Jedes IoT-Projekt beginnt mit derselben Anomalie-Strategie: einem Schwellenwert. Alarm, sobald die Temperatur über 8 Grad steigt. Das funktioniert, ist einfach und fängt die offensichtlichen Ausfälle ab. Eine Weile lang fühlt sich das nach genug an.
Dann macht die Realität es kompliziert. Der Gefrierschrank, der sechs Stunden am Stück 7,9 Grad anzeigt, liegt technisch im Bereich, ist aber offensichtlich am Ausfallen. Die Pumpe, deren Vibration für ihren absoluten Wert normal ist, für einen Dienstagmorgen aber untypisch. Der Sensor, der langsam driftet, statt auszuschlagen. Feste Schwellenwerte übersehen all das, denn eine Anomalie ist keine “große Zahl”. Sie ist ein Messwert, den das normale Muster nicht vorhergesagt hätte.
Solche Anomalien zu erkennen erfordert einen schrittweisen Aufbau: von Schwellenwerten über Baselines bis zur KI-gestützten Analyse. Hier ist dieser Aufbau, was jede Stufe erkennt und wie Sie ihn umsetzen, ohne sich zu übernehmen.
Stufe 1: Schwellenwerte und ihre ehrlichen Grenzen
Fangen Sie hier an, denn das sollten Sie. Ein statischer Schwellenwert ist günstig, transparent und für harte Grenzen, die sich nie ändern, genau richtig. Ein Impfstoffkühlschrank darf 8 Grad nie überschreiten, Punkt. Das ist ein Schwellenwert, und TagoIO Actions erledigen ihn direkt: Bedingung definieren, Reaktion definieren, fertig.
Die Grenze: Schwellenwerte kennen nur absolute Werte. Sie erkennen nicht, dass ein Messwert für sich genommen in Ordnung, im Kontext aber falsch ist. Bei langsamen Drifts schlagen sie zu spät an, und bei Mustern schweigen sie ganz. Schwellenwerte sind also der Boden der Anomalieerkennung, nicht die Decke. Behalten Sie sie für die harten Grenzen und ergänzen Sie für alles andere die nächste Stufe.
Stufe 2: Statistische Baselines
Der nächste Schritt ist, jeden Messwert nicht mit einer festen Linie zu vergleichen, sondern damit, was für diesen Sensor, zu dieser Zeit, in diesem Kontext normal ist. Hier steckt der größte Teil des echten Nutzens, und für den Einstieg brauchen Sie kein maschinelles Lernen.
Die Idee ist eine gleitende Baseline. Berechnen Sie den jüngsten Mittelwert und die Standardabweichung einer Variablen und markieren Sie dann Messwerte, die zu weit außerhalb des erwarteten Bandes liegen, etwa jenseits von drei Standardabweichungen. Diese eine Technik fängt Ausschläge, die ein Schwellenwert durchgehen ließe, und Drifts, die er übersehen würde, weil sich das Band mit den Daten mitbewegt. Sie können das schon heute mit einem TagoIO Analysis-Skript bauen, das den jüngsten Verlauf einliest, das Band berechnet und ein Anomalie-Flag als Variable zurückschreibt, die Ihr Dashboard und Ihre Actions nutzen können.
Die für IoT entscheidende Verfeinerung ist der Kontext. Eine Temperatur, die um 2 Uhr nachts normal ist, kann um 14 Uhr auffällig sein. Eine Baseline, die nach Stunde, Wochentag oder Betriebsmodus segmentiert ist, ist weit genauer als ein einzelner flacher Durchschnitt. Das ist unglamouröse Statistik, und sie schlägt bei den meisten Sensordatenströmen ein naives KI-Modell, weil sie das abbildet, was Sie tatsächlich über den Prozess wissen.
Stufe 3: KI-gestützte Analyse
Hier die ehrliche Einordnung zur KI, denn der Begriff “KI-Anomalieerkennung” wird überverkauft. Für den Erkennungsschritt selbst ist eine sauber gebaute statistische Baseline oft ebenso gut wie ein Modell, und man kann ihr weit leichter vertrauen und sie einfacher debuggen. KI verdient sich ihren Platz meist nicht beim Markieren der Anomalie. Sondern beim Erklären.
Eine statistische Baseline sagt Ihnen, dass Einheit 4 um 3:20 Uhr die Grenze überschritten hat. Sie sagt Ihnen nicht, warum, ob es Teil eines Musters ist oder was zu tun ist. Genau diese Analyse, das Korrelieren der Überschreitung mit anderen Variablen, das Prüfen, ob dieselbe Einheit letzte Woche schon auffiel, und das Entwerfen der Lösung, beherrscht ein KI-Assistent gut, sobald er an Ihre echten Daten kommt.
Mit dem TagoIO MCP-Server können Sie einen Assistenten bitten, eine markierte Anomalie gegen Ihr echtes Konto zu untersuchen: die umliegenden Messwerte abrufen, den Geräteverlauf prüfen und eine verschärfte Action vorschlagen. Die Erkennung bleibt statistisch und nachvollziehbar; die KI übernimmt die mühsame Korrelation und den ersten Entwurf der Reaktion. Diesen Abfrage-Workflow behandeln wir in wie Sie Ihre IoT-Daten in natürlicher Sprache abfragen und das größere Bild in was MCP für IoT bedeutet.
Eine praktische Reihenfolge für den Aufbau
Sie brauchen nicht alle drei Stufen am ersten Tag. Bauen Sie in dieser Reihenfolge, und jede Stufe zahlt sich aus, bevor Sie die nächste hinzufügen.
Beginnen Sie mit Schwellenwerten für Ihre echten harten Grenzen, über Actions. Ergänzen Sie eine gleitende statistische Baseline für die Variablen, bei denen der Kontext zählt, mit einem einfachen Analysis-Skript, das ein Anomalie-Flag schreibt. Segmentieren Sie diese Baseline nach Zeit oder Modus, sobald Sie sehen, dass sich Fehlalarme zu vorhersehbaren Stunden häufen. Sobald Anomalien dann zuverlässig markiert werden, verbinden Sie über MCP einen KI-Assistenten, damit ihre Untersuchung eine Frage kostet statt eines ganzen Nachmittags.
Die Falle, die es zu vermeiden gilt, ist der Start bei Stufe drei. Eine KI, die Anomalien untersucht, die Sie noch nicht zuverlässig erkennen können, ist eine selbstbewusste Vermutung auf wackligem Fundament. Erst die Erkennung, dann die Erklärung.
Das Fazit
Anomalieerkennung ist ein schrittweiser Aufbau, kein Produkt. Schwellenwerte fangen Ausfälle an harten Grenzen. Statistische Baselines fangen die Ausschläge und Drifts, die Schwellenwerte übersehen, und sind vertrauenswürdiger, als die meisten erwarten. KI setzen Sie am besten dafür ein, die von Ihren Baselines aufgedeckten Anomalien zu untersuchen und zu erklären, geerdet in Ihren echten Daten über MCP. Bauen Sie in dieser Reihenfolge, und Sie erhalten ein System, das genau, debugbar und wirklich nützlich ist, statt einer beeindruckenden Demo, der in der Produktion niemand vertraut.
Wollen Sie es bauen? Sehen Sie sich Analysis und Actions in der Dokumentation an oder starten Sie kostenlos auf TagoIO und markieren Sie diese Woche Ihre erste Anomalie.
