KI in der Datenanalyse

Einführung

Wir haben ein Large Language Modell zur industriellen statistischen Analyse ausprobiert.

In einem aktuellen Projekt lagen vier Jahre Betriebsdaten einer Industrieanlage vor – rund 26.000 Zeitstempel, etwa 200 kontinuierliche Prozessgrößen sowie zahlreiche Ventilstellungen aus Regelkreisen. Die Fragestellung war typisch für die Prozessindustrie: Eine Anlage verlor über längere Zeit an Leistungsfähigkeit. Geschwindigkeit bzw. Durchsatz mussten zunehmend reduziert werden. Die Ursachen waren unklar, Vermutungen gab es viele. Übere mehrere Monate blieben verschiedene Ansätze ohne Wirkung. 

Statt eine klassische, langwierige Statistikstudie aufzusetzen, wurde ein strukturierter KI-gestützter Analyseansatz gewählt. 

Strukturierte Vorbereitung

Voraussetzung war eine saubere Datenbasis: konstistente Zeitstempel über alle Parameter, eine klare Trennung von Betriebs- und Stillstandszeiten, nachvollziehbare branchenübliche Signalnamen und eine saubere Beschreibung der Problemstellung. Wer Six-Sigma-Projekte kennt, weiß, dass hier viel Zeit in der Vorbereitung steckt und der Erfolg des Projektes im Wesentlichen daran hängt, wie wirksam hier gearbeitet wird.

Die zweite alles entscheidende Basis ist ein exzellenter Prompt. LLMs ermöglichen es, verschiedene Expertenrollen zu kombinieren und gleichzeitig enorme Datenmengen zu verarbeiten. Es ist jedoch wichtig, sie ganz konkret in die Aufgabe einzuführen und nicht einfach ein “analysiere diese Daten” zu prompten. Auch hier sind Six-Sigma-Aufgabenstellungen zielführend.

Wesentliche Elemente des Analyse-Prompts waren:

• Klare Definition des Problems (z.B. über 5W1H)
• Explizite Trennung zwischne Datenevidenz und technischer Interpretation
• Offenlegung bereits gelaufener Maßnahmen, die die Messdaten manipuliert haben
• Aufzeigen aktueller Hypothesen
• Aufforderung, Korrelation & Kausalität explizit zu trennen
• Verpflichtung zur Beurteilung der Kausalität nach der Ingenieurs-Expertise
• Ausgabe der Ergebnisse in einer verständlichen Managementtauglichkeit

Ohne diese Struktur besteht das Risiko, dass KI zwar Muster findet, diese aber falsch gewichtet oder voreilig interpretiert. Mit dieser Struktur konnte die KI hingegen nach ca. 18 Minuten Rechenzeit:

• systematische Muster erkennen und ursächliche von sympotmatischen Messgrößen trennen
• schleichende Reserveverluste über Jahre in der Anlage finden
• erkennen, dass Regelkreise korrekt reagieren
• priorisieren, wo technische Eingriffe den größten Hebel haben
• 3 starke Hypothsen hervorbringen

Im weiteren Chatverlauf haben wir die Ergebnisse diskutiert, Versuchspläne aufgestellt und eine Vorgehensweise strukturiert.

Vorteile im industriellen Umfeld

Im Idealfall haben Sie ein Team von Technologen, OPEX-Experten und exzellenten Operativen, die die Zeit für Workshops freimachen und ein Six-Sigma-Projekt durchführen. 200 Parameter werden auf ein paar wesentliche heruntergebrochen, Messreihen werden verifiziert, Symptome diskutiert, Bauchgefühle wegmoderiert. Diese Vorgehensweisen brauchen Zeit. In größeren hochautomatisierten Industrieanlagen sind die Messdaten häufig von sehr guter Qualität und die Themen überladend. Hier kann Ihnen ein LLM viel Zeit & Ressourcen ersparen, Vermutungen in der Diskussion schärfen oder sie ausschließen. Im konkreten Projekt wurde nun ein Schwerpunkt definiert – ein klarer Fokus in einer hochkomplexen Anlage, die etwas in die Jahre gekommen ist. Hier die Vorteile im Überblick:

• Geschwindigkeit: Was früher Wochen dauerte, kann in Stunden strukturiert werden.
• Ganzheitliche Betrachtung: 200 Parameter und zahlreiche Ventilstellungen werden simultan betrachtet – kein selektives oder erfahrungsgeleitetes “Lieblingssignal”.
• Objektivität: Betriebsblindheit, Bauchgefühle & Hypothesenfixierung werden reduziert.
• Transparente Hypothesenbildung: Die KI dokumentiert, warum sie eine Ursache für plausibel hält.
• Konkrete Maßnahmenableitung: Nicht nur Analyse, auch Lösungsansätze.
• Direkte Rückfragen aus dem Team zu konkreten Daten: Die Daten sind analysiert und können im Chat auf weitere Vermutungen hin diskutiert werden. “Sollten wir den pH-Wert nicht stärker im Blick haben?” “Nein, der hat zwar einen Einfluss, aber ist nicht ursächlich.”

Risiken & Grenzen

So leistungsfähig LLM inzwischen sind – sie sind kein Ersatz für saubere Datenarbeit und kein automatischer Wahrheitsgenerator. Ihr Output ist immer nur so gut wie die Struktur, Qualität und Kontextualisierung der Eingangsdaten.

1. Datenqualität ist kritisch
Ein LLM kann keine systematischen Datenfehler erkennen, wenn sie nicht offensichtlich sind. Typische Risiken sind:

• falsch skalierte oder nicht dokumentierte Einheiten

• Sensor-Drift oder „eingefrorene“ Signale

• vermischte Betriebs- und Stillstandsphasen

• fehlende Trennung unterschiedlicher Produkt- oder Betriebsregime

Solche Effekte können zu scheinbar logischen, aber technisch falschen Mustern führen. Faulheit in der Vorbereitung wird hart bestraft.

2. Korrelation ist nicht automatisch Ursache
Auch wenn moderne Modelle zeitliche Abfolgen prüfen und führende Indikatoren identifizieren können, bleibt die physikalische Plausibilisierung entscheidend. Ein statistischer Zusammenhang ist nur dann belastbar, wenn er zeitlich konsistent ist, technisch erklärbar ist und über mehrere Perioden stabil bleibt. Ohne diese Prüfung entsteht schnell eine „scheinbar elegante“ Erklärung ohne reale Wirksamkeit.

3. Signalinterpretation erfordert Fachwissen
In industriellen Daten sind Signalnamen nicht immer eindeutig. Eine „Feuchte“ kann Trocken- oder Wassergehalt bedeuten, ein Ventilwert kann eine Begrenzung oder nur eine Regelbewegung anzeigen.
Das Modell kann Muster erkennen – aber die korrekte technische Einordnung muss vom Fachteam validiert werden. Bis auf weiteres wird die KI den Technologen oder den BlackBelt im Team nicht ersetzen können. 

4. Gefahr der Überinterpretation
LLMs sind darauf trainiert, kohärente Antworten zu formulieren. Das bedeutet sie gewichten Muster strukturiert,  priorisieren Hypothesen und formulieren klare Empfehlungen. Diese Klarheit darf nicht mit absoluter Sicherheit verwechselt werden. Jede Hypothese muss vor Ort überprüfbar sein und im realen Betrieb getestet werden. Versuchsreihen und die folgende statistische Analyse muss Teil eines guten Projektverlaufs sein. 

5. Keine Blackbox-Entscheidungen
KI sollte niemals Entscheidungsgrundlage ohne Transparenz sein. Erfolgreiche Projekte zeichnen sich dadurch aus, dass Annahmen explizit benannt werden, Unsicherheiten offen kommuniziert werden und Datenevidenz und Interpretation klar getrennt sind. 

Fazit

Large Language Modelle verändern nicht die Physik industrieller Prozesse – aber sie verändern die Geschwindigkeit und Struktur, mit der wir sie analysieren können. Bei sauber aufbereiteten Daten, klar definierten Fragestellungen und transparent formulierten Annahmen sind sie in der Lage, große Zeitreihen mit hunderten Parametern ganzheitlich zu durchdringen, Muster zu erkennen, zeitliche Zusammenhänge herzustellen und priorisierte, technisch plausible Hypothesen abzuleiten. Entscheidend ist dabei nicht die reine Rechenleistung, sondern die Kombination aus Datenqualität, durchdachtem Prompt-Design und fachlicher Validierung. KI ersetzt keine Ingenieure, sie verstärkt ihre analytische Wirkung. Wer diese Werkzeuge richtig einsetzt, kann komplexe Ursachenanalysen in der Prozessindustrie deutlich beschleunigen, Diskussionen versachlichen und schneller zu fundierten, testbaren Entscheidungen kommen.