Datenanalyse 16.08.2024, 07:00 Uhr

Sprachmodelle revolutionieren Problemerkennung komplexer Systeme

Forschende haben ein neues Verfahren entwickelt, das mit Hilfe großer Sprachmodelle Anomalien in komplexen Systemen wie Windparks erkennt. Dieser Ansatz könnte in Zukunft eine kostengünstige Alternative zu aufwendigen Deep-Learning-Modellen darstellen und helfen, technische Probleme frühzeitig zu identifizieren.

Aufgrund ihrer komplexen Technik ist die Fehlersuche in Windturbinen aufwendig. Große Sprachmodelle könnten bald bei der Datenanalyse helfen. Foto: PantherMedia /
pedro2009

Aufgrund ihrer komplexen Technik ist die Fehlersuche in Windturbinen aufwendig. Große Sprachmodelle könnten bald bei der Datenanalyse helfen.

Foto: PantherMedia / pedro2009

Technische Systeme werden immer komplexer. Sie bestehen aus vielen miteinander verknüpften Komponenten, die alle fehlerfrei arbeiten müssen. Diese Komplexität erschwert es zunehmend, Fehlerursachen zu identifizieren, insbesondere wenn mehrere Systeme interagieren. Forschende des Massachusetts Institute of Technology (MIT) haben nun eine neue Methode entwickelt, um Unregelmäßigkeiten in zeitlich erfassten Daten aufzuspüren. Diese neue Herangehensweise verzichtet auf aufwändige Deep-Learning-Modelle und nutzt stattdessen die Fähigkeiten großer Sprachmodelle (Large Language Models – kurz LLMs).

Sprachmodelle als Alternative zu Deep-Learning-Modellen

In Windparks beispielsweise stellt die Identifikation defekter Turbinen eine enorme Herausforderung dar, da unzählige Signale und Datenpunkte analysiert werden müssen. Bislang setzten Ingenieure und Ingenieurinnen zur Bewältigung dieser Aufgabe auf Deep-Learning-Modelle, die Abweichungen in den kontinuierlich erhobenen Messwerten der Turbinen erkennen können. Allerdings erweist sich das Training solcher Modelle als äußerst kostspielig und zeitintensiv, insbesondere angesichts der Vielzahl von Windturbinen, die fortlaufend Daten generieren.

Eine kürzlich veröffentlichte Studie des MIT offenbart das Potenzial großer Sprachmodelle für eine effizientere Anomalieerkennung in Zeitreihendaten. Ein entscheidender Vorteil liegt in der sofortigen Einsatzbereitschaft dieser vortrainierten Modelle. Das Forschungsteam konzipierte hierfür ein Framework namens SigLLM, das Zeitreihendaten in textbasierte Eingaben transformiert, welche von LLMs verarbeitet werden können. Nutzer und Nutzerinnen können diese aufbereiteten Daten in das Modell einspeisen und es zur Anomalieerkennung anweisen. Zusätzlich lässt sich das LLM zur Prognose zukünftiger Datenpunkte innerhalb eines Anomalieerkennungsprozesses einsetzen.

Sprachmodelle ermöglichen schnelle Datenanalyse

Obwohl die Leistung der großen Sprachmodelle bei der Anomalieerkennung noch nicht an die modernsten Deep-Learning-Modelle heranreicht, zeigen sie vergleichbare Ergebnisse wie andere KI-Ansätze. Eine Leistungssteigerung der LLMs könnte dabei helfen, potenzielle Probleme in komplexen Maschinen oder Satelliten frühzeitig zu erkennen, ohne auf kostspielige Deep-Learning-Modelle zurückgreifen zu müssen. Sarah Alnegheimish, Hauptautorin der Studie, betont: „Da dies nur der erste Versuch ist, haben wir nicht erwartet, dass wir auf Anhieb Erfolg haben, aber diese Ergebnisse zeigen, dass es hier eine Möglichkeit gibt, große Sprachmodelle für komplexe Anomalieerkennungsaufgaben zu nutzen.“

Stellenangebote im Bereich Automatisierungstechnik

Automatisierungstechnik Jobs
Albtal-Verkehrs-Gesellschaft mbH-Firmenlogo
Projektleiter*in Elektrotechnik Verkehrsanlagen (m/w/d) Elektroingenieur*in oder Techniker*in Albtal-Verkehrs-Gesellschaft mbH
Karlsruhe Zum Job 
Die Autobahn GmbH des Bundes Niederlassung Nordbayern-Firmenlogo
Ingenieur Elektrotechnik / Bauingenieur (w/m/d) Ladeinfrastruktur Die Autobahn GmbH des Bundes Niederlassung Nordbayern
Nürnberg Zum Job 
Bayerisches Staatsministerium für Wohnen, Bau und Verkehr-Firmenlogo
Traineeprogramm - Bachelor Fachrichtung Maschinenbau / Energie- und Gebäudetechnik (m/w/d) Bayerisches Staatsministerium für Wohnen, Bau und Verkehr
bayernweit Zum Job 
Bayerisches Staatsministerium für Wohnen, Bau und Verkehr-Firmenlogo
Traineeprogramm - Bachelor Fachrichtung Maschinenbau / Energie- und Gebäudetechnik (m/w/d) Bayerisches Staatsministerium für Wohnen, Bau und Verkehr
Nord-Micro GmbH & Co. OHGa part of Collins Aerospace-Firmenlogo
Projekt- / Produktingenieur (m/w/d) Nord-Micro GmbH & Co. OHGa part of Collins Aerospace
Frankfurt am Main Zum Job 
B.Braun Melsungen AG-Firmenlogo
Verpackungsentwicklungsingenieur (w/m/d) Pharma B.Braun Melsungen AG
Melsungen Zum Job 
Fresenius Kabi-Firmenlogo
Instandhalter (m/w/d) Prozesstechnik - API Herstellung Fischöl Fresenius Kabi
Friedberg (Hessen) Zum Job 
B. Braun Melsungen AG-Firmenlogo
Project Manager (w/m/d) Pre-Development B. Braun Melsungen AG
Melsungen Zum Job 
B. Braun Melsungen AG-Firmenlogo
R&D Manager (w/m/d) für die Entwicklung von medizinischen Kunststoffeinmalartikeln B. Braun Melsungen AG
Melsungen Zum Job 
Max Dörr GmbH Förderanlagen-Firmenlogo
Konstrukteur (m/w/d) Max Dörr GmbH Förderanlagen
Gemmingen Zum Job 
Hamburger Stadtentwässerung AöR ein Unternehmen von HAMBURG WASSER-Firmenlogo
Ingenieur (m/w/d) Elektrotechnik als Projektleiter Hamburger Stadtentwässerung AöR ein Unternehmen von HAMBURG WASSER
Hamburg Zum Job 
THOST Projektmanagement GmbH-Firmenlogo
Wirtschaftsjurist*in / Ingenieur*in (m/w/d) für Contract & Claimsmanagement in Projektender Energiewende THOST Projektmanagement GmbH
Stuttgart, Mannheim Zum Job 
RES Deutschland GmbH-Firmenlogo
Head of Engineering / Leitung technische Planung Wind- & Solarparks (m/w/d) RES Deutschland GmbH
Vörstetten Zum Job 
MEWA Textil-Service SE & Co. Management OHG-Firmenlogo
Projektmanager (m/w/d) PMO Business Transformation MEWA Textil-Service SE & Co. Management OHG
Wiesbaden Zum Job 
Funke Wärmeaustauscher Apparatebau GmbH-Firmenlogo
Konstruktionsingenieur (m/w/d) Funke Wärmeaustauscher Apparatebau GmbH
Gronau (Leine) Zum Job 
MEWA Textil-Service SE & Co. Management OHG-Firmenlogo
Projektingenieur (m/w/d) Elektrotechnik MEWA Textil-Service SE & Co. Management OHG
Wiesbaden Zum Job 
KÜBLER GmbH-Firmenlogo
Techniker / Ingenieur / Fachplaner / TGA (m/w/d) Heizungstechnik und Elektro KÜBLER GmbH
Ludwigshafen Zum Job 
WPW JENA GmbH-Firmenlogo
Projektingenieur Elektroplanung (m/w/d) WPW JENA GmbH
Jena, hybrides Arbeiten Zum Job 
Bundesamt für Bauwesen und Raumordnung-Firmenlogo
Ingenieurin/Ingenieur (w/m/d) für die Koordination der Fachrichtung Elektrotechnik bzw. Nachrichtentechnik Bundesamt für Bauwesen und Raumordnung
Bundesanstalt für Materialforschung und -prüfung-Firmenlogo
Wissenschaftliche*r Mitarbeiter*in (m/w/d) der Fachrichtung Maschinenbau, Physikalische Ingenieurwissenschaft, Produktionstechnik, Werkstoffwissenschaft oder vergleichbar Bundesanstalt für Materialforschung und -prüfung
Berlin-Steglitz Zum Job 

Die Forschenden nutzen die Lernfähigkeit der Sprachmodelle, die es ihnen ermöglicht, Zusammenhänge in aufeinanderfolgenden Daten zu erfassen. Diese Eigenschaft macht sie besonders geeignet für die Analyse von Zeitreihendaten. Um eine aufwendige Feinabstimmung zu vermeiden, setzen die Forschenden ein unverändertes Sprachmodell ein. Die Herausforderung bestand darin, Zeitreihendaten in textbasierte Eingaben umzuwandeln, die vom Sprachmodell verarbeitet werden können. Dies gelang durch eine Reihe von Transformationen, die die wichtigsten Aspekte der Zeitreihe erfassen und gleichzeitig die Datenmenge minimieren.

Zwei Sprachmodelle zur Fehlererkennung

Das Forschungsteam entwickelte zwei unterschiedliche Methoden zur Anomalieerkennung: „Prompter“ und „Detector“. Bei der Prompter-Methode werden die aufbereiteten Daten in das Modell eingegeben mit der Aufforderung, ungewöhnliche Werte zu identifizieren. Alnegheimish erklärt: „Wir mussten einige Versuche durchführen, um die richtigen Prompts für eine bestimmte Zeitreihe herauszufinden. Es ist nicht einfach zu verstehen, wie diese Sprachmodelle die Daten aufnehmen und verarbeiten.“ Die Detector-Methode nutzt das LLM als Prognosewerkzeug, um den nächsten Wert einer Zeitreihe vorherzusagen. Signifikante Abweichungen zwischen Vorhersage und tatsächlichem Wert deuten dann auf eine Anomalie hin.

In praktischen Tests erwies sich die Detector-Methode als überlegen, während Prompter zu vielen Fehlalarmen neigte. Kalyan Veeramachaneni, der leitende Wissenschaftler im Labor für Informations- und Entscheidungssysteme, kommentiert: „Ich glaube, mit dem Prompter-Ansatz haben wir dem Sprachmodell zu viele Aufgaben gestellt. Wir gaben ihm ein schwierigeres Problem zu lösen.“ Im Vergleich zu aktuellen Technologien übertraf Detector die transformatorbasierten KI-Modelle in sieben von elf Datensätzen, ohne spezifisches Training zu benötigen. Zukünftig könnten große Sprachmodelle ihre Vorhersagen auch in verständlicher Sprache erläutern, was die Interpretation der Ergebnisse erleichtern würde.

Trotz dieser vielversprechenden Ergebnisse bleibt noch viel Forschungsarbeit zu leisten, bevor Sprachmodelle in der Anomalieerkennung breit eingesetzt werden können. Sollten jedoch Forschungen diese positiven Trends bestätigen, könnten sich große Sprachmodelle zu einem unverzichtbaren Werkzeug in Bereichen wie Industrie, Medizin und Raumfahrt entwickeln und damit den Weg für neue, datengetriebene Innovationen ebnen.

Ein Beitrag von:

  • Ines Klawonn

    Ines Klawonn

    Ines Klawonn hat als Redakteurin bei einem auf Energiekommunikation spezialisierten Medienunternehmen gearbeitet. Mittlerweile ist sie selbstständige Journalistin und gehört zum Team von Content Qualitäten. Ihre Themenschwerpunkte sind Gesundheit, Energie und Technik.

Zu unseren Newslettern anmelden

Das Wichtigste immer im Blick: Mit unseren beiden Newslettern verpassen Sie keine News mehr aus der schönen neuen Technikwelt und erhalten Karrieretipps rund um Jobsuche & Bewerbung. Sie begeistert ein Thema mehr als das andere? Dann wählen Sie einfach Ihren kostenfreien Favoriten.