Ein Kühlraum kann alle paar Minuten seine Temperatur melden und seinem Betreiber trotzdem eine schwierige Aufgabe überlassen: erkennen, welche Veränderung Aufmerksamkeit braucht, die richtige Person erreichen und die Reaktion einrichten. Den Sensor zu verbinden löst nur einen Teil des Problems. AIoT verbindet künstliche Intelligenz mit dem Internet der Dinge, damit Software Gerätedaten interpretieren, Prognosen erstellen oder definierte Aufgaben ausführen kann.

Für mich zählt, was diese Intelligenz im Arbeitsalltag verändert. Kann jemand die gewünschte Überwachung beschreiben und anschließend die entstandene Konfiguration prüfen? Fragen zu einem unbekannten Gerät stellen, ohne den Bezug zur richtigen Anlage zu verlieren? Und vor einer vorgeschlagenen Aktion erkennen, was passieren wird?

Daran arbeiten wir bei Kilo, einer IoT-Plattform zum Verbinden, Überwachen und Steuern von Geräten. Der KI-Assistent kann über die Plattformoperationen beim Einrichten von Geräten, Regeln und Alarmen helfen. Mit einem emulierten Gerät lässt sich dieser Ablauf schon vor dem Hardwarekauf kennenlernen. Zunächst lohnt sich die Frage, wo KI in einem IoT-Projekt sinnvoll ist und wann gewöhnliche Automatisierung genügt.

Was ist AIoT, und wie unterscheidet es sich von IoT?

AIoT steht für Artificial Intelligence of Things: die Verbindung von KI und vernetzten Geräten. IoT liefert Messwerte, Geräteidentitäten und Kommunikation. Die KI kann Muster erkennen, Anfragen interpretieren, Zustände vorhersagen oder Aufgaben auswählen. Ciscos Einführung zu AIoT beschreibt dieses Zusammenspiel von Sensoren, Netzwerken, Rechenleistung und Anwendungen.

Ein vernetzter Temperatursensor ist IoT. Eine Regel, die bei Überschreiten eines eingestellten Grenzwerts einen Alarm auslöst, ist klassische Automatisierung. Beides benötigt kein trainiertes Modell. Ein Modell zur Musteranalyse oder ein Assistent, der eine natürlichsprachliche Anfrage zur Konfiguration verarbeitet, ergänzt eine KI-Komponente.

Das sind unterschiedliche Anwendungen von Intelligenz. Ein Assistent kann eine deterministische Regel erstellen helfen, ohne dass die Regel selbst zu einem Modell für maschinelles Lernen wird. Nach der Bereitstellung kann sie die festgelegte Bedingung auswerten, ohne bei jedem Durchlauf ein Sprachmodell entscheiden zu lassen. Diese Aufteilung ist oft sinnvoll: KI unterstützt die Einrichtung, ausdrückliche Logik steuert den wiederholbaren Vorgang.

AIoT überschneidet sich auch mit Physical AI. AIoT setzt bei vernetzten Objekten und der Intelligenz rund um ihre Daten oder Verwaltung an. Physical AI betont das Verstehen der physischen Umgebung und die Interaktion mit ihr. Ein vernetztes Monitoringprojekt kann dafür eine Grundlage bilden, ohne bereits autonom Geräte zu steuern.

AIoT-Architektur: Geräte, Konnektivität, KI und Anwendungen

Sie müssen nicht jede Schicht selbst entwickeln. Sie sollten aber wissen, welche Komponente welche Verantwortung übernimmt. Sonst kann eine beeindruckende Antwort im Chat verdecken, dass ein Messwert fehlt oder ein Benachrichtigungsempfänger noch nicht eingerichtet ist.

Mit einem eindeutig zugeordneten Messwert beginnen

Ein brauchbarer Messwert enthält mehr als eine Zahl: Geräteidentität, Messzeitpunkt, Einheit und Kontext. Die Zahl 25 könnte eine Temperatur, einen Batteriestand oder einen Tankfüllstand beschreiben. Selbst eine korrekt bezeichnete Temperatur führt in die Irre, wenn das Gerät zuletzt gestern gesendet hat.

Benennen Sie die Anlage im ersten Projekt eindeutig, prüfen Sie die Payload-Decodierung und vergleichen Sie den Wert mit einer sinnvollen Referenz. Der ursprüngliche Messzeitpunkt sollte sichtbar bleiben. Eine selbstsicher formulierte Erklärung korrigiert keine falsche Einheit.

Die Verbindung an die Aufgabe anpassen

Die Verbindung muss Informationen in der Geschwindigkeit übertragen, die die Anwendung benötigt. Ein Gerät mit gelegentlichen Messungen hat andere Anforderungen als eine Anlage, die schnell auf Befehle reagieren soll. Prüfen Sie Sendeintervalle, Funkabdeckung, Stromversorgung und die Fähigkeit zum Befehlsempfang getrennt.

Kilo dokumentiert Befehle für unterstützte MQTT-Geräte, LoRaWAN-Geräte der Klasse C und emulierte Geräte mit aktivierter Befehlsunterstützung. Ein LoRaWAN-Sensor der Klasse A öffnet seine Empfangsfenster nach einem Uplink. Behandeln Sie ihn deshalb nicht wie einen ständig erreichbaren Aktor. Prüfen Sie Gerät und Connector, bevor Sie eine Reaktion auf sofortiger Steuerbarkeit aufbauen.

Aufgabe und Ausführungsort der KI festlegen

Intelligenz kann nahe an der Anlage, in einem Cloud-Dienst oder als Assistent mit Plattformwerkzeugen ausgeführt werden. Entscheidend sind Aufgabe, Verbindungsverfügbarkeit, Datenbedarf und akzeptable Verzögerung. Rechenleistung auf ein Gateway zu verlagern ist eine Architekturentscheidung, keine aus dem Wort AIoT ableitbare Produktfunktion.

Bei einem Assistenten sollten Sie fragen, welche Daten den Modellanbieter erreichen und welche Plattformoperationen er aufrufen darf. Der integrierte Kilo-Assistent und ein externer MCP-Client sind getrennte Zugangswege. Konfiguration und Freigabeverhalten müssen jeweils geprüft werden.

Ausführung und Rückmeldung ausdrücklich behandeln

Wenn KI eine Geräteaktion vorschlägt, muss eine Komponente weiterhin Parameter prüfen, den Befehl senden und den Status melden. Vorschlag, angenommener Auftrag und physisches Ergebnis sind unterschiedliche Ereignisse. Dass ein Controller einen Befehl annimmt, beweist weder eine Ventilbewegung noch die gewünschte Raumtemperatur.

Legen Sie fest, welcher Nachweis Erfolg belegt: ein unterstützter Gerätezustand, eine spätere Messung oder eine menschliche Prüfung. Fehlende Rückmeldung braucht einen eigenen Ausgang. Schweigen ist kein Erfolgsnachweis. Diese Verantwortung gehört vor dem Einschalten automatischer Steuerung in die Projektplanung.

AIoT-Beispiele: Wo verändert Intelligenz den Ablauf?

Drei praktische Beispiele machen die Unterschiede deutlich. Es handelt sich um illustrative Entwürfe, nicht um gemessene Kundenergebnisse oder die Behauptung integrierter Prognosemodelle in Kilo.

In einem Kühlraum kann gewöhnliches Monitoring den verantwortlichen Mitarbeiter alarmieren, wenn eine konfigurierte Temperaturbedingung anhält. Ein Assistent hilft beim Einrichten der Regel und ihrer Empfänger. Ein separates Prognosemodell könnte einen entstehenden Kühlungsfehler abschätzen, benötigt dafür aber geeignete historische Daten und eine Bewertung. Ein Grenzwertalarm allein ist keine vorausschauende Wartung.

In einem Gebäude mit mehreren Zählern möchte ein Analyst vielleicht den Verbrauch eines bestimmten Zeitraums vergleichen. Ein Assistent erleichtert die Frage, doch die Antwort benötigt weiterhin die richtigen Zähler, Einheiten und Datumsgrenzen. Prüfen Sie, ob die Erklärung auf die Messwerte zurückgeführt werden kann. Ohne diese Verbindung lässt sich eine ansprechende Zusammenfassung nur schwer verantwortlich nutzen.

Bei vernetzter Ausrüstung kann jemand den Assistenten um einen vorhandenen Befehl bitten. Kilos dokumentierter direkter Befehlsablauf zeigt konfigurierte Befehle, legt die Parameter zur Bestätigung vor und meldet den Ausführungsstatus. Er macht kein inkompatibles Gerät steuerbar und erfindet keinen Aktorbefehl aus einer Anfrage.

Der Nutzen liegt jeweils in einer konkreten Verringerung des Aufwands zum Verstehen oder Einrichten des Projekts. Bestimmen Sie zuerst diese Arbeit. Reicht ein einfacher Alarm, behalten Sie ihn. Ergänzen Sie Intelligenz dort, wo sich eine zusätzliche Fähigkeit tatsächlich demonstrieren lässt.

Was sollte eine AIoT-Plattform bieten?

Eine Plattformbewertung wird aussagekräftiger, wenn sie eine Aufgabe vollständig verfolgt. Lassen Sie jeden Anbieter dasselbe Gerät, dieselben Beispieldaten und dieselbe gewünschte Reaktion zeigen. Halten Sie fest, was enthalten ist, einen weiteren Dienst benötigt oder von Ihrem Team konfiguriert werden muss.

Gerätekontext. Können Sie erkennen, von welcher Anlage ein Wert stammt und wann er gemessen wurde? Lassen sich decodiertes Feld, Einheit und Verbindung prüfen? Fragen Sie auch, was bei einem stillen Gerät passiert, nicht nur nach dem Dashboard bei laufendem Datenempfang.

Eine definierte KI-Aufgabe. Bietet das Produkt einen Konfigurationsassistenten, Modellinferenz, Prognoseanalysen oder mehrere dieser Funktionen? Sie sind nicht austauschbar. Bei Prognosen sollten Sie die Bewertung mit repräsentativen Daten einschließlich Fehlprognosen und übersehener Ereignisse verlangen.

Prüfbare Operationen. Ist erkennbar, was der Assistent angelegt oder verändert hat? Kilo dokumentiert die Geräteaufnahme sowie das Einrichten von Regeln und Alarmen durch den Assistenten. Prüfen Sie entstandene Objekte, Empfänger und Bedingungen; eine Aussage im Chat ersetzt keinen vollständigen Test.

Tests mit Kontrolle über Nebenwirkungen. Kilos Regel-Debugger bietet Execute, Skip und Mock für unterstützte Knoten mit externen Auswirkungen. Execute führt die echte Operation aus und ist zunächst ausgewählt. Wählen Sie Skip oder Mock bewusst, wenn diese Operation beim Test unterbleiben soll. Ein Emulator macht nicht automatisch jede externe Aktion harmlos.

Eine kontrollierte Bereitstellung. Unterscheiden Sie die bearbeitete Konfiguration vom produktiv laufenden Artefakt. Eine Wiederherstellung legt in Kilo eine neue Regelversion im Entwurf an; Build und Deployment folgen getrennt. Bereits erfolgte physische Aktionen werden dadurch nicht rückgängig gemacht.

Ein vollständiges Kostenbild. Berücksichtigen Sie Hardware, Konnektivität, gegebenenfalls Modellnutzung, Plattformkapazität sowie Installation und Wartung. Ein kostenloses Plattformkonto erleichtert den Einstieg, macht aber Geräte und Netzwerkdienste nicht kostenlos.

Mit diesen Fragen können Sie auch die Gerätesteuerung einer AIoT-Plattform an Ihren tatsächlichen Anforderungen messen. Ziel ist ein Ablauf, den Ihr Team ausreichend versteht, um ihn zu betreiben, auszubauen und Fehler zu beheben.

Mit Kilo ein erstes KI-IoT-Plattformprojekt starten

Beginnen Sie mit einem eindeutig benannten Testgerät, einer nützlichen Ansicht und einer Reaktion. Ein emulierter Temperatursensor, dessen Werte im Dashboard erscheinen und eine Regel prüfen, ist ein überschaubares Beispiel. Verwenden Sie einen Testkontext und passende Beispielwerte. Diese sind keine empfohlenen Betriebsgrenzen für reale Anlagen.

  1. Konto und Testgerät anlegen. Öffnen Sie Kilo für den kostenlosen Einstieg und folgen Sie der Emulator-Dokumentation. Der aktuelle kostenlose Tarif umfasst bis zu fünf Geräte, ein Dashboard und eine Regel. Prüfen Sie die Tarife vor einer Erweiterung.
  2. Daten bestätigen. Vergeben Sie einen klaren Testnamen. Prüfen Sie Feld, Einheit und Zeitstempel vor der Anzeige im Dashboard. Senden Sie einen bekannten Beispielwert und vergewissern Sie sich, dass er zu diesem Gerät gehört.
  3. Die gewünschte Regel beschreiben. Nennen Sie dem Assistenten Gerät, Messgröße, Bedingung und gewünschte Reaktion. Bei Benachrichtigungen müssen Empfänger und Kanal eingerichtet sein. Ein Alarm in der Plattform beweist nicht, dass ein Mensch die Meldung erhalten hat.
  4. Ergebnis prüfen und testen. Prüfen Sie die Regel mit passenden und nicht passenden Werten. Kontrollieren Sie Execute, Skip und Mock vor Aktionen mit Nebenwirkungen. Sehen Sie sich die Ausführungsausgabe an, nicht nur den letzten Satz des Assistenten.
  5. Hardware bewusst ergänzen. Prüfen Sie Modell, Payload, Funkregion, Gateway- oder Netzwerkbedarf und Befehlsunterstützung. Projekthardware erhalten Sie bei Kilo Electronics, dem separaten Hardware-Shop. Geräte- und Verbindungskosten sind vom Plattformtarif getrennt.

Benötigt das Projekt später mehr Geräte, Dashboards oder Regeln, wählen Sie einen Tarif für den tatsächlichen Umfang. Belegen Sie zunächst, dass eine Messung am richtigen Ort ankommt und sich die definierte Reaktion testen lässt. Damit haben Sie eine konkrete Grundlage, bevor Prognosen oder Gerätesteuerung hinzukommen.

Als Nächstes hilft die Anleitung zum Einrichten mit dem Kilo-KI-Assistenten. Sie zeigt verfügbare Operationen und benötigte Angaben. Lesen Sie vor physischen Aktionen auch die Anleitung zum ersten Physical-AI-Geräteablauf.