Seminar ThingsBoard PE – KI-Modelle, MCP, CLI und Predictive Maintenance

Das Seminar verbindet aktuelle KI- und Automatisierungsfunktionen mit belastbaren IoT-Prozessen. Datenvorbereitung, KI-Modelle, Vorhersagen, Anomalien, Predictive Maintenance, KI-gestützte Lösungserstellung, Assistant, Kommandozeile, Model Context Protocol, Berechtigungen, Tests und Governance werden in sicheren Anwendungsmustern umgesetzt.

Inhaltsverzeichnis

• Lernziele und fachliche Einordnung.
• Schrittweise Seminarinhalte.
• Praxisübungen und Laborszenarien.
• Zielgruppe und Voraussetzungen.
• Didaktik und Arbeitsweise.

Lernziele

• Geeignete KI-Anwendungsfälle, Datenanforderungen und Erfolgskennzahlen für IoT-Lösungen bestimmen.
• Modelle und Vorhersageprozesse mit nachvollziehbaren Ein- und Ausgaben integrieren.
• Predictive-Maintenance- und Anomalieabläufe mit Alarmen, Dashboards und Wartungsprozessen verbinden.
• CLI, AI Assistant, Solution Creator und MCP kontrolliert für Entwicklung und Betrieb einsetzen.
• Sicherheit, Berechtigungen, Qualität, Kosten, Monitoring und menschliche Freigaben in eine KI-Governance überführen.

Schrittweise Seminarinhalte

1. KI-Anwendungsfälle und Wertmodell

Schwerpunkt: Anomalieerkennung, Prognose, Wartungsbedarf, Energieoptimierung, Klassifikation, Assistenz, Automatisierung, Datenreife, Risiken und messbare Zielgrößen.

1. Ausgangslage, Schutzbedarf, technische Randbedingungen und Abnahmekriterien für den Themenblock „KI-Anwendungsfälle und Wertmodell“ erfassen.
2. Relevante Komponenten, Entitäten, Rollen, Schnittstellen und Abhängigkeiten anhand von Anomalieerkennung, Prognose, Wartungsbedarf, Energieoptimierung, Klassifikation, Assistenz, Automatisierung, Datenreife, Risiken und messbare Zielgrößen modellieren.
3. Die erforderliche Konfiguration oder Prozessfolge in einer kontrollierten Laborumgebung schrittweise umsetzen und jeden Zwischenstand protokollieren.
4. Funktion, Berechtigungen, Datenfluss, Protokollierung, Fehlerverhalten und Grenzfälle mit definierten Positiv- und Negativtests prüfen.
5. Als Arbeitsergebnis einen priorisierten KI-Use-Case- und Nutzenkatalog dokumentieren, fachlich abnehmen und in einen wiederholbaren Betriebs- oder Entwicklungsstandard überführen.

2. Datenbasis und Feature Engineering

Schwerpunkt: Telemetrie, Attribute, Ereignisse, Zeitfenster, Aggregationen, Einheiten, Datenqualität, Ausreißer, Labels, Wartungshistorie und Trainingsabgrenzung.

1. Ausgangslage, Schutzbedarf, technische Randbedingungen und Abnahmekriterien für den Themenblock „Datenbasis und Feature Engineering“ erfassen.
2. Relevante Komponenten, Entitäten, Rollen, Schnittstellen und Abhängigkeiten anhand von Telemetrie, Attribute, Ereignisse, Zeitfenster, Aggregationen, Einheiten, Datenqualität, Ausreißer, Labels, Wartungshistorie und Trainingsabgrenzung modellieren.
3. Die erforderliche Konfiguration oder Prozessfolge in einer kontrollierten Laborumgebung schrittweise umsetzen und jeden Zwischenstand protokollieren.
4. Funktion, Berechtigungen, Datenfluss, Protokollierung, Fehlerverhalten und Grenzfälle mit definierten Positiv- und Negativtests prüfen.
5. Als Arbeitsergebnis ein prüfbares Daten- und Merkmalsmodell dokumentieren, fachlich abnehmen und in einen wiederholbaren Betriebs- oder Entwicklungsstandard überführen.

3. KI-Modelle und Modellkonfiguration

Schwerpunkt: Modelltypen, Anbieter- oder lokale Modelle, Zugangsdaten, Endpunkte, Eingabeformat, Kontext, Temperatur, Tokenlimits, Datenschutz und Verfügbarkeit.

1. Ausgangslage, Schutzbedarf, technische Randbedingungen und Abnahmekriterien für den Themenblock „KI-Modelle und Modellkonfiguration“ erfassen.
2. Relevante Komponenten, Entitäten, Rollen, Schnittstellen und Abhängigkeiten anhand von Modelltypen, Anbieter- oder lokale Modelle, Zugangsdaten, Endpunkte, Eingabeformat, Kontext, Temperatur, Tokenlimits, Datenschutz und Verfügbarkeit modellieren.
3. Die erforderliche Konfiguration oder Prozessfolge in einer kontrollierten Laborumgebung schrittweise umsetzen und jeden Zwischenstand protokollieren.
4. Funktion, Berechtigungen, Datenfluss, Protokollierung, Fehlerverhalten und Grenzfälle mit definierten Positiv- und Negativtests prüfen.
5. Als Arbeitsergebnis eine abgesicherte Modell- und Zugriffsarchitektur dokumentieren, fachlich abnehmen und in einen wiederholbaren Betriebs- oder Entwicklungsstandard überführen.

4. Vorhersagen und Anomalieerkennung

Schwerpunkt: Zeitreihenprognose, Schwellenwerte, Konfidenz, Baseline, Anomaliescore, Fehlalarme, Drift, Vergleichsdaten und fachliche Interpretation.

1. Ausgangslage, Schutzbedarf, technische Randbedingungen und Abnahmekriterien für den Themenblock „Vorhersagen und Anomalieerkennung“ erfassen.
2. Relevante Komponenten, Entitäten, Rollen, Schnittstellen und Abhängigkeiten anhand von Zeitreihenprognose, Schwellenwerte, Konfidenz, Baseline, Anomaliescore, Fehlalarme, Drift, Vergleichsdaten und fachliche Interpretation modellieren.
3. Die erforderliche Konfiguration oder Prozessfolge in einer kontrollierten Laborumgebung schrittweise umsetzen und jeden Zwischenstand protokollieren.
4. Funktion, Berechtigungen, Datenfluss, Protokollierung, Fehlerverhalten und Grenzfälle mit definierten Positiv- und Negativtests prüfen.
5. Als Arbeitsergebnis einen getesteten Vorhersage- und Anomalieprozess dokumentieren, fachlich abnehmen und in einen wiederholbaren Betriebs- oder Entwicklungsstandard überführen.

5. Predictive-Maintenance-Prozess

Schwerpunkt: Asset-Zustand, Fehlerbilder, Restnutzungsdauer, Wartungsfenster, Priorisierung, Alarm, Arbeitsauftrag, Rückmeldung und Modellverbesserung.

1. Ausgangslage, Schutzbedarf, technische Randbedingungen und Abnahmekriterien für den Themenblock „Predictive-Maintenance-Prozess“ erfassen.
2. Relevante Komponenten, Entitäten, Rollen, Schnittstellen und Abhängigkeiten anhand von Asset-Zustand, Fehlerbilder, Restnutzungsdauer, Wartungsfenster, Priorisierung, Alarm, Arbeitsauftrag, Rückmeldung und Modellverbesserung modellieren.
3. Die erforderliche Konfiguration oder Prozessfolge in einer kontrollierten Laborumgebung schrittweise umsetzen und jeden Zwischenstand protokollieren.
4. Funktion, Berechtigungen, Datenfluss, Protokollierung, Fehlerverhalten und Grenzfälle mit definierten Positiv- und Negativtests prüfen.
5. Als Arbeitsergebnis einen Ende-zu-Ende-Prozess für zustandsorientierte Wartung dokumentieren, fachlich abnehmen und in einen wiederholbaren Betriebs- oder Entwicklungsstandard überführen.

6. Dashboards, Alarme und operative Nutzung

Schwerpunkt: Prognosevisualisierung, Konfidenzband, Anomalien, Wartungsrisiko, Alarmierung, Eskalation, Erklärtexte, Freigabe und Rückmeldung.

1. Ausgangslage, Schutzbedarf, technische Randbedingungen und Abnahmekriterien für den Themenblock „Dashboards, Alarme und operative Nutzung“ erfassen.
2. Relevante Komponenten, Entitäten, Rollen, Schnittstellen und Abhängigkeiten anhand von Prognosevisualisierung, Konfidenzband, Anomalien, Wartungsrisiko, Alarmierung, Eskalation, Erklärtexte, Freigabe und Rückmeldung modellieren.
3. Die erforderliche Konfiguration oder Prozessfolge in einer kontrollierten Laborumgebung schrittweise umsetzen und jeden Zwischenstand protokollieren.
4. Funktion, Berechtigungen, Datenfluss, Protokollierung, Fehlerverhalten und Grenzfälle mit definierten Positiv- und Negativtests prüfen.
5. Als Arbeitsergebnis ein bedienbares KI-gestütztes Betriebsdashboard dokumentieren, fachlich abnehmen und in einen wiederholbaren Betriebs- oder Entwicklungsstandard überführen.

7. AI Solution Creator und Vorlagen

Schwerpunkt: Anforderungstext, Lösungsstruktur, Entitäten, Rule Chains, Dashboards, generierte Artefakte, Prüfung, Anpassung, Versionierung und Freigabe.

1. Ausgangslage, Schutzbedarf, technische Randbedingungen und Abnahmekriterien für den Themenblock „AI Solution Creator und Vorlagen“ erfassen.
2. Relevante Komponenten, Entitäten, Rollen, Schnittstellen und Abhängigkeiten anhand von Anforderungstext, Lösungsstruktur, Entitäten, Rule Chains, Dashboards, generierte Artefakte, Prüfung, Anpassung, Versionierung und Freigabe modellieren.
3. Die erforderliche Konfiguration oder Prozessfolge in einer kontrollierten Laborumgebung schrittweise umsetzen und jeden Zwischenstand protokollieren.
4. Funktion, Berechtigungen, Datenfluss, Protokollierung, Fehlerverhalten und Grenzfälle mit definierten Positiv- und Negativtests prüfen.
5. Als Arbeitsergebnis einen kontrollierten KI-unterstützten Lösungsentwurf dokumentieren, fachlich abnehmen und in einen wiederholbaren Betriebs- oder Entwicklungsstandard überführen.

8. AI Assistant und kontextbezogene Hilfe

Schwerpunkt: Rollen, Kontext, Datenzugriff, Prompt-Struktur, Analysefragen, Betriebsunterstützung, Grenzen, falsche Antworten, Quellenkontrolle innerhalb des Systems und Eskalation.

1. Ausgangslage, Schutzbedarf, technische Randbedingungen und Abnahmekriterien für den Themenblock „AI Assistant und kontextbezogene Hilfe“ erfassen.
2. Relevante Komponenten, Entitäten, Rollen, Schnittstellen und Abhängigkeiten anhand von Rollen, Kontext, Datenzugriff, Prompt-Struktur, Analysefragen, Betriebsunterstützung, Grenzen, falsche Antworten, Quellenkontrolle innerhalb des Systems und Eskalation modellieren.
3. Die erforderliche Konfiguration oder Prozessfolge in einer kontrollierten Laborumgebung schrittweise umsetzen und jeden Zwischenstand protokollieren.
4. Funktion, Berechtigungen, Datenfluss, Protokollierung, Fehlerverhalten und Grenzfälle mit definierten Positiv- und Negativtests prüfen.
5. Als Arbeitsergebnis einen sicheren Assistenz- und Prüfprozess dokumentieren, fachlich abnehmen und in einen wiederholbaren Betriebs- oder Entwicklungsstandard überführen.

9. CLI für Konfiguration und Automatisierung

Schwerpunkt: Anmeldung, Umgebungsprofile, Export, Import, Scripting, Stapelverarbeitung, Versionskontrolle, Secrets, Fehlercodes und CI/CD-Einbindung.

1. Ausgangslage, Schutzbedarf, technische Randbedingungen und Abnahmekriterien für den Themenblock „CLI für Konfiguration und Automatisierung“ erfassen.
2. Relevante Komponenten, Entitäten, Rollen, Schnittstellen und Abhängigkeiten anhand von Anmeldung, Umgebungsprofile, Export, Import, Scripting, Stapelverarbeitung, Versionskontrolle, Secrets, Fehlercodes und CI/CD-Einbindung modellieren.
3. Die erforderliche Konfiguration oder Prozessfolge in einer kontrollierten Laborumgebung schrittweise umsetzen und jeden Zwischenstand protokollieren.
4. Funktion, Berechtigungen, Datenfluss, Protokollierung, Fehlerverhalten und Grenzfälle mit definierten Positiv- und Negativtests prüfen.
5. Als Arbeitsergebnis einen reproduzierbaren kommandozeilenbasierten Verwaltungsworkflow dokumentieren, fachlich abnehmen und in einen wiederholbaren Betriebs- oder Entwicklungsstandard überführen.

10. MCP Server und Werkzeugzugriffe

Schwerpunkt: Model Context Protocol, Tools, Ressourcen, Berechtigungen, Mandantenkontext, Least Privilege, Audit, Rate Limits, Eingabevalidierung und sichere Ausführung.

1. Ausgangslage, Schutzbedarf, technische Randbedingungen und Abnahmekriterien für den Themenblock „MCP Server und Werkzeugzugriffe“ erfassen.
2. Relevante Komponenten, Entitäten, Rollen, Schnittstellen und Abhängigkeiten anhand von Model Context Protocol, Tools, Ressourcen, Berechtigungen, Mandantenkontext, Least Privilege, Audit, Rate Limits, Eingabevalidierung und sichere Ausführung modellieren.
3. Die erforderliche Konfiguration oder Prozessfolge in einer kontrollierten Laborumgebung schrittweise umsetzen und jeden Zwischenstand protokollieren.
4. Funktion, Berechtigungen, Datenfluss, Protokollierung, Fehlerverhalten und Grenzfälle mit definierten Positiv- und Negativtests prüfen.
5. Als Arbeitsergebnis ein kontrolliertes MCP-Zugriffs- und Berechtigungsmodell dokumentieren, fachlich abnehmen und in einen wiederholbaren Betriebs- oder Entwicklungsstandard überführen.

11. Tests, Evaluation und Monitoring

Schwerpunkt: Testdatensätze, fachliche Akzeptanz, Precision und Recall, Prognosefehler, Robustheit, Prompttests, Tooltests, Latenz, Kosten, Drift und Regression.

1. Ausgangslage, Schutzbedarf, technische Randbedingungen und Abnahmekriterien für den Themenblock „Tests, Evaluation und Monitoring“ erfassen.
2. Relevante Komponenten, Entitäten, Rollen, Schnittstellen und Abhängigkeiten anhand von Testdatensätze, fachliche Akzeptanz, Precision und Recall, Prognosefehler, Robustheit, Prompttests, Tooltests, Latenz, Kosten, Drift und Regression modellieren.
3. Die erforderliche Konfiguration oder Prozessfolge in einer kontrollierten Laborumgebung schrittweise umsetzen und jeden Zwischenstand protokollieren.
4. Funktion, Berechtigungen, Datenfluss, Protokollierung, Fehlerverhalten und Grenzfälle mit definierten Positiv- und Negativtests prüfen.
5. Als Arbeitsergebnis einen vollständigen KI-Evaluations- und Monitoringkatalog dokumentieren, fachlich abnehmen und in einen wiederholbaren Betriebs- oder Entwicklungsstandard überführen.

12. Governance, Sicherheit und Betriebsübergabe

Schwerpunkt: Datenfreigabe, Geheimnisse, Datenschutz, Modellwechsel, menschliche Entscheidung, Freigabestufen, Incident, Rollback, Dokumentation und Verantwortlichkeiten.

1. Ausgangslage, Schutzbedarf, technische Randbedingungen und Abnahmekriterien für den Themenblock „Governance, Sicherheit und Betriebsübergabe“ erfassen.
2. Relevante Komponenten, Entitäten, Rollen, Schnittstellen und Abhängigkeiten anhand von Datenfreigabe, Geheimnisse, Datenschutz, Modellwechsel, menschliche Entscheidung, Freigabestufen, Incident, Rollback, Dokumentation und Verantwortlichkeiten modellieren.
3. Die erforderliche Konfiguration oder Prozessfolge in einer kontrollierten Laborumgebung schrittweise umsetzen und jeden Zwischenstand protokollieren.
4. Funktion, Berechtigungen, Datenfluss, Protokollierung, Fehlerverhalten und Grenzfälle mit definierten Positiv- und Negativtests prüfen.
5. Als Arbeitsergebnis einen produktionsreifen KI-Governance- und Betriebsstandard dokumentieren, fachlich abnehmen und in einen wiederholbaren Betriebs- oder Entwicklungsstandard überführen.

Praxisübungen und Laborszenarien

• Definition eines Predictive-Maintenance-Anwendungsfalls mit Daten- und Erfolgskriterien.
• Aufbau einer Prognose- oder Anomalieauswertung mit Dashboard und Alarmprozess.
• Erzeugung und fachliche Prüfung eines KI-unterstützten Lösungsentwurfs.
• Automatisierter Export und Import ausgewählter Objekte über die Kommandozeile.
• Konzeption und Negativtest eines MCP-Werkzeugzugriffs mit minimalen Rechten.

Zielgruppe und Voraussetzungen

Zielgruppe: IoT- und Datenengineering, Analytics, Maintenance Engineering, Solution Architecture, Plattformentwicklung, DevOps und Informationssicherheit.

Voraussetzungen: Gute ThingsBoard-PE-Grundkenntnisse, Erfahrung mit Telemetrie und Rule Engine sowie grundlegendes Verständnis von Statistik, KI-Modellen, APIs und Automatisierung.

Didaktik und Arbeitsweise

Kurze Fachimpulse werden unmittelbar durch Demonstrationen, strukturierte Konfigurationsschritte, praktische Übungen und kontrollierte Fehlerfälle vertieft. Jede Übung verwendet definierte Ausgangswerte, Prüfpunkte und Dokumentationsanforderungen. Dadurch entstehen nachvollziehbare Abläufe, die sich auf Entwicklungs-, Test- und Produktionsumgebungen übertragen lassen.