Projekt · Agentic AI · Smart Manufacturing

Agentic AI für
Smart Manufacturing.

Intelligente Automatisierung für komplexe Produktionsdaten.

Ein Multi-Agenten-System, das umfangreiche Produktionsdaten überprüft, Fehler analysiert, Korrekturen anhand hinterlegter Regeln erarbeitet und die Ergebnisse dokumentiert.

Das Projekt umfasst die Entwicklung der KI-Agenten, die Integration bestehender Systeme, Benutzeroberflächen und die Bereitstellung einer Cloud-Infrastruktur.

Studienpartner
USTP St. Pölten · Smart Engineering
Industriepartner
CANCOM Austria AG · Digital Makers
Umfang
Konzeption · Umsetzung · Evaluation
Status
Abgeschlossen
Systemüberblick: Produktionsdaten → Multi-Agenten-System → erneute Validierung im Zielsystem.© Ahmad Alsayad, CANCOM Austria AG
Die Leistung hinter dem Projekt
> 200.000 Einträge in einem einzelnen Snapshot.

Drei bis fünf davon sind falsch – und schon einer genügt, damit die Produktionsplanung nicht mehr stimmt. Das System findet sie, korrigiert sie und lässt das Zielsystem neu prüfen.

Fehler erkanntkorrigiertIllustration
6

KI-Agenten

Orchestrierung, Wissen, Planung, Dialog, E-Mail – und Websuche bei Bedarf

10

Werkzeuge

Datenzugriff, Prüfung, Korrektur, Rückschreibung

4

Pipelines

vordefinierte Abläufe für wiederkehrende Workflows

01Das Problem

Zwischen Fehlererkennung und Fehlerbehebung.

Ausgangspunkt war ein real eingesetztes Produktionsplanungssystem. Seine Planungsstände kommen als Snapshots aus dem ERP-System: Aufträge, Materialbedarfe, Maschinenbelegung, Mitarbeiterqualifikationen – verbunden mit nahezu allen Bereichen des Unternehmens.

Das bestehende Planungssystem erkennt solche Fehler, kann sie jedoch nicht eigenständig beheben. Die eigentliche Herausforderung liegt darin, die Zusammenhänge zu verstehen und eine fachlich korrekte Korrektur abzuleiten.

Ein Beispiel aus der Praxis

Ein Snapshot, drei bis fünf gemeldete Fehler.

Bisher · von Hand 2–6 Stunden
  1. Fehlermeldung lesen und die betroffene Stelle in über 200.000 Einträgen finden
  2. Beziehungen zu Artikeln, Ressourcen und Arbeitsplänen prüfen
  3. Den richtigen Wert herleiten und von Hand ändern
  4. Snapshot zurückspielen, neu validieren – und bei Folgefehlern von vorn
Mit dem System 2–6 Minuten
  1. Snapshot abrufen und Validierungsmeldungen auslesen
  2. Fehler analysieren, passenden Datenausschnitt und Regeln laden
  3. Strukturierte Korrektur erzeugen und technisch prüfen
  4. Anwenden, zurückschreiben, im Zielsystem neu validieren – mit Bericht

Beobachtungen aus dem Projektbetrieb bei Snapshots mit wenigen Fehlern – keine kontrollierte Messung und keine Laufzeitgarantie.

Kann ein KI-System solche Daten nicht nur analysieren, sondern gezielt korrigieren – und dabei so transparent bleiben, dass Fachpersonen jede Entscheidung nachvollziehen können?

02Der Ansatz

Kein einzelner Prompt, sondern spezialisierte Agenten.

Komplexe Produktionsdaten verlangen unterschiedliche Fähigkeiten. Statt eines Modells, das alles können soll, teilt sich das System die Arbeit: Ein Orchestrator versteht die Anfrage und plant, Spezialisten übernehmen Wissen, Planungssystem und Dialog. Bei Bedarf kommen eine Websuche für externes Wissen und ein E-Mail-Agent dazu, der Berichte an verantwortliche Stellen verschickt.

Jeder Agent hat eine klar begrenzte Aufgabe, eigene Werkzeuge und genau den Kontext, den er dafür braucht. Fahre über die Knoten, um zu sehen, wer was macht.

01

Vom Auftrag bis zur Prüfung

Anfrage verstehen, Wissen finden, im Planungssystem handeln, Ergebnis erklären – ein durchgehender Ablauf statt einzelner Insellösungen.

02

Fokussierter Kontext

Ein Agent bekommt nur, was er für seine Aufgabe braucht. Das hält jede Entscheidung schlank und überprüfbar.

03

Erweiterbar

Neue Fehlerarten kommen über zusätzliche Regelkarten dazu, neue Werkzeuge und Prozesse lassen sich anbinden.

04

Kontrolle beim Menschen

Kritische Änderungen gehen erst nach Freigabe ins System. Ergebnisse lassen sich als Bericht per E-Mail-Agent weitergeben.

Das Regelbuch zerlegen

Das Regelbuch enthält das Fachwissen für die Korrektur: welche Regeln für einen erkannten Fehler gelten und wie sich der richtige Wert herleiten lässt.

Theorie: Signal-to-Noise Ratio Mehr Signal, weniger Rauschen
Ganzes Regelwerk
Passende Regelkarten
Schematische Darstellung

Statt bei jeder Korrektur das gesamte Regelwerk bereitzustellen, wurde das Wissen in einen gemeinsamen Kern und modulare Regelkarten gegliedert. Abhängig vom erkannten Fehler erhält das System gezielt die relevanten Regeln – der Kontext bleibt fokussiert, und es ist nachvollziehbar, welche Regelgrundlage in eine Korrektur eingeflossen ist. Die Regeln sind in natürlicher Sprache verfasst, sodass Fachleute sie ohne Programmierkenntnisse pflegen können.

Der Gedanke dahinter: Das Modell soll nicht alles sehen, sondern das Richtige. Weniger, aber relevanter Kontext – mehr Signal, weniger Rauschen.

03Der Graph

Komplexe Abläufe, klar nachvollziehbar. Der Prozess wird zum Graphen.

Fehlerklassifikation, Kontextsuche, Regelzuordnung, Korrekturerzeugung, technische Prüfung und erneute Validierung sind klar abgegrenzte Knoten. Jeder schreibt seinen Zwischenstand in einen gemeinsamen Zustand. So lässt sich im Nachhinein rekonstruieren, was das Modell gesehen hat und warum der Ablauf weiterlief oder stoppte.

Graph-Trace mit Ablauf, Regeln und Provenienz · 9 Knoten

LLM Nur drei der neun Knoten rufen das Sprachmodell auf – genau so viele Aufrufe wie im bisherigen Ablauf. Der Graph ist nicht „KI-lastiger“, er macht sichtbar, was zwischen den Aufrufen passiert.

Ein realer Lauf, Schritt für Schritt abspielbar: Welche Regeln geladen waren, welcher Kontext vorlag, was die Anwendung bewirkt hat.© Ahmad Alsayad, CANCOM Austria AG
04Im Betrieb

Vom Laptop in die Cloud – mit dem Menschen im Ablauf.

Am Ende steht kein Konzept, sondern ein funktionsfähiges Gesamtsystem: in Azure bereitgestellt, über eine Weboberfläche bedienbar und an ein reales Produktionsplanungssystem angebunden.

Ein Snapshot wird geladen, validiert, analysiert, korrigiert, zurückgeschrieben und anschliessend erneut durch das Zielsystem geprüft. Auditierbarkeit, Kontrolle und Reproduzierbarkeit wurden dabei nicht nachträglich aufgesetzt, sondern haben die Architektur von Anfang an geprägt.

Betrieben aufMicrosoft Azure
  • Container Apps
  • Azure OpenAI
  • AI Search
  • AI Foundry
  • Speech to Text
  • Log Analytics
  • Static Web Apps
Was dafür gebaut wurde

Software Engineering

Backend und APIs, Integration mit dem Planungssystem, Fehlerbehandlung und mehrere Verarbeitungspipelines.

AI Engineering

Agenten-Orchestrierung, RAG, regelbasierte Wissensbereitstellung und schemageprüfte KI-Korrekturen.

Cloud Engineering

Container, Infrastructure as Code, Secret Management, Logging, Monitoring und automatisiertes Deployment.

User Interface

Chat, Visualisierung des Ablaufs, Prüfung von Änderungen und verständliche Darstellung der Ergebnisse.

Qualität & Forschung

Testreihen gegen das echte System, Ablaufprotokolle und ein wissenschaftlicher Architekturvergleich.

Die KI übernimmt dort, wo Interpretation und Schlussfolgerungen nötig sind. Kritische Datenänderungen bleiben technisch abgesichert.

05Lessons Learned

Was die Praxis gezeigt hat.

i

Erfolg braucht einen Nachweis.

Ein fehlender Fehlerhinweis bedeutet noch keinen erfolgreichen Durchlauf. Erst die erneute Validierung zeigt, ob eine Korrektur tatsächlich funktioniert hat.

ii

Der richtige Kontext entscheidet.

Ein KI-Modell kann nur mit den Informationen arbeiten, die es erhält. Entscheidend sind die relevanten Daten, ihre Zusammenhänge und die passenden Regeln.

iii

Korrektur ist ein iterativer Prozess.

Eine Änderung kann weitere Fehler sichtbar machen. Deshalb müssen Korrekturen erneut geprüft und bei Bedarf in mehreren Durchläufen verbessert werden.

iv

Falsch ist nicht gleich halluziniert.

Eine Korrektur kann vom erwarteten Referenzwert abweichen und trotzdem durch die Daten begründet sein. Nicht jede Abweichung ist eine Halluzination.

v

Stabil heißt nicht richtig.

Ein KI-System kann mehrfach dieselbe Entscheidung treffen und dennoch falsch liegen. Wiederholbarkeit allein sagt nichts über die fachliche Korrektheit aus.

vi

Die Anwendung ist mehr als die KI.

Erst das Zusammenspiel spezialisierter Agenten, verlässlicher Prüfungen, technischer Schnittstellen und nachvollziehbarer Abläufe macht aus KI-Antworten eine nutzbare Lösung.

06Forschung · Bachelorarbeit 2026

Wie zuverlässig arbeitet das System?

Im Rahmen meiner Bachelorarbeit habe ich untersucht, wie sich unterschiedliche KI-Systemarchitekturen auf Korrektheit, Stabilität und Nachvollziehbarkeit automatisierter Datenkorrekturen auswirken.

Die wichtigste Erkenntnis: Den größten Mehrwert für die fachliche Korrektheit brachte die gezielte Bereitstellung relevanten Wissens. Die graphbasierte Orchestrierung verbesserte vor allem die Nachvollziehbarkeit der Entscheidungen und Abläufe.

Zur vollständigen Bachelorarbeit ↗
17Testfälle
3Messbedingungen
255Messläufe