Sowohl Anomalieerkennung als auch Prognose werden unter ‘KI zu meinen IoT-Daten hinzufügen’ eingeordnet, und Teams fragen oft nach dem einen, wenn sie eigentlich das andere brauchen. Sie klingen verwandt und teilen sich dieselben Werkzeuge, aber sie beantworten gegensätzliche Fragen. Sie zu verwechseln führt zu einem Modell, das technisch funktioniert und trotzdem nicht weiterhilft, weil es auf den falschen Zeitpunkt zielt.
Der Unterschied ist einfach, sobald man ihn klar ausspricht. Die Anomalieerkennung fragt: Ist das, was gerade passiert ist, normal? Die Prognose fragt: Was passiert als Nächstes? Die eine betrachtet die Gegenwart im Vergleich zur Vergangenheit. Die andere betrachtet die Zukunft. Zu wissen, welche Frage Ihre Bediener tatsächlich stellen, sagt Ihnen, welche Sie bauen sollten, und oft werden Sie feststellen, dass Sie beide brauchen, in einer bestimmten Reihenfolge.
Anomalieerkennung: Ist das normal?
Die Anomalieerkennung überwacht den eingehenden Datenstrom und markiert Messwerte, die nicht zum gelernten Muster des Normalen passen. Eine Temperatur, die plötzlich ausschlägt, eine Schwingungssignatur, die sich verschiebt, eine Durchflussrate, die auf null fällt, obwohl sie es nicht sollte. Im Kern geht es um die Gegenwart, gemessen an der Vergangenheit.
Sie brauchen sie, wenn der Fehlerfall plötzlich auftritt und Sie nicht jeden schlechten Zustand im Voraus mit festen Schwellenwerten auflisten können. Statische Grenzwerte erfassen die offensichtlichen Fälle, zu heiß, zu kalt, aber sie übersehen die subtilen: einen Wert, der innerhalb seines normalen Bereichs liegt, aber für diese Tageszeit falsch ist, oder eine langsame Verschiebung, die nie eine harte Grenze auslöst. Die Anomalieerkennung erfasst die Fälle nach dem Motto ‘das sieht komisch aus’, die sich mit Regeln nicht ausdrücken lassen.
Für eine tiefere Umsetzung haben wir den Weg von Schwellenwerten über statistische Basislinien bis hin zur KI-gestützten Untersuchung in einem eigenen Leitfaden zum Erkennen von IoT-Anomalien beschrieben. Die Anomalieerkennung ist das richtige Werkzeug, wenn es um das Jetzt geht.
Prognose: Was passiert als Nächstes?
Die Prognose projiziert das Signal in die Zukunft, damit eine Entscheidung mit Vorlaufzeit getroffen werden kann. Wann läuft der Tank leer? Wie hoch ist die Last um 16 Uhr? Steuert dieses Lager nächste Woche auf einen Ausfall zu? Es geht um die Zukunft, und ihr Wert bemisst sich daran, wie viel Vorwarnung sie verschafft.
Sie brauchen sie, wenn die sinnvolle Handlung Vorlauf erfordert. Bestände nachbestellen, Wartung planen, ein Lager vorkühlen, Personal nach Bedarf einteilen: Nichts davon lässt sich in dem Moment erledigen, in dem der Schwellenwert überschritten wird, denn dann ist es zu spät. Die Prognose gibt es, um den Alarm nach vorne zu verlegen, von ‘es ist passiert’ zu ‘es wird passieren’.
Der Test: Wann muss der Bediener handeln?
Stellen Sie eine einzige Frage zu der Entscheidung, die Sie unterstützen wollen: Muss der Bediener auf etwas reagieren, das bereits eingetreten ist, oder sich auf etwas vorbereiten, das noch nicht eingetreten ist?
Auf Eingetretenes reagieren bedeutet Anomalieerkennung. Ein Gefrierschrank, der sich gerade erwärmt hat, eine Pumpe, die gerade ausgefallen ist, ein Messwert, der gerade seltsam geworden ist. Sich auf Kommendes vorbereiten bedeutet Prognose. Ein Gefrierschrank, der auf Probleme zusteuert, ein Tank, der sich seiner Leerung nähert, eine Last, die kurz vor dem Höchstwert steht. Wenn die ehrliche Antwort ‘beides’ lautet, haben Sie nicht ein Projekt, sondern zwei einander ergänzende.
Zusammen funktionieren sie am besten
Die stärksten prädiktiven Aufbauten nutzen beide nacheinander. Die Prognose verschafft Vorlaufzeit auf dem erwarteten Verlauf. Die Anomalieerkennung schützt vor dem Unerwarteten, das die Prognose nie vorhergesehen hat, denn eine Prognose setzt voraus, dass die Zukunft dem gelernten Muster ähnelt, und der ganze Sinn einer Anomalie besteht darin, dass sie das eben nicht tut.
Ein Beispiel aus der Kühlkette: Eine Prognose warnt, dass eine Einheit beim aktuellen Trend in zwei Stunden aus dem Bereich driftet, was genug Zeit zum Eingreifen lässt. Unabhängig davon erfasst die Anomalieerkennung den Kompressor, der gerade jetzt ausfällt, ein Ereignis, das kein Trend vorhergesagt hat. Die eine verschafft Zeit im Normalfall, die andere fängt den Ausnahmefall ab. Wenn Sie beide betreiben, decken Sie die Zukunft ab, die Sie sehen können, und die Überraschung, die Sie nicht sehen können.
Beides auf TagoIO umsetzen
Auf der Plattform haben beide dieselbe Form von Aufgabe: ein Skript, das Gerätedaten liest, ein Modell anwendet und ein Ergebnis als Variable zurückschreibt, die Dashboards und Alarme nutzen. Ein Anomaliedetektor schreibt eine Kennzeichnung oder einen Score. Ein Prognosemodell schreibt einen vorhergesagten Wert und einen Konfidenzbereich. Da TagoIO Analytics Prognosen und Anomaliewerte nach Zeitplan oder bei eingehenden Daten erstellt, können Sie das eine, das andere oder beide gegen dasselbe Gerät betreiben, ohne eine separate Pipeline.
Entscheiden Sie nach dem Moment des Bedieners: reagieren oder vorbereiten. Bauen Sie dann das, was passt, und fügen Sie das andere hinzu, wenn der zweite Moment auftaucht. Sehen Sie, wie TagoIO Analytics beides ausführt.
TagoIO Analytics erledigt beides für Sie, ganz ohne Code. Melden Sie sich unter sight.tago.io/login mit Ihrem TagoIO-Konto an und trainieren Sie in wenigen Minuten ein Modell mit Ihren Daten, um Prognosen und Anomaliewerte auf demselben Gerät zu erhalten, ohne Data Scientist.
