Kurze Antwort: Bevor irgendeine KI in der Brauerei funktioniert, brauchst du einen Process Historian, konsistente Tags, ein Datenmodell und grundlegende Datenqualität — denn die meisten KI-Projekte scheitern an der Verrohrung, nicht an Algorithmen. Das ist das unglamouröse Rückgrat unter Energie, Wasser, Wartung und QC gleichermaßen.
Der Schlussstein, den alle überspringen
Jeder andere Anwendungsfall in diesem Track — Dampfbedarf prognostizieren, Abwasser reduzieren, einen Pumpenausfall vorhersagen, NIR kalibrieren — setzt eines voraus: dass die Daten existieren, konsistent sind und vertraut werden können. Nimm das weg, und das cleverste Modell hat nichts, woraus es lernen kann. Die harte Wahrheit aus der Praxis ist, dass der Versagenspunkt selten der Algorithmus ist. Es ist die Datenverrohrung: Tags, die auf drei verschiedene Weisen benannt sind, Lücken, wo ein Logger ausgefallen ist, keine Verknüpfung zwischen einem Sensorwert und dem Sud, zu dem er gehört.
Die Maxime lautet also: erst messen, dann modellieren. Eine Brauerei, die in ihr Datenfundament investiert, bevor sie KI hinterherjagt, landet bei billigeren, schnelleren, zuverlässigeren Projekten auf ganzer Linie. Eine, die es überspringt, zahlt für dieselben Lücken immer wieder.
Die vier Bausteine
Ein funktionierendes Fundament hat vier Teile.
Ein Process Historian. Eine Zeitreihendatenbank, die Sensor- und Prozessdaten kontinuierlich erfasst, in einer sinnvollen Auflösung, und sie behält. Du kannst keine Trends modellieren, die du nie gespeichert hast.
Konsistente Tags. Jeder gemessene Punkt braucht einen stabilen, vorhersehbaren Namen. „FV3-Temperatur” sollte überall und jederzeit dasselbe bedeuten. Inkonsistente Tags sind der häufigste einzelne Grund, warum Analytics ins Stocken gerät.
Ein Datenmodell. Tags allein sind Rauschen, bis du sie in Beziehung setzt — diesen Sensor zu jenem Gefäß, diesen Wert zu jenem Sud, diesen Sud zu jenem Rezept. Das Modell ist das, was dir erlaubt zu fragen „wie hat dieses Lager gegoren”, statt auf rohe Datenströme zu starren.
Datenqualität. Lücken, eingefrorene Werte, fehlkalibrierte Sensoren und Einheiten-Wirrwarr vergiften alle still die Modelle. Grundlegende Qualitätsprüfungen — Vollständigkeit, Wertebereich, Plausibilität — sind nicht verhandelbare Grundlagenarbeit.
Wo es scheitert
Sei auch über die Grenzen eines Fundaments realistisch. Es ist eine fortlaufende Disziplin, kein einmaliges Projekt — Tags vermehren sich, Sensoren driften, und neue Ausrüstung kommt mit ihren eigenen Konventionen, daher muss Governance gepflegt werden, sonst zerfällt das Fundament. Es erfordert auch Geduld: Der Rückfluss ist indirekt, denn der Historian selbst optimiert nichts; er ermöglicht die Dinge, die es tun. Und er kann die Vergangenheit nicht wiederherstellen — Historie, die du nie aufgezeichnet hast, ist schlicht weg, was genau der Grund ist, warum du mit dem Protokollieren beginnst, bevor du denkst, dass du es brauchst. Widerstehe der Versuchung, direkt zu einem schillernden Modell zu springen; die langweilige Schicht ist das, was die schillernde Schicht funktionieren lässt.
Die generative Schicht
Hier ist der Gen-KI-Blickwinkel wirklich nützlich — aber bedingt. Sobald das Fundament existiert, kann ein LLM auf dem Historian sitzen und es dem Personal erlauben, ihn in einfacher Sprache abzufragen: „Zeig mir die Gärtemperaturen des letzten Monats für die IPA-Tanks” liefert ein Diagramm, keine SQL-Lektion. Dasselbe Werkzeug kann Tags automatisch dokumentieren und SOPs entwerfen, was genau die Governance-Last erleichtert, die Fundamente am Leben hält. Aber beachte die Reihenfolge. Generative KI verstärkt ein gutes Fundament; sie kann ein fehlendes nicht ersetzen. Richte ein LLM auf chaotische, ungetaggte, lückenhafte Daten, und es wird selbstbewusst und falsch antworten.
Das Fazit
Das Datenfundament ist der am wenigsten aufregende und entscheidendste Teil der KI in der Brauerei. Ein Historian, konsistente Tags, ein Datenmodell und Datenqualität sind das, was jeden anderen Anwendungsfall von der Aspiration in die Umsetzung verwandelt. Bau das zuerst, halte es unter Governance und lass generative Werkzeuge es zugänglich machen — in dieser Reihenfolge. Erst messen, dann modellieren, und der Rest des Tracks zahlt sich aus.
Teil des Tracks Brauwissenschaft & KI. Verwandt: Sammle deine Daten vor der KI und Brauhaus-Ausbeuteverlust-Analytics.
Häufig gestellte Fragen
Woraus besteht ein Datenfundament für die Brauerei eigentlich? Ein Process Historian oder eine Zeitreihendatenbank, konsistente Tag-Benennung, ein Datenmodell, das Tags mit Anlagen und Suden in Beziehung setzt, sowie grundlegende Datenqualität. Diese vier Bausteine sind die Voraussetzung für jeden KI-Anwendungsfall in der Brauerei.
Warum scheitern KI-Projekte in Brauereien? Die meisten scheitern an der Datenverrohrung, nicht an Algorithmen. Inkonsistente Tags, fehlende Historie und schlechte Datenqualität hungern die Modelle aus — die Maxime lautet: erst messen, dann modellieren.
Kann generative KI ein fehlendes Datenfundament beheben? Nein. Ein LLM kann es dem Personal ermöglichen, einen Historian in einfacher Sprache abzufragen und beim Dokumentieren von Tags und SOPs helfen, aber erst, wenn das Fundament existiert. Es kann keine Historie herbeizaubern, die nie aufgezeichnet wurde.