Zum Hauptinhalt springen
+49 721 9654-724

AI Pipelines

Fragestellung und Ziel​

Wie wird eine individuelle Datenaufbereitung schnell zu einer laufenden Verarbeitung? AI Pipelines unterstützen die Entwicklung von Code aus einer Beschreibung, etwa zur Vereinheitlichung von Rohmeldungen oder zur Berechnung zusätzlicher Felder.

Umsetzung in Bytefabrik​

AI Pipelines sind eine Bytefabrik-Erweiterung. Der Editor führt durch Eingabeströme, die Entwicklung der Verarbeitungslogik, Tests und die Ausgabekonfiguration. Der erzeugte Code ist prüfbar. Das Ausgabeschema beschreibt Feldnamen und Datentypen und benötigt ein Zeitstempelfeld. Nach Validierung und Tests kann die Pipeline gespeichert und gestartet werden.

Damit unterscheiden sich Codeerzeugung und produktiver Betrieb: Die KI hilft bei der Entwicklung der Logik; die gestartete Verarbeitung wendet diese Logik auf die Daten an.

Schematischer KI-Pipeline-Workflow: eine fachliche Aufgabenbeschreibung führt zu erzeugter Logik. Code und Ergebnis werden geprüft und getestet, bevor die Ausgabe als Live-Datenstrom genutzt wird.
Vom beschriebenen Ziel zur laufenden Verarbeitung: Die erzeugte Logik und ihre Ausgabe werden vor dem Einsatz geprüft und mit Beispieldaten getestet. Grafik in voller Größe öffnen (neuer Tab)

Best Practices für die Umsetzung​

  1. Definieren Sie die Eingabefelder und das gewünschte Ausgabeereignis.
  2. Beschreiben Sie die Regel einschließlich Grenzfällen: Was passiert bei fehlenden Daten, unbekannten Zuständen oder einem fehlenden Ende?
  3. Prüfen Sie Code und Ausgabeschema gemeinsam.
  4. Verwenden Sie repräsentative Testdaten. Automatisch erzeugte Beispiele ergänzen reale Fälle, ersetzen sie aber nicht.
  5. Kontrollieren Sie erwartete Ausgaben und konfigurieren Sie die benötigte Senke beziehungsweise Speicherung.
  6. Prüfen Sie nach dem Start die tatsächlichen Ergebnisse und Betriebsanzeigen.

Was Sie beachten sollten​

Eine bestandene Codevalidierung bestätigt keine fachliche Richtigkeit. Bei Dauern und Zustandswechseln müssen auch Ereignisreihenfolge, Zuordnung und Neustartverhalten berücksichtigt werden.

Änderungen am Ausgabeschema können Datensätze, Charts und Insights-Konfigurationen betreffen. Stimmen Sie diese Anpassungen vor dem Einsatz ab. Der Start einer Pipeline verarbeitet nicht automatisch die gesamte Historie neu.

Der Nutzen liegt in weniger manueller Programmierarbeit bei kontrollierbarer Logik. Wenn vorhandene Standardelemente genügen, bleibt eine klassische Pipeline ein passender Einstieg.