Wer KI produktiv für Maschinen einsetzen will, benötigt eine leistungsfähige MLOps-Laufzeitumgebung zum Trainieren, Ausführen und Überwachen von KI-Modellen, quasi als Motor für seine KI-Applikation. Standard-Frameworks sind nicht direkt für den Maschinenkontext nutzbar – deshalb hat aiXbrain mit Dataray ein optimiertes „Best-of“ entwickelt. Warum also teuer selbst bauen, wenn es eine maßgeschneiderte Lösung zum fairen Preis gibt?

Eine Dataray-Lizenz entspricht einer Dataray-Instanz, mit der ein aktives KI-Modell trainiert, ausgeführt und überwacht wird. Eine Instanz kann grundsätzlich bis zu 50 Maschinen bedienen. Wie viele Maschinen ein KI-Modell tatsächlich bedienen kann, hängt von der statistischen Varianz der Maschinendaten und der gewünschten Genauigkeit der KI-Ergebnisse ab. Mehrere gleichartige Maschinen können in der Regel mit dem gleichen aktiven KI-Modell, also von einer einzigen Instanz, betrieben werden.

Das Onboarding läuft in 4 Schritten ab. Im Rahmen der initialen KI-Spezifikation werden der benötigte KI-Input und -Output definiert, die erforderliche Qualität festgelegt und erste passende KI-Modelle ausgesucht. Anschließend folgt die Konfiguration, in der eine Dataray-Instanz eingerichtet und das KI-Modell trainiert wird. Nach erfolgreicher Evaluierung erfolgt der betreute Rollout mit regelmäßigen Feedback-Terminen und der Analyse von Nutzungsstatistiken. Im Live-Betrieb wird die KI-Anwendung überwacht und aktualisiert. Bei Bedarf unterstützten aiXbrain-Experten. 
Sofern Dataray nicht über eine bereits unterstützte Plattform bezogen wird, geht dem Onboarding ein Integrationsschritt voraus.

Grundsätzlich keine. Ein grundlegendes Verständnis darüber, was eine KI leisten kann und welche Daten erforderlich sind, ist hilfreich, aber nicht zwingend nötig. Dataray bietet vorkonfigurierte KI-Modelle für industrielle Anwendungen und wird von unserem Expertenteam bei Einrichtung und Betrieb begleitet. Fortgeschrittene Nutzende können die KI eigenständig überwachen, anpassen und gemeinsam mit uns Modelle für spezifische Fragestellungen weiterentwickeln.

Alle Kunden- und Maschinendaten gehören ausschließlich dem Kunden. Falls Metadaten oder Nutzungsdaten in Dataray gespeichert werden, bleiben auch diese alleiniges Eigentum des Kunden. KI-Modelle, die auf Ihren Daten trainiert wurden, können Sie ohne Einschränkung nutzen, sowohl intern als auch in Applikationen für Ihre Endkunden. Der Kunde erhält ein zeitlich und räumlich unbeschränktes, exklusives Nutzungsrecht an den ausführbaren KI-Modellen, die mit seinen Daten trainiert wurden. Auf Wunsch oder nach Beendigung der Zusammenarbeit wird der ausführbare Code dieser Modelle vollständig gelöscht.

Dataray greift direkt auf die Maschinen- und Prozessdaten aus Ihrer angeschlossenen Datenplattform zu. Um die KI-Verarbeitung zu beschleunigen, können Daten bei Bedarf vorverarbeitet und in optimierter Form gespeichert werden. Zusätzlich speichert Dataray nur Konfigurationseinstellungen, Nutzungsdaten und ggf. Metainformationen, die nicht direkt in Ihrer Plattform abgelegt werden können. Bei Cloud-Nutzung erfolgt die Speicherung ausschließlich auf EU-Servern – selbstverständlich nach den geltenden Datenschutz- und Sicherheitsstandards. So kombiniert Dataray maximale Performance mit höchster Transparenz und Datensicherheit.

Dataray nutzt ein optimiertes Set bewährter KI-Modelle für industrielle Anwendungen, z.B. zur Analyse von niederfrequenten Steuerungsdaten oder hochfrequenten Sensordaten. Im Trainingsprozess treten verschiedene Modelle gegeneinander an – das leistungsstärkste wird als aktives KI-Modell übernommen. Für Zeitreihendaten setzt Dataray meist auf Deep Learning (z.B. neuronale Netze), für Bilddaten auf pre-trained Modelle und für textbasierte Aufgaben auf LLMs und GenAI-Technologie.
Als KI-Experten evaluieren wir kontinuierlich neue Modelle und erweitern das AI Model Repository damit, wenn diese einen Mehrwert bieten.

Moderne pre-trained Modelle und GenAI benötigen nur sehr wenige Trainingsdaten. Die benötigte Datenmenge bei anderen Deep Learning Modellen hängt von der gewünschten KI-Genauigkeit sowie der statistischen Varianz und dem Informationsgehalt der Trainingsdaten ab. Wenige relevante Ereignisse, z.B. seltene Maschinenfehler, können große, aber für ein Training ungeeignete Datensätze erzeugen. Als Richtwert starten wir bei mehreren hundert bis wenigen tausend Datenpunkten, wobei mindestens ein Drittel relevante Ereignisse enthalten sollte.

Nein. Ob Label benötigt werden, hängt von der Aufgabenstellung und der gewünschten KI-Funktionalität ab. Überwachtes Lernen (supervised learning) erfordert gelabelte Daten, um der KI klare Muster und Zielwerte vorzugeben. Das ist typisch für Klassifikations- oder Fehlererkennungsmodelle. Unüberwachtes Lernen (unsupervised learning) hingegen kommt ohne Label aus und erkennt eigenständig Muster in den Daten, etwa für Anomalieerkennung oder Clusterbildung. In manchen Fällen kann auch ein hybrider Ansatz sinnvoll sein, bei dem eine KI zunächst mit wenig gelabelten Daten trainiert wird und dann eigenständig weiterlernt (continuous learning).