{"id":4571,"date":"2026-03-05T12:18:49","date_gmt":"2026-03-05T12:18:49","guid":{"rendered":"https:\/\/blogs.zeiss.com\/digital-innovation\/de\/?p=4571"},"modified":"2026-04-01T10:23:10","modified_gmt":"2026-04-01T10:23:10","slug":"thingkathon-x-dataspace-adoption","status":"publish","type":"post","link":"https:\/\/blogs.zeiss.com\/digital-innovation\/de\/thingkathon-x-dataspace-adoption\/","title":{"rendered":"R\u00fcckschau\u00a0zum\u00a0Thin[gk]athon\u00a0\u201eManufacturing-X \u2013 Dataspace\u00a0Adoption\u201c"},"content":{"rendered":"\n

Wie lassen sich KI-Modelle unternehmens\u00fcbergreifend trainieren, ohne sensible Daten oder geistiges Eigentum offenzulegen? <\/p>\n\n\n\n

Diese Frage stand im Mittelpunkt einer der Challenges beim Thin[gk]athon \u201eManufacturing-X Dataspace Adoption\u201c, der vom 27. bis 29. Januar 2026 im SAP Innovation Hub in M\u00fcnchen 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 Datenr\u00e4ume im Kontext von Manufacturing-X und die Frage, wie kollaborative Wertsch\u00f6pfung technisch umgesetzt werden kann. <\/p>\n\n\n\n

\"\"
\u00a9Smart Systems Hub<\/sup><\/sub><\/em><\/figcaption><\/figure>\n\n\n\n
<\/div>\n\n\n\n

Die Herausforderung: KI gemeinsam trainieren, Daten lokal behalten<\/strong> <\/h2>\n\n\n\n

Industrielle Daten sind in der Praxis meist verteilt. Sie liegen in unterschiedlichen Unternehmen, Werken oder Systemlandschaften vor. Eine zentrale Zusammenf\u00fchrung ist h\u00e4ufig weder m\u00f6glich noch gew\u00fcnscht, etwa aus Gr\u00fcnden des Datenschutzes, des IP-Schutzes oder des Wettbewerbs. <\/p>\n\n\n\n

Gleichzeitig reicht die lokal verf\u00fcgbare Datenbasis oft nicht aus, um robuste und gut generalisierungsf\u00e4hige KI-Modelle zu entwickeln. Seltene Fehlerbilder oder spezielle Betriebszust\u00e4nde treten nur vereinzelt auf und sind isoliert schwer zu modellieren. <\/p>\n\n\n\n

Hier entsteht ein Spannungsfeld zwischen notwendiger Kooperation und Datensouver\u00e4nit\u00e4t. Genau dieses Spannungsfeld adressierte die Challenge. Gesucht wurde ein Ansatz, mit dem mehrere Unternehmen gemeinsam ein KI-Modell trainieren k\u00f6nnen, ohne Trainingsdaten auszutauschen oder eine zentrale Datenhaltung aufzubauen. <\/p>\n\n\n\n

<\/div>\n\n\n\n

Technischer Ansatz: F\u00f6deriertes Lernen im Datenraum<\/strong> <\/h2>\n\n\n\n

Der gew\u00e4hlte L\u00f6sungsansatz basiert auf f\u00f6deriertem Lernen. Die Trainingsdaten verbleiben vollst\u00e4ndig bei den jeweiligen Partnern und werden lokal in den vorhandenen Infrastrukturen verarbeitet. Zwischen den Beteiligten werden ausschlie\u00dflich Modellparameter, etwa Gewichte oder Update-Informationen, ausgetauscht. Aus diesen Parametern lassen sich keine direkten R\u00fcckschl\u00fcsse auf die zugrunde liegenden Rohdaten ziehen. <\/p>\n\n\n\n

F\u00fcr den Austausch der Modellartefakte kommt der Eclipse Dataspace Connector zum Einsatz. Er bildet die technische Grundlage f\u00fcr den regelbasierten Transfer innerhalb einer Datenraum-Architektur. Zugriffsrechte, Nutzungsbedingungen und Austauschprozesse lassen sich dar\u00fcber strukturiert abbilden. <\/p>\n\n\n\n

Innerhalb von drei Tagen entstand ein durchg\u00e4ngiger End-to-End-Prototyp. Gezeigt wurde der vollst\u00e4ndige Ablauf vom lokalen Training mehrerer Parteien \u00fcber 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. <\/p>\n\n\n\n

\n
\"\"
\u00a9Smart Systems Hub<\/sup><\/sub><\/em><\/figcaption><\/figure>\n\n\n\n
\"\"
\u00a9Smart Systems Hub<\/sup><\/sub><\/em><\/figcaption><\/figure>\n<\/div>\n\n\n\n
<\/div>\n\n\n\n

Demonstration anhand eines industriellen Use Cases<\/strong> <\/h2>\n\n\n\n

Als Anwendungsszenario diente ein Beispiel aus der Rotor- und Turbinen\u00fcberwachung. Verwendet wurden \u00f6ffentlich verf\u00fcgbare NASA-Datens\u00e4tze, die unterschiedliche Betriebszust\u00e4nde und Fehlerklassen abbilden. <\/p>\n\n\n\n

Einzelne Turbinen wurden als separate Trainingsinstanzen modelliert und repr\u00e4sentierten unterschiedliche Unternehmen innerhalb eines f\u00f6derierten Setups. Die jeweiligen Teildaten lagen auf unterschiedlichen Hardware-Umgebungen, um getrennte Unternehmensinfrastrukturen realit\u00e4tsnah nachzubilden. <\/p>\n\n\n\n

Jede Instanz f\u00fchrte ihr Training lokal auf eigener Rechenumgebung durch. Nach jedem Trainingszyklus wurden die berechneten Modellparameter \u00fcber den Eclipse Dataspace Connector bereitgestellt, zentral aggregiert und anschlie\u00dfend wieder an die beteiligten Instanzen verteilt.  <\/p>\n\n\n\n

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 f\u00fcr unterschiedliche Anwendungsf\u00e4lle genutzt werden k\u00f6nnen. Erg\u00e4nzend wurden Daten aus einem realen Versuchsstand eingebunden, um zu demonstrieren, dass der Datentransfermechanismus auch mit Live-Daten funktioniert. Die Datenmenge reichte zwar nicht f\u00fcr das Training aus, eignete sich jedoch zur Veranschaulichung des durchg\u00e4ngigen Datenflusses bis in die Anwendung und ein entwickeltes Trainingsdashboard. <\/p>\n\n\n\n

\n
\"\"
\u00a9Smart Systems Hub<\/sup><\/sub><\/em><\/figcaption><\/figure>\n\n\n\n
\n
\n
\n
\n
\"\"
\u00a9Smart Systems Hub<\/sup><\/sub><\/em><\/figcaption><\/figure>\n<\/div>\n<\/div>\n<\/div>\n<\/div>\n<\/div>\n\n\n\n
<\/div>\n\n\n\n

Teamarbeit als zentrales Element<\/strong> <\/h2>\n\n\n\n

Neben dieser Challenge arbeiteten weitere Teams an unterschiedlichen Fragestellungen im Manufacturing-X-Umfeld. Dazu geh\u00f6rten unter anderem: <\/p>\n\n\n\n