Kommentar von Raphael Schor, MongoDB So erleichtert die Vektorsuche die Maschinen- und Fahrzeugdiagnose

Anbieter zum Thema

mongoDB

Board Deutschland GmbH

INFOMOTION GmbH

QUNIS GmbH

Generative KI-Anwendungen sind inzwischen über alle Branchen hinweg in jedem Unternehmen ein Thema. Die Fertigungsindustrie bildet keine Ausnahme. Was kann generative KI in der Industrie leisten?

Im Allgemeinen sind Vektoren im Datenbereich kodierte Darstellungen von unstrukturierten Daten wie Text, Bilder und Audio in Form eines Arrays. Wird eine Suchanfrage an eine Datenbank gestellt, wird sie von einem Embedder als Vektor abgebildet und mit den bereits als Vektoren gespeicherten Daten verglichen. Das System spielt dann den gespeicherten Vektor mit den größten Ähnlichkeiten zur Suchanfrage als Ergebnis aus. Es geht also immer um den Abgleich von Ähnlichkeiten, weswegen die Vektorsuche auch als Ähnlichkeitssuche bezeichnet wird.

Das Ziel dieses Prinzips ist es, sinnvolle Beziehungen und Ähnlichkeiten zwischen Daten zu erfassen. Das ermöglicht es Benutzern, Daten auf der Grundlage ihrer Bedeutung im Kontext abzufragen. Auf diese Weise können Systeme, die auf der Datenanalyse basieren, wie Empfehlungen, Sprachverständnis und Bilderkennung, effizienter arbeiten.

Generative KI und Vektorsuche in der Maschinen- und Fahrzeugdiagnose

Fertigungsprozesse erzeugen eine große Menge an komplexen Sensordaten. Um diese unstrukturierten Daten effizient analysieren und als Entscheidungsgrundlage für vorbeugende Instandhaltung, Bestandsoptimierung oder Ursachendiagnose nutzen zu können, bedarf es einer Datenbank, die jede Art von Daten problemlos verarbeiten kann. Darüber hinaus erfordert die Maschinendiagnose häufig die Integration von unstrukturierten Daten. Dabei kann es sich um Texte aus technischen Dokumentationen, Betriebsanleitungen oder Wartungsberichten, Bilder von Kameras oder auch um gespeicherte Betriebsgeräusche handeln. Die Speicherung, Auswertung und Nutzung dieser unterschiedlichen Formate für die Diagnose ist eine komplexe Aufgabe und erfordert ihre Speicherung als Vektoren sowie eine integrierte Vektorsuche. Hier kommt generative KI ins Spiel.

Mithilfe von generativer KI können synthetische Daten generiert werden, die die Simulation einer Vielzahl von Szenarien ermöglichen und so die Identifizierung von Fehlern erleichtern. Das gleiche System ist auch in der Lage, historische Daten nach Mustern und Korrelationen zu durchsuchen. So lassen sich Regelmäßigkeiten erkennen, die einem Menschen wahrscheinlich nicht aufgefallen wären.

Aber nicht nur historische Daten können auf diese Weise analysiert werden. Auch Textberichte, Bild- und Sensordaten können von der generativen KI nach Mustern und Zusammenhängen durchsucht werden. Große Sprachmodelle (Large Language Models, LLMs) bieten eine Benutzeroberfläche in natürlicher Sprache, die es Nutzern ermöglicht, die integrierten Daten abzufragen und zu interpretieren.

Einsparpotenzial bei Reparaturkosten

So lassen sich beispielsweise Fahrzeuggeräusche überwachen und mit gespeicherten Fahrzeuggeräuschen vergleichen. Werden Abweichungen festgestellt, erhält der Nutzer eine entsprechende Warnung. Das beugt proaktiv Schäden vor und vermeidet kostspielige Reparaturen. Zusätzlich beschleunigt es den Diagnoseprozess durch die Bereitstellung relevanter Abschnitte von Betriebsanleitungen, Notizen von ähnlichen Fällen aus Besprechungsprotokollen oder spezieller Ersatzteillisten.

Dieselbe Technologie hilft Industrieunternehmen, die Maschinendiagnose und die vorausschauende Wartung zu verbessern. Das reduziert Ausfallzeiten und senkt hohe Reparaturkosten. Umfassende Lösungen für Datenintegration, -analyse und -zugriff auf einer einzigen Plattform machen es der Industrie leichter, die Vorteile dieser KI-Anwendungen zu nutzen.

Generative KI verbessert die vorausschauende Wartung

Wartungsarbeiten werden in der Industrie in den meisten Fällen immer noch reaktiv ausgeführt. Anlagen werden nach Bedarf gewartet und bleiben in Betrieb, bis sie ausfallen, was eine vorausschauende Planung des Reparaturbedarfs erschwert. Alternativ dazu versuchen einige Unternehmen, Systeme oder Komponenten nach einem konservativen Zeitplan zu ersetzen, um häufige Ausfälle zu vermeiden. Dieser Ansatz ist jedoch aus Kostensicht ineffizient, da er häufig dazu führt, dass Teile vor Ablauf ihrer eigentlichen Lebensdauer ausgetauscht werden.

Generative KI und Vektorsuche eröffnen auf der Grundlage einer effizienten Datennutzung neue Möglichkeiten für die vorausschauende Wartung. IoT-Sensoren sammeln zu diesem Zweck Betriebsdaten von Maschinen. „Herkömmliche“ KI – auch als Machine Learning bekannt – erkennt nach entsprechendem Training Anomalien in Datensätzen und gibt eine Warnung aus, die es dem Wartungspersonal ermöglicht, proaktiv Wartungsmaßnahmen zu planen und durchzuführen. Schon dadurch werden Ausfallzeiten minimiert und Verfügbarkeit sowie Leistung der Anlagen optimiert.

Generative KI – in diesem Fall die Vektorsuche – unterstützt die vorausschauende Wartung zusätzlich: Sobald das ML-Modell einen Wartungsalarm erzeugt, kann generative KI eine Reparaturstrategie erstellen, die Ersatzteilbestandsdaten, Wartungsbudget und Personalplanung berücksichtigt. Ebenso kann sie Reparaturanleitungen vektorisieren und für eine Chatbot-Anwendung bereitzustellen, die den Techniker bei der eigentlichen Reparatur unterstützt.

Bestandsverwaltung und -verfolgung in Echtzeit

Ein weiterer Bereich, der komplexe Datenanforderungen stellt, ist die Optimierung und Verwaltung von Lagerbeständen. Auch hier kann die Vektorsuche unterstützen. Generative KI analysiert etwa Datensätze wie historische Verkaufsdaten und Markttrends, um die zukünftige Nachfrage nach Produkten vorherzusagen. Mit diesen Daten ist es möglich, die optimalen Lagerbestände zur Deckung der Nachfrage zu berechnen und die Planung schnell an Veränderungen der Nachfrage anzupassen.

Mithilfe einer geeigneten Datenbank und der Vektorsuche können Hersteller auf einfache Weise Produkte anhand ihrer saisonalen Eigenschaften kategorisieren, Produkte mit ähnlichen saisonalen Nachfragemustern gruppieren oder das Basismodell mit Kontext versehen, um die Genauigkeit der Generierung synthetischer Bestandsdaten zu verbessern. Das dient beispielsweise dazu, saisonale Nachfragemuster zu simulieren und Szenarien zur Simulation von Unterbrechungen der Lieferkette zu erstellen.

Datenquelle für die Vektorsuche: Beispiel für eine Lösungsarchitektur

Um die Datenquelle für generative KI-Anwendungen für die gesamte Bestandsverwaltung immer auf dem aktuellen Stand zu halten, wird der Bestand im Lager zunächst mit einem mobilen Gerät gescannt und mit der vollständig verwalteten Cloud-Datenbank MongoDB Atlas synchronisiert. Das geschieht über Device Sync, einer Brücke zwischen Client-Anwendungen, die die Realm SDKs verwenden, und einer MongoDB-Instanz, die in Atlas läuft. MongoDB Realm ist eine leichtgewichtige Datenbank, die für die mobile Entwicklung optimiert ist.

Device Sync ermöglicht so eine nahtlose, mobile Offline-Bestandsverfolgung und stellt sicher, dass alle bestandsbezogenen Daten in MongoDB Atlas stets aktuell sind und eine ideale „Arbeitsgrundlage“ für die Analyse darstellen. Die automatische Datensynchronisation und Konfliktlösung bei Netzwerkunterbrechungen ist ein wesentlicher Bestandteil davon. So können Gesamtbestände und -bewegungen in Echtzeit überwacht werden.

Branchenlösungen auf Basis generativer KI erfordern eine solide Datengrundlage

Die Flexibilität des Dokumentenmodells, auf dem MongoDB basiert, eignet sich für die Erfassung der verschiedenen Datenquellen, die für solche Industrielösungen verwendet werden. Es kann alle Arten von strukturierten Daten wie Zeitreihen, Schlüssel-Wert-Paare, Diagramme sowie alle Arten von unstrukturierten Daten wie Audio-Streams, Videos oder Grafiken über Vektoreinbettungen verarbeiten.

All diese Daten werden im selben Dokument gespeichert und gemeinsam über eine einzige API abgefragt. Die Volltextsuchfunktionen unterstützen den Zugriff auf relevante Informationen während des Wartungs- und Supportprozesses, während die Vektorsuche eine Grundlage für die Fehlerdiagnose und die Modellierung der vorausschauenden Wartung mit unstrukturierten Daten bietet.

Fazit

Der Einsatz von generativer KI und Vektorsuche transformiert die Maschinen- und Fahrzeugdiagnose sowie die vorausschauende Wartung und die Bestandsoptimierung. Das führt zu präventiven Wartungsstrategien, die Ausfallzeiten minimieren und Reparaturkosten senken. Die Vektorsuche bietet damit eine messbare Verbesserung der Effizienz und Zuverlässigkeit industrieller Prozesse.

(ID:50066360)