[In der Blog-Übersicht wird hier ein Weiterlesen-Link angezeigt]

Die genannten Probleme sind nicht neu und wurden bereits in der Big-Data-Ära als die „Fünf Vs“ identifiziert: Variety, Velocity, Volume, Veracity und Value, die die Schlüsseldimensionen darstellen, welche (Big-)Data-Systeme definieren und charakterisieren. Diese Probleme sind der Grund für eine niedrige Datenanalysequote: Nur etwa 5 % bis 20 % der erfassten Test- und Messdaten werden typischerweise analysiert, und „weniger als 0,5 % aller Daten werden jemals analysiert und genutzt“.

Lösungsansätze

Betrachtet man den Prozess der Datenanalyse, wird deutlich, dass vor der eigentlichen Analyse – und damit vor dem Einsatz von Machine Learning und KI – diese Datenprobleme gelöst werden müssen:

Während die obige Abbildung (Bildquelle) das zu lösende Problem skizziert, gibt es viele Optionen für das „Wie“. Es existiert jedoch ein Industriestandard, der alle Bausteine für die Lösung abdeckt: ASAM ODS. 💙

• Formatproblem lösen:
  ASAM ODS führt die ASAM ODS (External) Data Plugins ein – leichtgewichtige Microservices, die auf dem Google-gRPC-Protokoll basieren. Sie bieten eine effiziente API für den Zugriff auf Metadaten und große Messdatenmengen – direkt aus den Originaldateien.
• Datenqualität verbessern:
  Die Daten können anschließend in einem ASAM-ODS-Server gemäß dem ASAM-ODS-Datenmodell gespeichert werden. Dieses Modell fügt zusätzliche Semantik hinzu, indem es Basiseinheiten und deren Beziehungen definiert. So entsteht eine Messdaten-Ontologie, die weitere Vorteile für Machine Learning bietet.
• Zugriffsproblem lösen:
  Der vorgesehene Empfänger oder Nutzer der Daten muss identifiziert werden. Für Data Scientists ist Python zur De-facto-Lingua-Franca geworden, da es die Brücke zu Analyse- und Machine-Learning-Bibliotheken sowie zu Visualisierungstools wie Microsoft Power BI schlägt. Hier hilft die Open-Source-Lösung ASAM ODSBox – ein leichtgewichtiger Python-Wrapper auf Basis der ASAM-ODS-HTTP-API. Damit können Data Scientists Analyse- und ML-Tools wie TensorFlow oder scikit-learn nutzen, aber auch Power BI kann auf diese Weise auf Daten zugreifen. Schauen Sie sich die zahlreichen Jupyter-Notebook-Beispiele im Data Management Learning Path an, um die Möglichkeiten der ASAM ODSBox zu erkunden.
• Integration in moderne KI-Ökosysteme:
  Der ODS AIConnectMCP Service bietet eine einheitliche Möglichkeit, ASAM-ODS-Daten für agentische KI-Workflows zugänglich zu machen. Anstatt auf Zwischenformate zu setzen, ermöglicht ODS AIConnect eine direkte, leistungsstarke Integration mit KI-gesteuerten Systemen. So können autonome Agenten große Testdatenmengen nahtlos abfragen, verarbeiten und analysieren – und adaptive Entscheidungen, Echtzeit-Einblicke sowie intelligente Automatisierung in verteilten Umgebungen unterstützen.

Fazit

Die Kombination aus ASAM ODS DataPlugins, dem ASAM ODS-Datenmodell, der ASAM ODSBox und dem ASAM ODS AIConnector bietet die notwendigen Funktionen und Fähigkeiten, um Test- und Messdaten zu einem erstklassigen ML-Bestandteil zu machen – bereit für den Einsatz in agentischen KI-Workflows.

Ausblick

Auch wenn wir nun einen großen Schritt zur Lösung der Test- und Messdatenprobleme gemacht haben, um Machine Learning zu ermöglichen, steht die nächste Herausforderung bereits bevor: Wie können diese Daten in agentische KI-Assistenten für die Testdatenanalyse integriert werden?

💡Lesen Sie weiter im Blog unseres Partners Renumics, wie agentische KI-Systeme helfen können, den Zugang zu diesen Daten zu demokratisieren und automatisierte Workflows zu erstellen, die das individuelle Wissen von Ingenieuren erfassen.

👉 Diskutieren Sie mit uns über ihre Datenstrategie.