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
Safran Data Systems GmbH-Firmenlogo
Embedded Software Engineer (m/w/d) Safran Data Systems GmbH
Bergisch Gladbach Zum Job 
naturenergie netze GmbH-Firmenlogo
Meister / Techniker - Steuerungstechnik (m/w/d) naturenergie netze GmbH
Rheinfelden, Donaueschingen Zum Job 
THOST Projektmanagement GmbH-Firmenlogo
Ingenieur*in / Architekt*in / Bauleiter*in (m/w/d) für Großprojekte der Bereiche Infrastruktur (Freileitung, Kabeltiefbau, Bahn) THOST Projektmanagement GmbH
verschiedene Standorte Zum Job 
ESWE Versorgungs AG-Firmenlogo
Asset Management & Transformationsplanung Fernwärmeversorgung (m/w/d) ESWE Versorgungs AG
Wiesbaden Zum Job 
BG ETEM-Firmenlogo
Ingenieur/in (m/w/d) als Referent/in für die Branche Elektrotechnische Industrie BG ETEM
BG ETEM-Firmenlogo
Ingenieur/in (m/w/d) als Referent/in für die Branche Elektrohandwerk BG ETEM
JACOBS DOUWE EGBERTS DE GmbH-Firmenlogo
Project Engineer (w|m|d) JACOBS DOUWE EGBERTS DE GmbH
Elmshorn Zum Job 
evd energieversorgung dormagen gmbh-Firmenlogo
Projektmanager Glasfaserausbau (m/w/d) evd energieversorgung dormagen gmbh
Dormagen Zum Job 
HAMBURG WASSER-Firmenlogo
Ingenieur (m/w/d) Leittechnik und Automatisierungstechnik HAMBURG WASSER
Hamburg Zum Job 
THU Technische Hochschule Ulm-Firmenlogo
W2-Professur "Elektronik" THU Technische Hochschule Ulm
Wacker Chemie AG-Firmenlogo
Prozessentwickler (w/m/d) Wacker Chemie AG
Nünchritz Zum Job 
Verwaltungs-Berufsgenossenschaft (VBG)-Firmenlogo
Aufsichtspersonen im Sinne des § 18 SGB VII (m/w/d) mit abgeschlossenem Master- oder Diplomstudium in Ingenieurwissenschaften Verwaltungs-Berufsgenossenschaft (VBG)
Hamburg Zum Job 
BG ETEM-Firmenlogo
Ingenieur/in (m/w/d) als Referent/in für die Branche Feinmechanik BG ETEM
Prognost Systems GmbH-Firmenlogo
Technischer Kundenbetreuer / Elektroingenieur (m/w/d) im Customer Support Prognost Systems GmbH
Gretsch-Unitas GmbH Baubeschläge-Firmenlogo
Konstrukteur (m/w/d) Großflächen Schiebeelemente Gretsch-Unitas GmbH Baubeschläge
Ditzingen Zum Job 
THOST Projektmanagement GmbH-Firmenlogo
Ingenieur*in (m/w/d) in der Terminplanung für Großprojekte im Anlagenbau THOST Projektmanagement GmbH
verschiedene Standorte Zum Job 
THOST Projektmanagement GmbH-Firmenlogo
Consultant (m/w/d) im Projektmanagement der Energiewende THOST Projektmanagement GmbH
Nürnberg, Hannover, Kiel, Berlin, Jena Zum Job 
THOST Projektmanagement GmbH-Firmenlogo
Ingenieur*in (m/w/d) im Projektmanagement Bereich verfahrenstechnischer Anlagenbau (Chemie und Pharma) THOST Projektmanagement GmbH
verschiedene Standorte Zum Job 
August Storck KG-Firmenlogo
Mechatroniker (m/w/d) für Kältetechnik / Kälteanlagenbauer (m/w/d) August Storck KG
Ohrdruf Zum Job 
Die Autobahn GmbH des Bundes-Firmenlogo
Ingenieur (w/m/d) C-ITS Entwicklung Die Autobahn GmbH des Bundes
Frankfurt am Main 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.