AI4ODS: Inwieweit verstärkt Standardisierung den Einsatz von KI, wenn Ingenieure Messdaten analysieren? HighQSoft beantwortet diese Frage in einem neuen zweieinhalbminütigen Film. Er begleitet eine über den MCP-Server für ASAM ODS verbundene KI bei der Untersuchung von Rennsportdaten – von der ersten Frage bis zur Ermittlung der Grundursache. Jede Zahl im Film stammt aus den Daten, und jede angezeigte Zeit wurde gemessen. Das Ergebnis ist eine ASAM-ODS-Ursachenanalyse in drei Schritten.

Sehen Sie sich den Film auf YouTube an: Standardisierung und KI: Analyse von Rennsportdaten mit dem ASAM ODS MCP-Server

Die Daten stammen aus zahlreichen Runden, die von drei KI-Piloten in einem Rennsimulator gefahren wurden. Jede Runde umfasst 560 Kanäle und etwa 1,7 Millionen Werte, die alle im ASAM ODS gespeichert sind. Ein Pilot, der simulatorinterne Ingame-KI-Pilot, fährt eine schnellste Runde von 1:03,577. Der HQS-KI-Pilot ist 2,8 Sekunden langsamer, der KI-Pilot eines Drittanbieters 3,7 Sekunden. Die Frage ist einfach: Warum ist der Ingame-KI-Pilot so viel schneller?

Bislang bedeutete jede Frage dieser Art ein neues Skript. Die Daten exportieren, die Analyse erstellen, das Ergebnis grafisch darstellen und das Ganze für die nächste Frage wiederholen. Der Film ersetzt diesen Kreislauf durch drei Eingabeaufforderungen.

In Schritt 1 wird ein Live-Runden-Dashboard erstellt. Eine Eingabeaufforderung fordert ein Dashboard mit der schnellsten Runde jeder KI an. Nach 7:50 Minuten läuft es auf Live-ASAM-ODS-Daten, mit Rennposition, Rundenspuren und einem Rundenvergleich. Die dahinterstehenden HQL-Abfragen können als Grundlage für eine eigene Anwendung dienen.

In Schritt 2 wird die Analyse in wiederverwendbare Merlin-Jobs umgewandelt. In einer Eingabeaufforderung wird gefragt, warum zwei KI-Systeme gleichauf liegen und beide langsamer sind als die spielinterne KI, und es werden ein KPI für Gas und Bremse, ein PDF-Bericht sowie Jobs zur Wiederverwendung dieser Daten angefordert. Drei Minuten später laufen zwei Jobs auf dem Merlin Analysis Server. Der erste schreibt die KPIs für jede Runde zurück in das ASAM ODS. Der zweite erstellt einen zehnseitigen Rundenbericht und aktualisiert ihn, sobald ein neuer Teilnehmer die Strecke befährt. Der Bericht zeigt, wo die Zeit verloren geht – nämlich in den Kurven.

Mit Schritt 3 ist die ASAM-ODS-Ursachenanalyse abgeschlossen. In einer Frage wird gefragt, warum die KI des Spiels in den Kurven gewinnt. Innerhalb von ein bis drei Minuten schließt die KI Fahrzeug, Reifen, Kraftstoff und Straße aus, die bei allen dreien identisch sind. Anschließend vergleicht sie den Quergriff bei 90 bis 110 km/h – 1,55 g für den Ingame-KI-Piloten gegenüber 1,26 g und 1,28 g für die anderen – und betrachtet die Reifenkurve. Die Antwort lautet: ein Haftungsfaktor von 1,2. Die spielinterne KI fährt mit etwa 20 Prozent mehr Reifenhaftung, als es die Physik zulässt, und ist daher unschlagbar. Die Ursache wurde durch Nachfragen ermittelt, nicht durch Skripting.

Die KI übernimmt das Denken, und der MCP-Server kennt sich mit ASAM ODS aus. Der MCP-Server verbindet Claude, ChatGPT oder Ihre eigenen Agenten mit Ihren Messdaten. Er wandelt eine Frage in natürlicher Sprache in HQL um, validiert die Abfrage anhand des Anwendungsmodells und führt sie aus. Das funktioniert bei jedem ASAM-ODS-Modell ohne zusätzliche Einrichtung, sodass kein Skript zwischen der Frage und der Antwort steht und jede Antwort auf die Messung zurückverfolgt werden kann, aus der sie stammt.

Den Rest erledigt der Standard. Da die Rennsportdaten im ASAM-ODS vorliegen und deren Einheiten, Kanäle und Struktur beschrieben sind, muss die KI nicht raten, was die Daten bedeuten. Das ist der Kernpunkt des Films. Standardisierung und KI verkürzen die Zeit bis zur Gewinnung von Erkenntnissen auf wenige Minuten – sei es für Dashboards, Anwendungen, neue automatisierte Aufgaben oder die Ursachenanalyse. Weitere Informationen zu dieser Kombination finden Sie auf der Seite „ASAM ODS und KI“.

#AI4ODS #ASAM #ODS #AI #MCP #HQL #Merlin #TestData #HighQSoft

ASAM hat ein neues Interview in der Reihe Fun with Standards veröffentlicht, und es beginnt mit der Frage, die derzeit jede Testorganisation stellt. Marius Dupuis, CEO von ASAM, fragt Dr. Ralf Nörenberg von HighQSoft, ob generative KI einen Datenstandard wie ASAM ODS überflüssig macht. Die Antwort läuft in die andere Richtung. Der Standard verstärkt, was KI mit Testdaten leisten kann, und KI erhöht den Wert jedes standardisierten Datensatzes. Das Gespräch ist auf dem YouTube-Kanal von ASAM zu sehen, und HighQSoft hat eine schriftliche Begleitseite mit denselben Argumenten veröffentlicht.

Das Interview ist auf dem YouTube-Kanal von ASAM zu sehen. Die schriftliche Fassung, Standardization and AI: ASAM ODS, ist auf highqsoft.com veröffentlicht und arbeitet das Argument Abschnitt für Abschnitt durch. Link und weitere Inhalte finden Sie hier: Standardization and AI: HighQSoft in ASAM's Fun with Standards Series

Ausgangspunkt ist, dass KI den Bedarf an einem Datenvertrag nicht aufhebt. Eine Messung muss weiterhin mitführen, was sie bedeutet, welcher Kanal welcher ist, in welcher Einheit und unter welchen Bedingungen sie aufgezeichnet wurde. In regulierter Entwicklungsarbeit, in der ein Ergebnis noch Jahre nach dem Versuch nachvollziehbar bleiben muss, macht dieser Vertrag eine Antwort überprüfbar und nicht nur plausibel.

Was KI verändert, ist die Nutzungsebene. Dialogorientierte Oberflächen und Agenten treten zunehmend an die Stelle des klassischen Rich Clients, und standardisierte Schnittstellen halten die Werkzeugaufrufe darunter deterministisch. Die Schicht darunter wird gleichzeitig zur Commodity, und das verschiebt ASAM ODS von einem reinen Abfrageziel zur Föderationsebene über Data Lakes, Objektspeicher und Datenbanken hinweg.

Das Interview benennt deutlich, was ohne eine beschreibende Ebene passiert. Eine Organisation, die Messungen in einem Lake ablegt und das semantische Modell überspringt, muss dieses Modell selbst nachbauen, einschränken, welche Werkzeuge das Ergebnis lesen können, und eine langfristige Abhängigkeit von einem einzelnen Anbieter akzeptieren. Ein OEM der obersten Liga hat genau das im Petabyte-Maßstab mit einem eigenen Entwicklungsteam getan. Für die meisten Organisationen kostet die Einführung des Standards weniger als sein Nachbau.

Das Schlussargument dreht sich um Eigentum. Offene Standards halten die Bedeutung von Messdaten beim Kunden und nicht beim Anbieter, was vor allem für mittelständische Unternehmen zählt, die keine eigene semantische Ebene finanzieren können. Genau das lässt Automatisierung und KI-gestützte Analyse sofort beginnen statt erst nach einem Vorverarbeitungsprojekt.

*#ASAM #ODS #KI #Testdaten #Standardisierung #HighQSoft*

Der Artikel zeigt dann, wie der Stack von HighQSoft AI bereits in den Standard einbindet. Der MCP Server verbindet Claude und ChatGPT über HQL mit ASAM ODS. Merlin AI erweitert das gleiche Muster auf die Zusammensetzung von Analysepipelines. MoMa AI aus dem AEOPT-Forschungsprojekt generiert Importer-Mappings aus Beispieldaten, so dass eine neue Messquelle innerhalb weniger Stunden abfragbar wird.

*#ASAM #ODS #AI #TestData #HQL #MCP #HighQSoft*