbrauch und Durchsatz erzielen
können.
DER REALE NUTZEN: WARUM MASCHINENDATENERFASSUNG WICHTIG IST
Echtzeitdaten verwandeln subjektive Schichtberichte in überprüfbare Fakten.
Anstelle eines täglichen Protokolls sehen Sie Maschinenzustände, Taktzeiten,
Ausschussraten und Energie-Spitzen in dem Moment, in dem sie auftreten. Diese
Direktheit verkürzt die Mean Time To Detect (MTTD) und die Mean Time To Repair
(MTTR) – zwei Kennzahlen, die unmittelbar auf die OEE einzahlen. Genau hier
zeigt Maschinendatenerfassung ihren größten Nutzen: Sie macht
Produktionsereignisse unmittelbar sichtbar und schafft eine objektive
Datengrundlage für schnelle Entscheidungen.
Zahlen untermauern das: Eine Branchenbefragung aus dem Jahr 2024 zeigte, dass
Unternehmen mit Echtzeitüberwachung Entscheidungszyklen etwa um 30 % verkürzen
und schneller korrigierende Maßnahmen durchführen konnten (Manufacturers
Alliance, 2024). Die Lighthouse-Beispiele des World Economic Forum dokumentieren
Fabriken, die durch kontinuierliche Datenströme ihre Energieintensität senken
und den Durchsatz erhöhen (WEF, 2025). Darüber hinaus zeigen Untersuchungen,
dass nachgerüstete Überwachungslösungen im Mittelstand in vielen Fällen
innerhalb von zwölf Monaten amortisiert sind, wenn die Verbesserungsmaßnahmen
konsequent umgesetzt werden.
Konzentrieren Sie sich anfangs auf wenige, aussagekräftige Kennzahlen:
Maschinenzustand (laufend/leer/Fehler), tatsächliche Taktzeit, produzierte
Teile, Ausschuss, Stillstandsgründe und Leistungsaufnahme. Aus diesen Daten
lässt sich die OEE in Echtzeit berechnen und die Maßnahmen mit dem höchsten ROI
priorisieren. Oft ist eine zuverlässige Erfassung von vier Kennzahlen
hilfreicher als dutzende mit schlechter Signalqualität.
MASCHINENDATENERFASSUNG: FUNKTIONSWEISE
Für den deutschen Mittelstand sind nicht-invasive Nachrüstlösungen zentral.
Retrofit-Sensoren erfassen elektrische Signale, Vibrationen und Spindelimpulse
und senden Rohereignisse an einen Edge-Gateway. Die Edge-Verarbeitung aggregiert
und anonymisiert Daten und führt leichte KI-Modelle aus, die Ereignisse
klassifizieren – z. B. Zyklus abgeschlossen, Werkzeuwechsel oder ungeplanter
Stopp. Diese Architektur bildet die technische Grundlage moderner
Maschinendatenerfassung, da sie Maschinenzustände kontinuierlich und ohne
Eingriff in bestehende Steuerungen sichtbar macht. Diese Ereignisse werden an
Dashboards und Mobilbenachrichtigungen übermittelt, sodass Ihre Teams sofort
reagieren können.
Moderne Lösungen wie die WatchMen-Plattform von Novo AI unterstützen
maschinenunabhängige Nachrüstung und lokale Analysen, was gut zur Präferenz
vieler deutscher Betriebe für Edge-first-Architekturen passt.
MASCHINENDATENERFASSUNG: FUNKTIONSWEISE 1: SCHNELLE OEE-STEIGERUNG
Wenn Produktionsteams zuverlässige, minutengenaue OEE-Werte sehen, lassen sich
gezielte Maßnahmen umsetzen. Ein mittelständischer Teilefertiger, der
Nachrüstungen an einem Maschinenverbund vornahm, erhöhte die OEE innerhalb von
sechs Monaten von rund 30 % auf etwa 60 %. Grundlage waren Live-Taktzeiten, die
Setup-Varianten und ungeplante Stopps sichtbar machten und damit konkrete,
umsetzbare Maßnahmen ermöglichten. Solche Verbesserungen werden erst möglich,
wenn Maschinendatenerfassung Produktionsereignisse kontinuierlich und objektiv
sichtbar macht.
Studien zeigen: Frühstarter erzielen im ersten Jahr häufig initiale
OEE-Verbesserungen zwischen 10 und 30 Prozentpunkten, wenn sie
Echtzeitüberwachung mit fokussierten Kaizen-Projekten koppeln (Deloitte, 2024).
Entscheidend ist das Schließen des Regelkreises: Daten ohne Maßnahmen bringen
kaum Mehrwert.
MASCHINENDATENERFASSUNG: FUNKTIONSWEISE 2: BOTTLENECK-KLARHEIT
Echtzeit-Durchsatz- und Warteschlangen-Metriken decken die tatsächlichen
Engpässe auf. Anstatt zu raten, welche Maschine den Output begrenzt, zeigen die
Daten exakte Taktzeiten und Leerlauffenster benachbarter Stationen. So können
Sie kurze Experimente fahren – Feedrate ändern oder Puffer anpassen – und die
Linienreaktion innerhalb weniger Stunden beobachten. In digital reifen Fabriken
verkürzen solche Zyklen nach Untersuchungen die Verbesserungsdurchläufe um
geschätzte 20–30 %.
Praxisbeispiel: Eine Verpackungslinie erkannte, dass ein Roboter auf der
Nachtschicht aufgrund eines fehlerhaften Greifereinsatzes 4–6 Sekunden pro Takt
verlor. Die Live-Ereignisse zeigten das Muster, die Technik passte die
Greifer-Timing an und die Linie gewann eine Durchsatzsteigerung, die einer
Kapazitätserhöhung von ca. 5 % entsprach – ohne neue Maschinen.
MASCHINENDATENERFASSUNG: FUNKTIONSWEISE 3: ENERGIE-SICHTBARKEIT
Die Kontextualisierung von Leistungsaufnahme mit Produktionsereignissen macht
Energieverschwendung sichtbar. Die Messung von kWh pro Teil in Echtzeit zeigt,
wann Motoren im Leerlauf hohes Drehmoment liefern, Heizkreise überschießen oder
Hilfsaggregate unnötig laufen. Erste Pilotprojekte, die Energiesensorik mit
Stückzahlen kombinierten, dokumentierten sofortige Reduktionen beim
Energieverbrauch pro Teil von 5–10 % nach kleinen Prozess- und
Regelungsanpassungen (WEF Lighthouse, 2025).
Längerfristig verknüpfte Programme, die EnergiekPIs in Schichtplanung und
Instandhaltung integrieren, verstärken diese Einsparungen. Bei energieintensiven
Betrieben lohnt es sich, Chargen in Niedertarif-Zeiten zu verschieben und
Startsequenzen zu synchronisieren, um Spitzenlasten zu reduzieren. Über ein Jahr
können solche Maßnahmen spürbare Kostensenkungen ergeben, insbesondere bei hohen
Lastspitzenpreisen.
IMPLEMENTIERUNGSSCHRITTE
Schritt 1: Definieren Sie eine minimale KPI-Menge. Begrenzen Sie den Pilot auf
Verfügbarkeit, Taktzeit, Qualität und Energie. Zu viele Kennzahlen verzögern den
Mehrwert und erhöhen das Rauschen.
Schritt 2: Setzen Sie nicht-invasive Sensoren und ein Edge-Gateway ein, um
SPS-Änderungen zu vermeiden. So reduzieren Sie Implementierungsrisiken und
starten ohne langwierige Steuerungsprojekte.
Schritt 3: Führen Sie einen vier- bis achtwöchigen Pilot durch: Woche 0
Baseline, dann Signalvalidierung und gezielte Gegenmaßnahmen. Beziehen Sie
Bediener aktiv ein und iterieren Sie Dashboards nach deren Feedback. Verfolgen
Sie pro Woche eine klare Hypothese – ändern Sie eine Variable und messen Sie den
Effekt.
Schritt 4: Skalieren Sie, indem Sie Linien mit hohem Stillstandskosten- oder
Energieintensitätsprofil priorisieren. Ergänzen Sie historische Analysen für
Trendermittlung, damit taktische Lösungen zu strategischen Verbesserungen
werden. Erfolgreiches Hochfahren braucht oft eine wiederholbare
Deploymentschablone und ein kleines internes Rollout-Team.
BEDIENERAKZEPTANZ UND SICHERHEIT
Die Akzeptanz der Bediener ist entscheidend. Stellen Sie Daten als klare
Aktionen dar: Grün = in Ordnung, Gelb = prüfen, Rot = stoppen. Mobile
Benachrichtigungen und definierte Eskalationspfade sorgen dafür, dass
Live-Signale innerhalb einer Schicht zu wiederholbaren Maßnahmen führen. Schulen
Sie Bediener in kurzen, praxisnahen Einheiten mit den Dashboards, die sie
täglich nutzen. Eine gut implementierte Maschinendatenerfassung macht
Produktionszustände verständlich sichtbar und unterstützt Bediener bei schnellen
Entscheidungen im Alltag.
Sicherheit und Datenschutz sind wichtige Aspekte: Viele deutsche Mittelständler
bevorzugen Edge-Verarbeitung oder hybride Modelle, bei denen sensible
Ereignisdaten lokal bleiben. Implementieren Sie VLANs, Gerätezertifikate und TLS
für den Schutz der Daten in Bewegung. Rollenbasierte Zugriffsrechte und
Aufbewahrungsrichtlinien verhindern versehentliche IP-Lecks. Prüfbare Logs und
klare Datenvereinbarungen erleichtern Beschaffung und Audits.
REALISTISCHE RENDITEERWARTUNGEN
Erwarten Sie diagnostischen Nutzen im ersten Monat und messbare Einsparungen in
den Monaten zwei bis sechs. Quick Wins sind reduzierte ungeplante Stillstände,
niedrigere Ausschussraten und erste Energieeinsparungen. Maschinendatenerfassung
liefert dafür die notwendige Datenbasis, um Probleme früh zu erkennen und
Verbesserungen systematisch umzusetzen. Kompoundeffekte wie predictive
Maintenance, geringere Ersatzteilbestände und verbesserte Termintreue entstehen
mit historischen Daten und disziplinierten Prozessänderungen.
Unabhängige Untersuchungen zeigen, dass Unternehmen, die Monitoring mit
strukturierten Verbesserungsmethoden verbinden, deutlich bessere Ergebnisse
erzielen als jene, die nur Daten sammeln (MDPI, 2024). Planen Sie, einen Teil
der frühen Einsparungen in Prozessverbesserung und Bedienerschulung zu
reinvestieren, um die Dynamik zu erhalten.
SKALIERUNGSTIPPS
Beim Rollout über den Pilot hinaus priorisieren Sie nach Stillstandkosten und
Zugänglichkeit. Maschinen mit hohen Stillstandskosten oder häufigen
Rüstschwankungen liefern den schnellsten ROI. Erstellen Sie eine Rollout-Matrix,
die Quick Wins und strategische Assets abwägt; testen Sie beispielsweise an drei
unterschiedlichen Maschinentypen – CNC, Presse und Verpackungslinie – zur
Validierung der Generalisierbarkeit.
Standardisieren Sie Signal-Mapping-Vorlagen und Benennungskonventionen, um
Integrationszeiten zu reduzieren. Nutzen Sie ein zentrales Dashboard für
Führungskräfte und passgenaue Mobilmeldungen für die Bediener. Dokumentieren Sie
Pilot-Learnings und kodifizieren Sie Eskalationsregeln, damit nachfolgende
Deployments nicht die gleichen Anfangsfehler wiederholen.
Eine kontroverse, aber praktikable Strategie: Begrenzen Sie Cloud-Exporte von
Rohmaschinensignalen. Lokale Analytik bewahrt IP und entspricht oft
Compliance-Anforderungen. Exportieren Sie aggregierte KPIs in die Cloud erst
nach Anonymisierung und Verschlüsselung.
ERFOLG MESSEN
Definieren Sie Erfolgskennzahlen vor dem Pilot. Beispiele: ungeplante
Stillstände um 20 % in drei Monaten reduzieren, Ausschuss innerhalb von 60 Tagen
um 10 % senken oder kWh pro Teil im ersten Quartal um 5 % verringern. Verwenden
Sie Kontrollkarten, um Verbesserungen statistisch zu validieren und natürliche
Schwankungen zu berücksichtigen. Maschinendatenerfassung liefert dabei die
kontinuierlichen Daten, die solche Verbesserungen objektiv messbar machen.
Kombinieren Sie quantitative KPIs mit qualitativen Maßen: Bedienerzufriedenheit,
eingesparte Zeit bei Schichtübergaben und schnellere Problemlösung. Ein Balanced
Scorecard-Ansatz hilft der Geschäftsführung, operative und menschliche Effekte
gemeinsam zu sehen und fördert die Unterstützung für breitere Rollouts. Legen
Sie ein Kurzzeit-Dashboard mit den Top-3-Alarmen an, damit Teams sich täglich
fokussieren. Zielwerte können z. B. 80–90 % bestätigte Alarme innerhalb von 15
Minuten und 30 % weniger wiederkehrende Fehler innerhalb von sechs Monaten sein.
Berichten Sie diese Kennzahlen monatlich, um Führungsebene und Kontinuität zu
sichern.
DER WEG NACH VORN
Die aktive Erfassung von Produktionsdaten live ist für die meisten
Mittelständler umsetzbar – mit pragmatischen Retrofit-Lösungen, Edge-Analytik
und kurzen Piloten. Maschinendatenerfassung ermöglicht dabei eine
kontinuierliche und objektive Sicht auf Produktionsprozesse, ohne bestehende
Maschinen grundlegend zu verändern. Beginnen Sie mit einer Linie, begrenzen Sie
KPIs und messen Sie den Einfluss Woche für Woche. Moderne Angebote wie die
WatchMen-Plattform von Novo AI können die Time-to-Value verkürzen, indem sie
maschinenunabhängige Sensorik und lokale KI-Analysen bereitstellen.
Ein einfacher erster Schritt: Wählen Sie eine häufig stoppende Maschine,
definieren Sie vier KPIs, installieren Sie nicht-invasive Sensoren für 30 Tage
und führen Sie zwei gezielte Gegenmaßnahmen durch. Sie werden schnell erkennen,
welche Probleme sich mit Daten lösen lassen und wo tiefere Eingriffe nötig sind.
Führen Sie ein internes Scorecard und melden Sie Erfolge monatlich, um Schwung
zu halten und Rückschritte zu vermeiden.
REFERENZEN
1. - Übersicht zur Lage des Maschinen- und Anlagenbaus (Zugriff: 2026-04-02)
2. - Forschung zu MDE und Sensorlösungen (Zugriff: 2026-04-02)
3. - Praxisnahe Tipps zu MDE-Software und Umsetzungen (Zugriff: 2026-04-02)
4. - Grundlagen, Datenkategorien und Hürden (Zugriff: 2026-04-02)
5. - Lösungen zur direkten OEE-Berechnung und MDE (Zugriff: 2026-04-02)
Dimitrij Lewin ist Co-Founder von Novo AI und treibt industrielle Innovation mit
KI-gestützten Retrofit-Lösungen voran. Seine Leidenschaft gilt der digitalen
Transformation und der Effizienzsteigerung in der Produktion durch
Echtzeitdaten.

Quelle: the-decoder.de

In einem Policy-Papier entwirft Anthropic zwei Szenarien für 2028: Entweder
sichern die USA ihren Compute-Vorsprung gegenüber China, oder autoritäre Regime
prägen die Regeln der KI-Ära. Das Timing ist kein Zufall.
Anthropic hat ein umfangreiches Policy-Papier veröffentlicht, das die
KI-Konkurrenz zwischen den USA und China als geopolitische Schicksalsfrage
rahmt. Die zentrale These: Demokratien müssen ihren Vorsprung bei Rechenleistung
verteidigen, sonst drohe ein von autoritären Regimen geprägtes KI-Zeitalter.
Compute, also der Zugang zu fortschrittlichen KI-Chips, sei der entscheidende
Engpass, so Anthropic. Dank US-Exportkontrollen und der Innovationskraft von
Unternehmen wie Nvidia, TSMC und ASML führen demokratische Staaten bei der
Hardware deutlich. Laut einer im Papier zitierten  werde Huawei 2026 nur vier
Prozent von Nvidias aggregierter Rechenleistung erreichen, 2027 sogar nur zwei
Prozent.
Anzeige
Dennoch blieben chinesische KI-Labs nah an der Spitze. Anthropic nennt zwei
Gründe: den Schmuggel von Chips und den Zugriff auf US-Rechenleistung über
ausländische Rechenzentren einerseits, systematische Distillationsangriffe
andererseits. Bei Letzteren würden chinesische Labs über Tausende gefälschte
Accounts die Ausgaben amerikanischer Frontier-Modelle abgreifen, um deren
Fähigkeiten zu kopieren. Anthropic hatte bereits im Februar Deepseek, Moonshot
und Minimax beschuldigt, über rund 24.000 betrügerische Accounts mehr als 16
Millionen Claude-Interaktionen erzeugt zu haben. OpenAI, Google und das
gemeinsame Frontier Model Forum .
Anzeige
DEC_D_Incontent-1
ZWEI SZENARIEN FÜR 2028
Anthropic skizziert zwei Zukunftsbilder. Im ersten Szenario schließen
US-Politiker die Schlupflöcher bei Chip-Exporten und Cloud-Zugang, bekämpfen
Distillation gesetzlich und fördern den globalen Export amerikanischer
KI-Infrastruktur. Die Folge: ein Vorsprung von 12 bis 24 Monaten bei der
Modellintelligenz, US-KI als Rückgrat der Weltwirtschaft und demokratisch
geprägte KI-Normen.
Im zweiten Szenario bleiben die Schlupflöcher offen. Chinesische Labs erreichen
nahezu Parität, die Peking skaliert KI-gestützte Überwachung und Repression, und
Huawei-Rechenzentren gewinnen weltweit Marktanteile mit billigeren, aber
ausreichend leistungsfähigen Modellen. Anthropic warnt, ein solches
Kopf-an-Kopf-Rennen würde auch Sicherheitsstandards untergraben: Nur 3 von 13
chinesischen Top-Labs hätten bisher Sicherheitsevaluierungen veröffentlicht, und
DeepSeeks R1-0528 habe laut dem  94 Prozent bösartiger Anfragen unter gängigen
Jailbreaking-Techniken erfüllt.
Anzeige
Das Papier erschien am 14. Mai 2026, mitten in Trumps China-Besuch und während
im US-Kongress KI-Exportkontrollen, Chip-Lizenzen und
Cloud-Zugriffsbeschränkungen diskutiert werden.
Anthropic positioniert sich damit klar auf der sicherheitspolitisch restriktiven
Seite und soll Politikern eine einfache These liefern: Wenn die USA die
Schlupflöcher jetzt schließen, können sie bis 2028 einen dauerhaften
AI-Vorsprung sichern. Wenn nicht, hilft amerikanische Technologie dem
chinesischen KI-Ökosystem beim Aufholen.
Anzeige
DEC_D_Incontent-2
Anzeige

Quelle: www.bigdata-insider.de

SCHLUSS MIT KI-HALLUZINATIONEN WIE OPC UA DEN LLMS INDUSTRIELLEN KONTEXT LIEFERT
15.05.2026 Von 3 min Lesedauer
Anbieter zum Thema
Sprachmodelle (LLMs) sind Meister der Textverarbeitung, scheitern aber oft
kläglich an nackten Maschinendaten. Auf der Hannover Messe 2026 präsentierte die
OPC Foundation nun den technischen Brückenschlag: Über 430 Companion
Specifications wurden in KI-lesbare Formate konvertiert.
Die Vision der „“, also -Systeme, die nicht nur Fragen beantworten, sondern als
eigenständige Agenten Handlungen in der Automatisierung ausführen, scheitert in
der Praxis oft an einer fundamentalen Hürde: dem mangelnden Kontext. Ein
handelsübliches Large Language Model () hat durch sein Training zwar ein
Grundverständnis von durchschnittlichen Maschinen, weiß aber nicht, wie eine
spezifische Anlage in einer konkreten Fabrikhalle tickt.
Den Schlüssel zur Lösung dieses Problems liefert die Semantik. Genau hier setzt
die OPC Foundation mit einer Initiative an: Um Sprachmodelle „industrietauglich“
zu machen, schlägt die Organisation eine Brücke zwischen dem domänenspezifischen
Wissen der Industrie und der Welt der generativen KI.
Bildergalerie
NACKTE ZAHLEN VS. ECHTER KONTEXT
„Man kann zwar über herkömmliche Feldbusse mit einer Maschine kommunizieren,
aber dann erhält man im Grunde nur nackte Zahlen“, erklärte Dr. Holger Kenn,
Leiter der AI Working Group innerhalb der OPC Foundation, auf der Hannover
Messe. „Was bedeuten diese Zahlen? Niemand hat eine Ahnung – es sei denn, man
reichert sie mit Semantik an. Es ist eben nicht nur ein Float-Wert, es ist eine
Temperatur. Und es ist nicht irgendeine Temperatur, sondern die Temperatur am
Eingang der Maschine. Genau dieses Domänenwissen brauchen KI-Agenten, um
wirklich verlässliche Antworten zu liefern oder Maschinen steuern zu können.“
Um dieses Domänenwissen für KI-Systeme nutzbar zu machen, hat die OPC Foundation
ein weitreichendes Projekt auf dem . Der Kern der Ankündigung: Mehr als 430
Companion Specifications – die bisher oft als umfangreiche PDF- oder
Word-Dokumente existierten – werden systematisch in Formate konvertiert, die auf
Künstliche Intelligenz zugeschnitten sind.
RAG-OPTIMIERUNG: WIE MAN EINER KI MASCHINENBAU BEIBRINGT
Die Konvertierung umfasst unter anderem Markdown-Dateien, Bildbeschreibungen,
Vector Embeddings sowie Schnittstellen für das Model Context Protocol (). Ein
besonderer Fokus liegt auf der sogenannten (RAG).
Dr. Kenn erläutert den technischen Hintergrund: „Wir wandeln alle unsere
Companion Specifications in Formate um, die für KI-Agenten nativ verarbeitbar
sind. Wir schneiden diese komplexen Informationen sogar in kleine Datenhäppchen,
sogenannte Chunks. Diese sind so dimensioniert, dass sie exakt in das Context
Window, also das Kurzzeitgedächtnis, aktueller KI-Modelle passen.“
Durch dieses Vorgehen müssen Entwickler eine KI nicht erst aufwendig mit
Industriedaten nachtrainieren (Fine-Tuning). Das Modell kann stattdessen in
Echtzeit auf das strukturierte Domänenwissen aus der OPC UA Cloud Library
zugreifen.
PRAXISNUTZEN: „ZERO-CLICK“-ONBOARDING UND RASANTES ENGINEERING
Was in der Theorie nach abstrakter Datenarchitektur klingt, hat für
Automatisierungsingenieure und IT-Entwickler gravierende, praktische
Auswirkungen. Ein Paradebeispiel ist das Asset-Onboarding.
Erich Barnstedt, Chair der Cloud Initiative innerhalb der OPC Foundation (und
Senior Director of Industrial Standards bei Microsoft), stellte die enorme
Zeitersparnis durch KI-gestütztes Engineering heraus. Die OPC Foundation bietet
mit dem Open-Source-Tool „Edge Translator“ bereits eine Referenzimplementierung,
die Anlagen automatisch ins System holt. Durch die Kombination einer neuen W3C
Web of Things (WoT) Companion Specification und KI lassen sich
Anlagenbeschreibungen völlig autonom generieren.
„Die Zeiten, in denen man Stunden oder Tage damit verbracht hat, sich durch eine
benutzerdefinierte UI zu klicken und eine Anlage Tag für Tag manuell ins System
zu holen, sind dank dieser Technologie endgültig vorbei“, so Barnstedt.
Gleichzeitig verändern KI-Agenten die Art und Weise, wie Konnektivität im
Shopfloor hergestellt wird. „Die Bedeutung von reinen Kommunikationsprotokollen
und Schnittstellen nimmt tendenziell ab, da es mithilfe von KI extrem einfach
geworden ist, Adapter zu bauen“, erklärte Barnstedt weiter. „Wenn ein
Endanwender heute beispielsweise einen Southbound-Connector für Ethernet/IP
benötigt, lässt sich dieser dank der KI-Unterstützung innerhalb eines einzigen
Tages programmieren. Das eigentliche Engineering schrumpft massiv zusammen.“
DIE VISION: DIE MASCHINE ALS IHR EIGENER SERVICETECHNIKER
Je günstiger und fähiger die KI-Agenten werden, desto mehr wird die semantische
Datenmodellierung – der Kern von OPC UA – ermöglicht. Wenn die KI-Modelle die
Struktur der Daten perfekt verstehen, weil sie mit den Companion Specifications
„gefüttert“ wurden, fallen Datensilos in der Produktion.
Das ultimative Ziel beschrieb Dr. Holger Kenn zum Abschluss der Pressekonferenz:
„Wir wollen dorthin kommen, dass Maschinen ihren eigenen KI-Agenten haben, der
auf OPC UA und den semantischen Standards der Companion Specs basiert. Wenn die
Produktion stillsteht und kein Domänenexperte vor Ort ist, kann der Bediener die
Maschine in natürlicher Sprache einfach fragen: ‚Was ist los mit dir und wie
kann ich dich reparieren?‘.“
JETZT NEWSLETTER ABONNIEREN
TÄGLICH DIE WICHTIGSTEN INFOS ZU BIG DATA, ANALYTICS & AI
Geschäftliche E-Mail
Bitte geben Sie eine gültige E-Mailadresse ein.
Abonnieren
Mit Klick auf „Newsletter abonnieren“ erkläre ich mich mit der Verarbeitung und
Nutzung meiner Daten gemäß Einwilligungserklärung (bitte aufklappen für Details)
einverstanden und akzeptiere die . Weitere Informationen finde ich in unserer .
Die Einwilligungserklärung bezieht sich u. a. auf die Zusendung von
redaktionellen Newslettern per E-Mail und auf den Datenabgleich zu
Marketingzwecken mit ausgewählten Werbepartnern (z. B. LinkedIn, Google, Meta).
Aufklappen für Details zu Ihrer Einwilligung
Stand: 08.12.2025
Es ist für uns eine Selbstverständlichkeit, dass wir verantwortungsvoll mit
Ihren personenbezogenen Daten umgehen. Sofern wir personenbezogene Daten von
Ihnen erheben, verarbeiten wir diese unter Beachtung der geltenden
Datenschutzvorschriften. Detaillierte Informationen finden Sie in unserer .
EINWILLIGUNG IN DIE VERWENDUNG VON DATEN ZU WERBEZWECKEN
Ich bin damit einverstanden, dass die Vogel IT-Medien GmbH,
Max-Josef-Metzger-Straße 21, 86157 Augsburg, einschließlich aller mit ihr im
Sinne der §§ 15 ff. AktG verbundenen Unternehmen (im weiteren: Vogel
Communications Group) meine E-Mail-Adresse für die Zusendung von Newslettern und
Werbung nutzt. Auflistungen der jeweils zugehörigen Unternehmen
können  abgerufen werden.
Der Newsletterinhalt erstreckt sich dabei auf Produkte und Dienstleistungen
aller zuvor genannten Unternehmen, darunter beispielsweise Fachzeitschriften und
Fachbücher, Veranstaltungen und Messen sowie veranstaltungsbezogene Produkte und
Dienstleistungen, Print- und Digital-Mediaangebote und Services wie weitere
(redaktionelle) Newsletter, Gewinnspiele, Lead-Kampagnen, Marktforschung im
Online- und Offline-Bereich, fachspezifische Webportale und E-Learning-Angebote.
Wenn auch meine persönliche Telefonnummer erhoben wurde, darf diese für die
Unterbreitung von Angeboten der vorgenannten Produkte und Dienstleistungen der
vorgenannten Unternehmen und Marktforschung genutzt werden.
Meine Einwilligung umfasst zudem die Verarbeitung meiner E-Mail-Adresse und
Telefonnummer für den Datenabgleich zu Marketingzwecken mit ausgewählten
Werbepartnern wie z.B. LinkedIN, Google und Meta. Hierfür darf die Vogel
Communications Group die genannten Daten gehasht an Werbepartner übermitteln,
die diese Daten dann nutzen, um feststellen zu können, ob ich ebenfalls Mitglied
auf den besagten Werbepartnerportalen bin. Die Vogel Communications Group nutzt
diese Funktion zu Zwecken des Retargeting (Upselling, Crossselling und
Kundenbindung), der Generierung von sog. Lookalike Audiences zur
Neukundengewinnung und als Ausschlussgrundlage für laufende Werbekampagnen.
Weitere Informationen kann ich dem Abschnitt „“ in der Datenschutzerklärung
entnehmen.
Falls ich im Internet auf Portalen der Vogel Communications Group einschließlich
deren mit ihr im Sinne der §§ 15 ff. AktG verbundenen Unternehmen geschützte
Inhalte abrufe, muss ich mich mit weiteren Daten für den Zugang zu diesen
Inhalten registrieren. Im Gegenzug für diesen gebührenlosen Zugang zu
redaktionellen Inhalten dürfen meine Daten im Sinne dieser Einwilligung für die
hier genannten Zwecke verwendet werden. Dies gilt nicht für den Datenabgleich zu
Marketingzwecken.
Recht auf Widerruf
Mir ist bewusst, dass ich diese Einwilligung jederzeit für die Zukunft
widerrufen kann. Durch meinen Widerruf wird die Rechtmäßigkeit der aufgrund
meiner Einwilligung bis zum Widerruf erfolgten Verarbeitung nicht berührt. Um
meinen Widerruf zu erklären, kann ich als eine Möglichkeit das unter  abrufbare
Kontaktformular nutzen. Sofern ich einzelne von mir abonnierte Newsletter nicht
mehr erhalten möchte, kann ich darüber hinaus auch den am Ende eines Newsletters
eingebundenen Abmeldelink anklicken. Weitere Informationen zu meinem
Widerrufsrecht und dessen Ausübung sowie zu den Folgen meines Widerrufs finde
ich in der .
Dieser Artikel stammt von unserem Partnerportal .
(ID:50837412)

Quelle: the-decoder.de

OpenAI macht seinen KI-Coding-Assistenten Codex in der ChatGPT-App für iOS und
Android verfügbar. Codex schreibt und bearbeitet Code eigenständig auf dem
Rechner des Nutzers oder in einer Entwicklungsumgebung in der Cloud. Neu ist,
dass man diese Arbeit jetzt vom Smartphone aus überwachen und steuern kann:
Ergebnisse prüfen, Rückfragen beantworten, Freigaben erteilen oder neue Aufgaben
anstoßen.
Die Verbindung zwischen Handy und Rechner läuft über eine verschlüsselte
Zwischenschicht, Dateien und Zugangsdaten bleiben auf dem jeweiligen Rechner.
Für Teams in Unternehmen gibt es neue Werkzeuge: Remote SSH für verwaltete
Server-Umgebungen, Hooks zur Anpassung von Codex-Abläufen sowie Zugangstokens
für automatisierte Workflows.
Laut OpenAI nutzen bereits über vier Millionen Menschen Codex wöchentlich. Die
mobile Version ist als Vorschau in allen Tarifen verfügbar, auch kostenlos.
Anzeige
DEC_D_Incontent-1
Anzeige

Quelle: www.bigdata-insider.de

BITKOM-STUDIE PHYSICAL AI RÜCKT VON DER DEMO IN DEN PRODUKTIVBETRIEB
15.05.2026 Von 2 min Lesedauer
Anbieter zum Thema
Künstliche Intelligenz verlässt den rein digitalen Raum: Mit Physical AI
verbinden Unternehmen KI-Modelle mit Sensorik, Robotik und physikbasierten
Simulationen, um adaptive Systeme in realen Umgebungen zu betreiben. Ein neuer
Bitkom-Report dokumentiert, wo deutsche Anwender bereits messbare Ergebnisse
erzielen und wo die Skalierungshürden liegen.
Laut Bitkom-Studie „Physical AI – Intelligenz in der physischen Welt“ setzen
bereits 38 Prozent der Unternehmen Robotik ein, weitere 34 Prozent beschäftigen
sich mit dem Thema. 90 Prozent bezeichnen als wettbewerbsentscheidend. Für
intelligente, adaptive Robotiksysteme prognostiziert Grand View Research
zwischen 2024 und 2030 eine durchschnittliche jährliche Wachstumsrate von 38,5
Prozent. Eine aktuelle ordnet das Thema ähnlich ein: Zwei Drittel der befragten
Großunternehmen stufen Physical AI als Top-Priorität für die kommenden drei bis
fünf Jahre ein.
Der Report grenzt Physical AI klar von rein generativer KI ab: Es handle sich
weniger um eine einzelne Anwendung als um einen Systemansatz, der erst im
Zusammenspiel aus Hardware, Sensorik, KI-Modellen, Software-Stacks, Datenflüssen
und sicheren Betriebsprozessen Wert schaffe. Grundlage seien häufig Simulationen
und synthetische Daten, mit denen komplexe Szenarien realitätsnah trainiert
werden.
BELASTBARE KENNZAHLEN AUS DER PRAXIS
Die von Bitkom gesammelten Use Cases liefern erstmals belastbare Effekte über
mehrere Branchen hinweg:
* Medizintechnik: Die FAST-3D-Kamera von Siemens Healthineers reduziert die
Abweichung bei der CT-Patientenpositionierung von 19 ± 10 mm (manuell) auf 5
± 3 mm (automatisch, P < 0,005).
* Logistik: Die von IT Sonix by Akkodis senkt ungeplante Stillstände um 25 bis
40 Prozent, Notfallwartungskosten um rund 30 Prozent und steigert die MTBF um
20 bis 30 Prozent.
* Intralogistik: Ein von Akkodis verkürzt Planungszeiten um 30 bis 50 Prozent
und reduziert interne Transportwege um 10 bis 20 Prozent.
* Fertigung: MaibornWolff beziffert die Einsparung beim Einsatz eines
KI-gestützten Assistenzroboters für leistungsgewandelte Mitarbeitende auf
rund 69.000 Euro pro Person und Jahr gegenüber Umschulung oder
Neueinstellung.
* Energie: Youki schätzt das adressierbare Demand-Response-Potenzial in
deutschen Haushalten auf bis zu 21 Gigawatt – rund die Leistung von fünf
Kernkraftwerken.
* Industrial Security: Spherity meldet eine Reduktion sicherheitsrelevanter
Vorfälle durch unautorisierte KI-Zugriffe um 70 Prozent innerhalb von zwölf
Monaten.
SKALIERUNG ALS ENGPASS
Trotz der Fortschritte sieht der Report die breite Einführung an mehrere
Voraussetzungen geknüpft: leistungsfähige und vertrauenswürdige Daten- und
Recheninfrastrukturen, klare Governance-Modelle, standardisierte
Datenschnittstellen sowie regulatorische Klarheit, etwa bei der Vergütung
netzdienlicher Flexibilität oder bei Freigabeprozessen für . Deutschland bringe
mit seiner industriellen Wertschöpfungstiefe gute Voraussetzungen mit. Der
nächste Sprung entscheide sich jedoch an Flexibilität, Autonomie und Skalierung
der Systeme.
(ID:50836363)