Wie lassen sich KI-Modelle unternehmensübergreifend trainieren, ohne sensible Daten oder geistiges Eigentum offenzulegen?
Diese Frage stand im Mittelpunkt einer der Challenges beim Thin[gk]athon „Manufacturing-X Dataspace Adoption“, der vom 27. bis 29. Januar 2026 im SAP Innovation Hub in München stattfand. Das Co-Innovationsformat des Smart Systems Hub bringt Unternehmen, Forschungseinrichtungen und Technologiepartner zusammen, um innerhalb weniger Tage konkrete industrielle Fragestellungen prototypisch zu bearbeiten. Im Fokus standen Datenräume im Kontext von Manufacturing-X und die Frage, wie kollaborative Wertschöpfung technisch umgesetzt werden kann.
Die Herausforderung: KI gemeinsam trainieren, Daten lokal behalten
Industrielle Daten sind in der Praxis meist verteilt. Sie liegen in unterschiedlichen Unternehmen, Werken oder Systemlandschaften vor. Eine zentrale Zusammenführung ist häufig weder möglich noch gewünscht, etwa aus Gründen des Datenschutzes, des IP-Schutzes oder des Wettbewerbs.
Gleichzeitig reicht die lokal verfügbare Datenbasis oft nicht aus, um robuste und gut generalisierungsfähige KI-Modelle zu entwickeln. Seltene Fehlerbilder oder spezielle Betriebszustände treten nur vereinzelt auf und sind isoliert schwer zu modellieren.
Hier entsteht ein Spannungsfeld zwischen notwendiger Kooperation und Datensouveränität. Genau dieses Spannungsfeld adressierte die Challenge. Gesucht wurde ein Ansatz, mit dem mehrere Unternehmen gemeinsam ein KI-Modell trainieren können, ohne Trainingsdaten auszutauschen oder eine zentrale Datenhaltung aufzubauen.
Technischer Ansatz: Föderiertes Lernen im Datenraum
Der gewählte Lösungsansatz basiert auf föderiertem Lernen. Die Trainingsdaten verbleiben vollständig bei den jeweiligen Partnern und werden lokal in den vorhandenen Infrastrukturen verarbeitet. Zwischen den Beteiligten werden ausschließlich Modellparameter, etwa Gewichte oder Update-Informationen, ausgetauscht. Aus diesen Parametern lassen sich keine direkten Rückschlüsse auf die zugrunde liegenden Rohdaten ziehen.
Für den Austausch der Modellartefakte kommt der Eclipse Dataspace Connector zum Einsatz. Er bildet die technische Grundlage für den regelbasierten Transfer innerhalb einer Datenraum-Architektur. Zugriffsrechte, Nutzungsbedingungen und Austauschprozesse lassen sich darüber strukturiert abbilden.
Innerhalb von drei Tagen entstand ein durchgängiger End-to-End-Prototyp. Gezeigt wurde der vollständige Ablauf vom lokalen Training mehrerer Parteien über den kontrollierten Austausch der Modellparameter bis zur Aggregation zu einem gemeinsamen globalen Modell. Damit wurde die technische Machbarkeit im Zusammenspiel von KI und Datenraum konkret demonstriert.
Demonstration anhand eines industriellen Use Cases
Als Anwendungsszenario diente ein Beispiel aus der Rotor- und Turbinenüberwachung. Verwendet wurden öffentlich verfügbare NASA-Datensätze, die unterschiedliche Betriebszustände und Fehlerklassen abbilden.
Einzelne Turbinen wurden als separate Trainingsinstanzen modelliert und repräsentierten unterschiedliche Unternehmen innerhalb eines föderierten Setups. Die jeweiligen Teildaten lagen auf unterschiedlichen Hardware-Umgebungen, um getrennte Unternehmensinfrastrukturen realitätsnah nachzubilden.
Jede Instanz führte ihr Training lokal auf eigener Rechenumgebung durch. Nach jedem Trainingszyklus wurden die berechneten Modellparameter über den Eclipse Dataspace Connector bereitgestellt, zentral aggregiert und anschließend wieder an die beteiligten Instanzen verteilt.
Ein weiteres zentrales Element des Thin[gk]athons war eine vom Smart Systems Hub aufgebaute Live-Demo mit Robotersystemen. In einem Laboraufbau wurde gezeigt, wie Daten aus realen industriellen Anlagen erfasst, in einen Datenraum integriert und für unterschiedliche Anwendungsfälle genutzt werden können. Ergänzend wurden Daten aus einem realen Versuchsstand eingebunden, um zu demonstrieren, dass der Datentransfermechanismus auch mit Live-Daten funktioniert. Die Datenmenge reichte zwar nicht für das Training aus, eignete sich jedoch zur Veranschaulichung des durchgängigen Datenflusses bis in die Anwendung und ein entwickeltes Trainingsdashboard.
Teamarbeit als zentrales Element
Neben dieser Challenge arbeiteten weitere Teams an unterschiedlichen Fragestellungen im Manufacturing-X-Umfeld. Dazu gehörten unter anderem:
- Supply-Chain-Transparenz mit Fokus auf interoperablen Datenaustausch entlang der Lieferkette
Hier wurde untersucht, wie Lieferketteninformationen strukturiert und nachvollziehbar zwischen Unternehmen ausgetauscht werden können. Diskutiert wurden geeignete Datenmodelle, Zugriffskonzepte und die Anbindung bestehender Systeme an eine Datenraum-Architektur.
- Unternehmensübergreifende Berechnung von Product Carbon Footprints
Dieses Team beschäftigte sich mit der Erfassung und Weitergabe emissionsrelevanter Daten. Ziel war es, CO₂-Werte konsistent und nachvollziehbar über Unternehmensgrenzen hinweg berechnen zu können, ohne sensible Produktionsdaten offenzulegen.
- Konzepte zum Battery Product Pass und zur strukturierten Bereitstellung produktbezogener Informationen
Im Mittelpunkt stand die Frage, wie produktbezogene Daten über den gesamten Lebenszyklus hinweg interoperabel bereitgestellt werden können. Dafür wurden Architekturansätze für eine datenraumkonforme Umsetzung entwickelt.
Die Teams waren interdisziplinär aufgestellt. Entwicklerinnen und Entwickler, Data Scientists, Architektinnen und Architekten sowie Fachexpertinnen und Fachexperten arbeiteten gemeinsam an klar definierten Problemstellungen. Unterstützt wurden sie durch Mentoren, die bei technischen und methodischen Fragen begleiteten.
Am letzten Tag präsentierten alle Teams ihre Ergebnisse vor einer Fachjury aus Industrie und Technologie. Innerhalb von weniger als drei Tagen entstanden funktionierende Prototypen, belastbare Architekturkonzepte und konkrete Demonstratoren, die das Potenzial datenraumgestützter Zusammenarbeit greifbar machten.
Fazit und Ausblick
Der Thin[gk]athon „Manufacturing-X Dataspace Adoption“ zeigte anschaulich, wie datenraumgestützte Zusammenarbeit in der Praxis umgesetzt werden kann. Die parallelen Challenges machten deutlich, welches Potenzial interoperable Datenräume für die industrielle Wertschöpfung bieten.
Der klare organisatorische und methodische Rahmen des Smart Systems Hub erleichterte es, sich schnell und gezielt auf die jeweiligen Fragestellungen zu konzentrieren. Der SAP Innovation Hub bot dafür eine spannende und inspirierende Atmosphäre, die den direkten Austausch mit Expertinnen und Experten vor Ort sowie vertiefte fachliche Diskussionen begünstigte. Ergänzt wurde dies durch praxisnahe Demonstrationen, die zusätzliche Einblicke in konkrete Anwendungsfälle ermöglichten.
Für Unternehmen und Fachkräfte, die sich mit Manufacturing-X und industriellen Datenräumen beschäftigen, bietet der Thin[gk]athon eine gute Gelegenheit, eigene Fragestellungen unter realen Bedingungen zu erproben und technische Konzepte prototypisch umzusetzen. Weitere Veranstaltungen sind bereits vom Smart Systems Hub geplant.
Weiterführende Informationen
Smart Systems Hub Dresden – Organisation und Co-Innovationsformate rund um Manufacturing-X
https://www.smart-systems-hub.de
SAP Innovation Center / SAP Innovation Hub – Gastgeber und Unterstützer des Thin[gk]athons
https://www.sap.com/about/customer-innovation.html
Eclipse Dataspace Connector – Open-Source-Technologie für souveränen Datenaustausch in Datenräumen
https://projects.eclipse.org/projects/technology.dataspaceconnector Manufacturing-X – Initiative für interoperable industrielle Datenräume
https://www.manufacturing-x.de
Dieser Beitrag wurde verfasst von:
