5 min read
Die Asset Administration Shell (AAS) schafft eine standardisierte digitale Repräsentation von Assets und ermöglicht es, Informationen über Hersteller-, System- und Unternehmensgrenzen hinweg strukturiert bereitzustellen und auszutauschen.
Doch einen Standard umzusetzen, reicht allein nicht aus. Damit unterschiedliche Systeme Informationen nicht nur austauschen, sondern auch eindeutig verstehen und weiterverarbeiten können, kommt es entscheidend auf die Qualität der Daten und Modelle an.
Genau hier setzt eine aktuelle Forschungsarbeit an, an der auch unser Kollege Tobias Langer beteiligt ist. Im Paper „Semantic Quality of AAS Submodel Templates: Dataset and LLM-Based Validation Approach“ untersucht das Forschungsteam, wie Large Language Models (LLMs) eingesetzt werden können, um semantische Inkonsistenzen in Submodel Templates zu erkennen. Damit adressiert die Arbeit eine Qualitätsebene, die sich mit klassischen regelbasierten Verfahren nur schwer vollständig erfassen lässt.
Die Forschungsarbeit wird im September auf der IEEE ETFA 2026 vorgestellt.
Wenn formal korrekt nicht ausreicht
Eine wichtige Grundlage für die Interoperabilität der AAS bilden Submodel Templates (SMTs). Sie definieren standardisierte Datenstrukturen für bestimmte Anwendungsbereiche und sorgen dafür, dass Informationen einheitlich beschrieben werden können.
In der Praxis werden SMTs interdisziplinär entwickelt. Domänen Experten bringen ihr Fachwissen ein, AAS-Spezialisten die Perspektive des Standards und Softwareexperten die Anforderungen der technischen Umsetzung. Dabei können Inkonsistenzen, Mehrdeutigkeiten oder semantische Lücken entstehen.
Eine AAS kann deshalb formal korrekt aufgebaut sein und trotzdem Informationen enthalten, die inhaltlich nicht sauber zusammenpassen.
Das Paper illustriert dies anhand realer, standardisierter SMTs. So wird an einer Stelle beispielsweise ein Datum oder die Breite eines Fahrzeugs fälschlicherweise als Zeichenkette modelliert.
Klassische Validierungsverfahren können überprüfen, ob Strukturen und Datentypen formal den definierten Vorgaben entsprechen. Bei semantischen Zusammenhängen muss dagegen beurteilt werden, was eine Information bedeutet und ob verschiedene Angaben inhaltlich zueinander passen. Genau hier stoßen rein algorithmische Verfahren an Grenzen.
Solche semantischen Inkonsistenzen können wiederum die korrekte Interpretation und Weiterverarbeitung der Informationen in Zielsystemen verhindern.
Kann AI die semantische Qualität einer AAS prüfen?
Genau diese Frage untersucht die Forschungsarbeit.
LLMs sind darauf ausgelegt, sprachliche und semantische Zusammenhänge zu verarbeiten. Das Forschungsteam hat deshalb einen Ansatz entwickelt, bei dem ein LLM gezielt prüft, ob verschiedene Informationen eines SMTs inhaltlich zusammenpassen.
Betrachtet werden dabei die textuelle Beschreibung der Eigenschaften, ihre Einheit, falls vorhanden, ihr Datentyp, ihr Kurzname sowie der Anzeigename der Eigenschaft.
Ein einfaches Beispiel verdeutlicht die Idee: Ist ein Element als „Measured temperature“ beschrieben und als Einheit „kilometre“ hinterlegt, liegt eine offensichtliche semantische Inkonsistenz vor. Ein LLM kann die Bedeutung beider Angaben miteinander in Beziehung setzen und auf den Widerspruch hinweisen.
AI braucht einen klar definierten Prüfauftrag
Die Forschung zeigt allerdings auch, dass es nicht genügt, ein vollständiges SMT an ein LLM zu übergeben und allgemein nach Fehlern zu fragen.
Erste Versuche mit diesem Vorgehen lieferten nur begrenzt genaue und schwer interpretierbare Ergebnisse. Deshalb entwickelte das Forschungsteam ein gezieltes Fehlermodell und teilte die semantische Prüfung in klar abgegrenzte Checks auf.
Auch beim Prompt Engineering zeigte sich, dass die Ergebnisse stark davon abhängen, wie präzise die jeweilige Aufgabe formuliert wird.
Besonders zuverlässig funktionierte der Ansatz bei klar abgrenzbaren Beziehungen, beispielsweise bei der Frage, ob eine Einheit oder ein Datentyp zur beschriebenen Eigenschaft passt. Schwieriger wird es bei sprachlich stärker interpretationsabhängigen Aspekten wie Kurznamen oder Anzeigenamen.
Semantische Qualität lässt sich also nicht immer auf ein eindeutiges Richtig oder Falsch reduzieren. Kontext, Anwendungsfall und fachliche Interpretation spielen weiterhin eine Rolle.
AI ergänzt klassische Validierung
LLM-basierte Verfahren sind deshalb kein Ersatz für klassische, deterministische AAS-Validierung.
Gerade für automatische Quality Gates, beispielsweise innerhalb einer CI-Pipeline, sind eindeutige und reproduzierbare Ergebnisse entscheidend. Aufgrund ihrer probabilistischen Natur eignen sich LLMs dafür nur eingeschränkt.
Vielversprechend ist dagegen der Einsatz von AI als Assistent bei der Erstellung und Qualitätssicherung von AAS und SMTs. LLMs können Anwender auf semantisch fragwürdige Modellierungen aufmerksam machen, während die fachliche Entscheidung beim Menschen bleibt.
Auch bei der Erstellung von AAS kann AI unterstützen. In twinstudio setzen wir beispielsweise bereits AI-Funktionalitäten ein, mit denen Anwender Dokumente hochladen, nach VDI 2770 klassifizieren und die enthaltenen Informationen für die korrekte Befüllung Digitaler Zwillinge nutzen können.
Damit haben beide Ansätze ihre Stärke dort, wo sie gebraucht wird: Deterministische Validierung prüft eindeutig definierbare Regeln. AI kann dort unterstützen, wo Bedeutung, Kontext oder die Interpretation von Informationen eine Rolle spielen.
Unterschiedliche Ansätze für bessere AAS
Bei conplement beschäftigen wir uns aus unterschiedlichen Perspektiven mit der Qualität von Asset Administration Shells.
Aus dieser Auseinandersetzung ist unter anderem der Validierungsansatz hinter twinfix entstanden. Er adressiert regelbasierbare Qualitätsanforderungen auf unterschiedlichen Ebenen der AAS-Spezifikation. Mit twinfix 2.0 wird diese Technologie frei für die Community zugänglich.
Die im Paper untersuchte AI-basierte semantische Validierung betrachtet eine weitere Dimension: Wie können wir Qualitätsprobleme erkennen, die sich nicht vollständig durch feste Regeln ausdrücken lassen?
Die Antwort ist nicht, möglichst viele Prüfungen mit AI durchzuführen. Entscheidend ist vielmehr, die geeignete Technologie für die jeweilige Qualitätsdimension einzusetzen.
Die Forschung zur LLM-basierten semantischen Validierung zeigt dafür einen vielversprechenden Ansatz. AI kann inhaltliche Inkonsistenzen sichtbar machen, die klassische Verfahren nur schwer erfassen können. Gleichzeitig zeigt die Arbeit, wo fachliche Expertise weiterhin notwendig bleibt.
Für uns ist das Teil eines langfristigen Commitments: die AAS nicht nur umzusetzen, sondern aktiv dazu beizutragen, ihre Qualität, Interoperabilität und praktische Nutzbarkeit weiterzuentwickeln.