← Alle Beiträge

Zwischenstand, geschrieben kurz nach dem ersten Zwischentermin.

Ein agentisches System mit BMW: der Code rechnet, das Modell erklärt

Im Seminar Building Agentic Products arbeiten wir mit BMW an einem System, das frühe Warnzeichen für ungeplante Maschinenstopps erkennt. Ein Zwischenstand, so abstrakt, wie es die Vertraulichkeit verlangt.

Die wichtigste Regel in unserem Entwurf passt in einen Satz: Jede Zahl rechnet der Code, das Sprachmodell rechnet keine einzige.

Seit September sitze ich im Seminar Trends und Konzepte, Thema in diesem Jahr: Building Agentic Products. Unser Industriepartner ist BMW. Wir sind sechs Leute vom HPI, die Abschlusspräsentation ist Ende Januar. Das Projekt steht unter NDA. Deshalb steht hier nur, welches Problem wir angehen, wie wir es angehen und womit. Keine Namen von Standorten oder Anlagen, keine Zahlen, keine Abläufe.

Das Problem. In einer stark automatisierten Fertigung melden Maschinen ständig Fehler und Zustände. Ein paar davon kündigen einen ungeplanten Stopp an, und genau diese frühen Zeichen gehen leicht unter. Dazu kommt, dass Verzögerungen ohne echten Stopp oft gar keine eigene Meldung erzeugen. Es geht dabei um Meldungen, nicht um Sensordaten. Kontinuierliche Messwerte haben wir bewusst ausgeklammert.

Der Ansatz besteht aus vier Teilen. Erkennen: deterministische Statistik auf Mustern in den Meldungen. Priorisieren: Wie stark trifft das, was sich da anbahnt, die Produktion? Benachrichtigen: die richtige Rolle informieren, verständlich und rechtzeitig. Und Lernen: Rückmeldungen fließen zurück. Darüber soll ein Agent mit einem Sprachmodell sitzen, der nur über Werkzeuge arbeitet. Er darf nachschauen, untersuchen und erklären, was er findet, und es an die richtigen Menschen weiterleiten. Er darf keine Zahlen erfinden, weil er keine Zahlen ausrechnet. Und alles, was zurück ins ERP-System geschrieben würde, ist ein Entwurf, den ein Mensch freigibt. Die Daten bleiben lokal.

Die Demo auf dieser Seite ist eine Konzept-Illustration mit erfundenen, generischen Daten, nichts davon kommt vom Partner. Sie zeigt den Ablauf in fünf Schritten: Meldungen laufen ein, der Code erkennt ein Muster, der Agent untersucht es über seine Werkzeuge, schreibt einen Entwurf, und ein Mensch gibt ihn frei oder nicht.

Konzept-Illustration · synthetische, generische Daten · keine Partnerdaten von Code berechnet vom Sprachmodell geschrieben braucht einen Menschen

Maschinenmeldungen

Klick auf eine Station: Fehlerhäufung dort auslösen

    Pipeline (deterministisch)

    1. DetectStatistik auf Meldungsmustern

    2. PrioritiseWirkung auf den Fluss

    3. Notifyrichtige Rolle informieren

    4. LearnFeedback zurückführen

    Agent · arbeitet nur über Tools

      Konzept-Illustration zum laufenden Seminar „Trends und Konzepte: Building Agentic Products“ mit BMW als Industriepartner. Sie zeigt nur die Designregeln des Team-Entwurfs: Code berechnet jede Zahl, das Sprachmodell arbeitet über Tools und erklärt, ein Mensch gibt jeden Schreibzugriff frei. Stationen, Fehlercodes und Werte sind erfunden; keine Partnerdaten, keine Prozessdetails, nicht die Oberfläche des Teams.

      Demo mit Beispieldaten
      Demo Demo mit Beispieldaten: nur das abstrakte Prinzip. Stationen, Codes und Zahlen sind erfunden; nicht der Code oder die Oberfläche des Teams.

      Mein Teil. Ich war bei den Interviews vor Ort beim Partner dabei. Danach habe ich die Reporting- und Frühwarn-Pipeline aufgebaut, also den Teil, der aus Meldungen erkennt, dass sich etwas anbahnt, und darüber berichtet. Das System selbst haben wir im Team gemeinsam entworfen.

      Warum diese Trennung? Weil ein Sprachmodell, das selbst rechnet, irgendwann eine Zahl halluziniert, und in einer Fertigung ist eine falsche Zahl schlimmer als keine. Ein Modell, das nur erklärt, was deterministischer Code gefunden hat, kann man prüfen. Bei Kobe haben wir es ähnlich gehalten: Nichts wird verschickt, bevor ein Mensch es freigegeben hat.

      Was ich bis jetzt mitnehme: Die Interviews vor Ort gehören an den Anfang, nicht ans Ende. Und ein Agent wird nicht dadurch nützlich, dass er viel darf, sondern dadurch, dass klar ist, was er nicht darf.

      Tools und Skills: Python, pandas, DuckDB und Parquet für die Daten, pytest, ein geplanter Agent mit Werkzeugen, Nutzerinterviews beim Industriepartner, Human-in-the-Loop-Design und Arbeiten unter NDA.

      Die Abschlusspräsentation ist im Januar. Dann gibt es hier mehr, soweit ich es zeigen darf.