Fragen Sie Ihre Maschinen: Natürlicher Sprachzugang zu Ihren Fabrikdaten

von Chris Ryan

Fabriken erzeugen täglich enorme Datenmengen, doch die meisten Teams haben Schwierigkeiten, darauf zuzugreifen, wenn sie es am dringendsten brauchen. Natürlichsprachliche Schnittstellen ändern dies, indem sie Fragen direkt in Datenbank-Abfragen übersetzen. Mit der Zwei-Schleifen-Lernarchitektur von iosys - aufgebaut auf einem Open-Source-Framework mit modernen Sprachmodellen - lernt das System auf Ihren Daten mit, verbessert sich mit jeder Interaktion und gewährleistet einen sicheren Betrieb. Das Ergebnis: Ihre Fabrik wird schneller, transparenter und wirklich datengetrieben.


Kernpunkte

  • Daten existieren, aber der Zugang fehlt. Maschinenbediener sehen Auffälligkeiten, können aber die Datenbank nicht direkt abfragen.

  • Natürliche Sprache beseitigt die SQL-Barriere. Stellen Sie Fragen in einfacher Sprache und erhalten Sie Diagramme, Tabellen oder Einzelwerte.

  • Zwei-Schleifen-Architektur ermöglicht kontinuierliches Lernen. Offline-Bootstrapping initialisiert das System; Online-Lernen verbessert es täglich.

  • Sicher durch Design. Alle Abfragen sind schreibgeschützt, validiert und nachvollziehbar.

  • Realistischer ROI. Ein typisches KMU kann über 70 Stunden pro Monat bei Datenanfragen einsparen.


Das 5:47-Uhr-Problem: Daten existieren, Zugang nicht

Stellen Sie sich vor: Ein Schichtleiter bemerkt nachts etwas Ungewöhnliches an einer Maschine. Die benötigten Daten liegen in einer Datenbank, nur wenige Tabellen entfernt. Aber er kann sie nicht abrufen.

Was dann passiert, kennen viele nur zu gut. Er eröffnet ein IT-Ticket, wartet ein paar Tage, erhält einen statischen PDF-Bericht und muss dann nochmals nachfragen, weil das PDF seine Frage nicht ganz beantwortet hat.

Dieses Muster verlangsamt die Reaktionszeit und hindert das Fertigungspersonal daran, Probleme schnell zu lösen. Die frustrierende Wahrheit? Das Problem sind nicht fehlende Daten – es ist der fehlende Zugang.

Warum SQL die Fertigung warten lässt

SQL (Structured Query Language) - eine Programmiersprache zum Abfragen von Datenbanken - ist mächtig, erfordert aber Fachwissen. Selbst scheinbar einfache Fragen verlangen Kenntnisse über Joins, Fensterfunktionen und Zeitfilter. Die meisten Maschinenbediener können kein SQL schreiben – und sollten es auch nicht müssen. Gleichzeitig können Analysten mit dem endlosen Strom von Ad-hoc-Anfragen nicht Schritt halten.

Das Ergebnis: Eine Fabrik, die auf verzögerten Berichtszyklen läuft, Entscheidungen ohne Datengrundlage trifft und wachsende Frustration in allen Teams erlebt.

Fragen stellen, wie Sie bereits arbeiten

Mit natürlichsprachlichem Zugang fragen Mitarbeitende einfach, was sie wissen möchten:

  • «Was war der Stromverbrauch der DMG gestern?»
  • «Welche Maschine hatte heute die meisten Fehler?»
  • «Zeige stündliche Temperaturtrends.»
  • «Wie lange waren die Fräsmaschinen diesen Monat in Betrieb?»

talk.factoriq antwortet mit genau dem, was gebraucht wird: einem Einzelwert, einem Zeitreihendiagramm, einer Rangliste oder einer Vergleichstabelle. Das System versteht Ihre Maschinen, Ihr Schema und Ihre Terminologie, weil es speziell auf Ihren Daten trainiert wurde.

So funktioniert es: Eine Zwei-Schleifen-Architektur mit kontinuierlichem Lernen

talk.factoriq verwendet eine Zwei-Schleifen-Architektur, die auf einem Open-Source-Framework aufbaut. Die erste Schleife übernimmt die aufwändige Analyse einmalig während der Einrichtung. Die zweite Schleife läuft schnell und verbessert sich kontinuierlich durch den täglichen Einsatz.

Schleife 1: Offline-Bootstrapping (vor Go-Live)

Diese Schleife läuft einmal mit Claude Opus 4.5, dem aktuellen leistungsfähigsten Sprachmodell von Anthropic.

Claude Opus 4.5SQL-Tool (nur lesen)TimescaleDBSchema automatisch entdeckenQ-SQL-Paare generierenVektordatenbank

Während des Bootstrappings erkundet das System Ihr Datenbankschema, entdeckt Tabellen, Metriken und Zeitstempel, generiert über 100 Frage-SQL-Trainingspaare und speichert die Zusammenhänge in einer sogenannten Vektordatenbank, welche die Suche von ähnlichen Fragen ermöglicht.

Damit ist das Kaltstart-Problem gelöst. Sobald das System live geht, versteht es bereits Ihre Datenstruktur und kann vom ersten Tag an Fragen beantworten.

Beispiel: Bootstrapping-Ausgabe aus einer echten Fabrik

Das Bild unten zeigt das Ergebnis von Claude Opus 4.5 auf einer echten Datenbank mit Telemetriedaten. In nur wenigen Minuten entdeckte das System 11 Tabellen, 46 Metriken, 12 Anlagen (Laserschneider, Leistungsmesser, Steuerungen) und generierte 59 Frage-SQL-Trainingspaare – welche bereits validiert sind, und somit bereit für den Produktionseinsatz.

Erfolgreiches Bootstrapping-Beispiel mit entdecktem Schema, Anlagen und generierten Q-SQL-Paaren

Schleife 2: Online-Lernen (täglicher Einsatz)

Sobald das System live ist, läuft es kontinuierlich mit einem kleineren, schnellerem und somit günstigeren Sprachmodell, zum Beispiel GPT-4.1-mini.

BenutzerfrageGPT-4.1-mini (schnell)RAG RetrievalTimescaleDBResultateErfolg in Vektordatenbank speichernGPT-4.1-mini (schnell) → Resultate

Beispiel: Timeseries Assistant in Aktion

Hier eine echte Abfrage: «Kannst du eine Analyse der Fehleranzahl pro eindeutiger Meldung der letzten Woche machen? Gruppiert nach Meldung und Anlage.» Das System ruft ähnliche Beispiele aus dem Speicher ab, generiert SQL, führt es aus und liefert 215 Zeilen Ergebnisse – alles innert Sekunden.

Explorative Datenanalyse in Aktion: Beachten Sie, wie der Agent bei fehlgeschlagenen Tool-Aufrufen elegant weitermacht und trotzdem zur Antwort gelangt.

Die positive Rückkopplungsschleife

Jede erfolgreiche Abfrage macht das System intelligenter:

FragenGutes SQLGespeicherte BeispieleBesserer AbrufBesseres SQLMehr Nutzung

Das System wird jeden Tag genauer und lernt, wie Ihr Team Fragen formuliert.

Was Sie fragen können: Echte Anwendungsfälle aus der Praxis

Der Agent bearbeitet die Fragen, die für Fertigungsteams am wichtigsten sind:

  • Laufzeit- vs. Stillstandsanalyse
  • Ausschussmuster nach Schicht
  • Erkennung von Energieauffälligkeiten
  • Zykluszeitvergleiche
  • Gruppierung von Fehlerereignissen

Diese Abfragen erfordern normalerweise fortgeschrittene SQL-Kenntnisse. Jetzt genügt ein Satz.

Ein realistisches KMU-ROI-Beispiel

Nehmen wir eine Fabrik mit 25 Maschinen, die etwa 120 Datenanfragen pro Monat generiert. Rechnen wir nach:

120 Anfragen × 45 Minuten = 54 Stunden pro Monat
54 Stunden × 12 Monate = 648 Stunden pro Jahr

Das entspricht etwa 0,3 Vollzeitstellen, die nur für die Beantwortung von Datenfragen aufgewendet werden. Natürlichsprachlicher Zugang reduziert dies um etwa 80% und spart über 50 Stunden pro Monat, die Teams für tatsächliche Verbesserungen und andere wertschöpfende Tätigkeiten nutzen können.

Die versteckten Kosten gehen noch tiefer. Wenn Mitarbeitende die Ursache eines Problems nicht schnell ermitteln können, eskaliert die Situation. Eine Maschine läuft stunden- oder tagelang suboptimal, während auf die Datenanalyse gewartet wird. Ausschussraten steigen. Energieverschwendung bleibt unentdeckt. Wartungsfenster werden verlängert, weil niemand bestätigen kann, was tatsächlich passiert ist. Diese nachgelagerten Kosten – in der traditionellen Buchhaltung oft unsichtbar – können die direkten Zeiteinsparungen bei Weitem übersteigen.

Ausrollen in acht Stunden

Der Einstieg ist schneller als Sie vielleicht erwarten:

StundenAktivitätenErgebnis
Stunde 1–2Datenbankverbindung (schreibgeschützt)Sichere Integration
Stunde 3–4Offline-Bootstrapping mit Opus 4.5Vektordatenbank initialisiert
Stunde 5–6Agent-Deployment, Benutzer-OnboardingSystem ist live
Stunde 7–8Online-Schleife aktivieren, Lernen startenKontinuierliche Verbesserung

Fazit

Ihre Maschinen kennen die Antworten bereits. Mit iosys kann Ihr Team sie endlich innert Sekunden abrufen.

Die Zwei-Schleifen-Architektur, die Open-Source-Engine Vanna.ai und die sichere SQL-Generierung machen dies praktisch und zugänglich für Fertigungs-KMU jeder Grösse. Wo diese Kategorie neben den anderen steht und was sie zum Rechnen braucht, steht in Welche KI-Tools lohnen sich für Fertigungs-KMU?. Wie sich eine solche Faktenschicht in eine Gesamtarchitektur einordnet, zeigt Das Sprachmodell kommt zuletzt.

Bereit, Ihrem Team schnellen Zugang zu Produktionsdaten zu geben? Kontaktieren Sie uns, um Ihren Anwendungsfall zu besprechen.