Episode #224
#224 | Datenharmonisierung mit AIoT: Was brauchen KI-Agenten für das Mapping?
#AIoT #KIAgenten #Datenharmonisierung Ing. Madeleine Mickeleit spricht im IoT Use Case Podcast mit Dr. Jürgen Krämer, CPO und Geschäftsführer bei Cumulocity, über AIoT – die Verschmelzung von klassischem Machine Learning, generativer und agentischer KI mit Industrial IoT. Im Fokus steht der Weg von der reinen Vernetzung von Maschinen hin zu teilautonomen Abläufen. Zusammenfassung Die sicher angeschlossene Flotte ist für Krämer Voraussetzung, nicht Leistung: Ohne sie lohnt kein KI-Projekt. Er trennt zwei KI-Arten – klassisches Machine Learning für hochfrequente Maschinendaten, weil ein LLM dort die Token-Kosten sprengen würde, und agentische KI, die auf ein erkanntes Anomalie-Event hin eine Root-Cause-Analyse startet. Beides steht und fällt mit dem Kontext: Ohne Asset-Beziehungen, Einheiten und Produktdokumentation bleibt eine Fehlermeldung wie 4711 an einer Pumpe für den Agenten bedeutungslos. Konkret wird das bei der Datenharmonisierung. In einem Werk heißt der Temperatursensor Hugo, im nächsten Willi. Ein Expert Agent liest den eingehenden Datenstrom mit und schlägt die Transformation ins Cumulocity-Format vor, getestet unter anderem mit OPC UA, Modbus, LoRaWAN, Protobuf, CBOR und Sparkplug. Bei Enercon automatisiert eine regelbasierte Remote-Aktion rund 40 Prozent der Turbinen-Restarts; KI ist dabei nach Krämers eigener Aussage nicht im Spiel. Autonome Eingriffe bleiben Zukunft: Prototypen ja, Produktivbetrieb nein. Kunden bringen ihr eigenes LLM mit, Cumulocity trainiert keine Modelle auf Kundendaten – Begründung ist der Schutz des Domänenwissens der Betreiber. Und Krämer warnt vor Vibe Coding in geschäftskritischen Prozessen: KI-gestützte Entwicklung gehört auf die Applikationsebene, nicht in das System of Record, auf dem Governance und Auditierung aufsetzen. Das nimmst du mit Ohne sicher angeschlossene Flotte lohnt kein KI-Projekt – schlechte Daten erzeugen schlechte Ergebnisse. Hochfrequente Maschinendaten gehören an klassisches Machine Learning, nicht an ein LLM, sonst explodieren die Token-Kosten. Der Semantic Layer ist branchenspezifisch und damit der Punkt, an dem Domänenpartner gebraucht werden. Wer Datenhoheit will, muss klären, ob der Anbieter Modelle auf den eigenen Betriebsdaten trainiert. ----- Relevante Folgenlinks: Madeleine ( https://www.linkedin.com/in/madeleine-mickeleit/ ) Jürgen ( https://www.linkedin.com/in/juergenkraemer/ ) Cumulocity ( https://www.cumulocity.com/ ) Folge zu Cyber Resilience Act ( https://www.iotusecase.com/de/podcast/cyber-resilience-act-oems ) Vision-AI-Beispiel (Doku) ( https://community.cumulocity.com/t/14554 ) Top-5-AIoT-Use-Cases: 1. Datenharmonisierung per Expert Agent 2. Dashboards per Agent 3. Software-Rollout per Agent (in Entwicklung) 4. IT/OT-Security per Expert Agent (Idee) 5. Daten mit Kontext für externe Agenten via MCP (im Ausbau) Anwenderkreis beitreten ( https://www.iotusecase.com/de/anwenderkreis )
