Taschenlampe oder Stadionlicht: Was der Wettlauf der Zeitreihenmodelle für Unternehmen bedeutet

Vortrainierte Modelle wie TiRex machen präzise Prognosen ohne monatelanges Training möglich. Den wichtigsten Teil der Arbeit nehmen sie Unternehmen trotzdem nicht ab.

Vor gut einem Jahr hat ein Linzer Forschungsteam um Sepp Hochreiter die internationale Konkurrenz überrascht. Das Zeitreihenmodell TiRex setzte sich mit nur 35 Millionen Parametern an die Spitze der wichtigsten Rangliste und ließ die Modelle von Google, Amazon und Salesforce hinter sich. Im Juli folgte TiRex-2, das nun auch mehrere zusammenhängende Messreihen gemeinsam verarbeitet.

Im Oktober hat Mistral nachgezogen. Der französische KI-Konzern hat mit Timestral vier eigene Zeitreihenmodelle vorgestellt und meldet für das größte davon Platz eins auf drei Ranglisten. Die Zahlen sind von Mistral selbst berichtet, und der Vorsprung ist teilweise knapp. Die Richtung ist trotzdem klar: Das Feld bewegt sich in Monaten, nicht in Jahren.

Für Unternehmen ist das eine gute Nachricht. Leistungsfähige Prognosemodelle werden kleiner, schneller und günstiger. Es ist aber auch eine Warnung. Wer seine Entscheidung allein an der aktuellen Rangliste festmacht, trifft sie auf einer Grundlage, die im nächsten Quartal schon wieder überholt sein kann.

KI ist eine Taschenlampe

Technologien wie TiRex, Copilot oder moderne neuronale Netze sind oft wie eine Taschenlampe in einem dunklen Raum. Sie leuchten genau den Bereich aus, auf den man sie richtet. Das ist enorm hilfreich, wenn man rasch eine Antwort auf eine konkrete Frage braucht. Man erkennt Muster, erhält Vorhersagen und kann Entscheidungen treffen.

Doch die Taschenlampe zeigt immer nur einen Ausschnitt der Wirklichkeit. Alles außerhalb des Lichtkegels bleibt im Dunkeln. Wenn die zugrunde liegenden Daten unvollständig sind, wichtige Zusammenhänge fehlen oder Prozesse nicht verstanden werden, liefert selbst die beste KI nur einen begrenzten Blick.

Erfahrene Data Scientists nutzen dieselben Werkzeuge anders. Sie richten die Taschenlampe nicht zuerst auf die Antwort, sondern auf die Daten, die Prozesse und die Beziehungen zwischen den Informationen. Sie prüfen, welche Messreihen tatsächlich zusammengehören, welche Einflüsse relevant sind und wo blinde Flecken liegen.

So entsteht Schritt für Schritt eine Stadionbeleuchtung. Man sieht nicht nur das Ergebnis, sondern auch die Ursachen, Wechselwirkungen und Risiken dahinter. Erst dann entstehen belastbare Vorhersagen und fundierte Entscheidungen.

„Aber TiRex braucht doch gar kein Training mehr?“

Genau hier liegt das häufigste Missverständnis. TiRex arbeitet in vielen Fällen „zero-shot“: Das Modell kann Prognosen für neue Zeitreihen erstellen, ohne vorher auf den Daten des Unternehmens trainiert zu werden. Früher war genau dieses Training der teuerste und langsamste Teil eines Prognoseprojekts. Pro Anlage, pro Standort und pro Kennzahl musste ein eigenes Modell gebaut und gepflegt werden.

Darf man also auf das Verständnis der Daten verzichten, wenn das Modell ohnehin alles mitbringt? Nein.

 „ Zero-Shot spart den Trainingsaufwand, nicht den Verständnisaufwand.“ 

Das Modell weiß nicht, dass ein Sensor seit März falsch kalibriert ist, dass die Produktion im August drei Wochen stillstand oder dass zwei Messreihen in Wahrheit dieselbe Größe aus zwei Systemen zeigen. Es prognostiziert dann sehr präzise etwas, das niemand braucht.

Der eigentliche Gewinn liegt woanders. Die Zeit, die früher ins Training ging, steht jetzt für die Fragen zur Verfügung, die über den Erfolg entscheiden: Welche Zeitreihen gehören zusammen? Welche Datenqualität ist nötig? Und was soll im Prozess passieren, wenn die Prognose einen Ausreißer meldet?

Beispiele aus der Praxis

Bei einem unserer Kunden traten in einem Produktionsschritt wiederholt Fehler auf. Die Auswertung der Messdaten zeigte einen auffälligen Zusammenhang mit der Temperatur im Kühlbecken. Die naheliegende Erklärung war schnell gefunden: Der Sensor muss defekt sein, so niedrig kann die Temperatur gar nicht sein. Hätte man es dabei belassen, wären die Messwerte als Fehler aussortiert und der Sensor getauscht worden.

Die genauere Analyse zeigte etwas anderes. Der Sensor maß korrekt. Der Prozess lief jedoch anders ab, als die Technologen ihn geplant hatten.

Solche Fälle sind keine Ausnahme. Maschinen mit vielen Abschnitten und Sensoren sind schwer zu überblicken. Bei Wartung oder Installation werden Sensoren getauscht, Abschnitte vertauscht oder Sensortypen gewechselt, die in anderen Einheiten messen. Ein Prognosemodell bemerkt das nicht. Es interpretiert die neuen Werte wie die alten und liefert eine Vorhersage, die präzise aussieht, aber auf einer falschen Annahme beruht. Wer die Daten laufend im Zusammenhang mit dem Prozess betrachtet, erkennt solche Brüche dagegen schnell.

Im Bild der Taschenlampe: Das Licht fiel auf die richtige Stelle. Erst das Verständnis von Daten und Prozess hat gezeigt, was dort tatsächlich zu sehen war.

Wo TiRex seine Stärken ausspielt

TiRex ist ein Modell zur Vorhersage von Zeitreihen, entwickelt für industrielle und technische Anwendungen. Es analysiert historische Messwerte und leitet daraus zukünftige Entwicklungen ab. Typische Einsatzfelder sind:

• Predictive Maintenance: Maschinenfehler und Wartungsbedarf vorhersagen, bevor sie zum Stillstand führen.
• Anomalieerkennung: ungewöhnliche Verhaltensmuster in Anlagen und Prozessen früh erkennen.
• Produktions- und Prozessoptimierung: Durchsatz, Qualität oder Energieverbrauch prognostizieren.
• Energie- und Lastprognosen: Erzeugung, Verbrauch und Lastspitzen vorhersagen.
• Logistik und Supply Chain: Bedarf, Bestände und Nachfrage planen.
• IoT- und Sensordaten: große Mengen an Mess- und Telemetriedaten auswerten.

Zwei Eigenschaften unterscheiden TiRex von vielen Alternativen. Das Modell benötigt vergleichsweise wenig Rechenleistung und läuft deshalb auch direkt an der Maschine, auf Industrie-PCs und Steuerungen. Und dank der xLSTM-Architektur muss es bei jedem neuen Messwert nicht die gesamte Vorgeschichte neu berechnen. Für laufende Prozesse, in denen Prognosen im Sekundentakt aktualisiert werden, ist das ein echter Vorteil.

Die kommerzielle Version TiRex-2 Pro baut darauf auf. Sie bietet Streaming-Prognosen, die sich laufend mit neuen Messwerten aktualisieren, eine optimierte Ausführung auf Edge- und Embedded-Geräten, Fine-Tuning auf unternehmenseigenen Daten sowie Klassifikations- und Regressionsaufgaben neben klassischen Prognosen.

Was das für die Modellwahl bedeutet

Der Wettlauf zwischen TiRex, Timestral und den Modellen der großen US-Anbieter wird weitergehen. Für Unternehmen ist deshalb weniger entscheidend, welches Modell heute vorne liegt, sondern ob ihre Daten und Prozesse so weit verstanden sind, dass sich ein Modell sinnvoll einsetzen und bei Bedarf austauschen lässt. Die Frage nach der Hardware, auf der das Modell laufen soll, und nach dem Prozess, der auf die Prognose reagiert, ist dabei oft wichtiger als ein paar Hundertstel auf der Rangliste.

Unser CEO Wolfgang Ennikl hat das in seinem Beitrag Unsichere Zeiten brauchen bessere Entscheidungen so zusammengefasst: Ohne gemeinsame Definitionen und klare Verantwortung skaliert nicht die Intelligenz, sondern die Unsicherheit. Für Prognosemodelle gilt das ganz besonders.

KI liefert Licht. Der wahre Mehrwert entsteht erst, wenn genug Verständnis vorhanden ist, um den ganzen Raum auszuleuchten.

Sie möchten wissen, ob sich Ihre Mess- und Prozessdaten für vortrainierte Prognosemodelle eignen? Sprechen Sie mit unserem Data-Science-Team oder lesen Sie, wie wir Energieprognosen und Predictive Maintenance umsetzen.