EuroHPC-Förderzusage: OPAIRS trainiert spezialisierte KI-Agenten für die Fertigung

Generische Sprachmodelle kennen keine Instandhaltungsstrategien nach DIN EN 13306. Sie kennen keine Stücklisten, keine Maschinenhistorien und keine unternehmensinternen Abkürzungen. Was sie liefern, ist plausibler Durchschnitt aus Milliarden Trainingsdokumenten. Für den Shopfloor reicht das nicht. OPAIRS geht einen anderen Weg: domänenspezifisch trainierte Agenten, die ihr Fachgebiet kennen, weil sie darauf trainiert wurden. Die Förderzusage des EuroHPC Joint Undertaking macht diesen Schritt jetzt möglich.

Was EuroHPC bedeutet und warum Leonardo

Europäische Infrastruktur für europäische KI

Das EuroHPC Joint Undertaking stellt europäischen Unternehmen und Forschungseinrichtungen Rechenzeit auf Supercomputern der EU-Infrastruktur zur Verfügung. OPAIRS erhält 5.000 GPU-Stunden auf dem Leonardo BOOSTER in Bologna, einer der leistungsfähigsten Rechenanlagen Europas mit NVIDIA A100-GPUs und einem Spitzenwert von 174 Petaflops. Die Förderung ist an konkrete technische und ethische Anforderungen geknüpft: Nachvollziehbarkeit der Trainingsdaten, Einhaltung der EU-KI-Ethikprinzipien und Human-in-the-Loop-Governance. Anforderungen, die für OPAIRS keine Zusatzarbeit sind, sondern Systemarchitektur.

Drei spezialisierte Agenten, ein gemeinsames Ziel

Das Fine-Tuning basiert auf der Qwen3-Modellfamilie (4B und 8B Parameter) und dem QLoRA-Verfahren, einer ressourceneffizienten Methode für überwachtes Fine-Tuning auf industriellen Datensätzen. Trainiert werden drei domänenspezifische Agenten:

• Wartungs- und Instandhaltungsagent: Diagnose von Fehlercodes, Ableitung von Reparaturmaßnahmen und Einordnung in bestehende Wartungsstrategien. Trainingsgrundlage sind Maschinenhandbücher, DIN/EN/ISO-Normen, CMMS-Daten und strukturierte Wartungsprotokolle.
• Projektmanagement-Agent: Aufgabenplanung, Statusverfolgung und Priorisierung auf Basis unternehmensspezifischer Ablauflogik. Der Agent lernt, wie Projekte in der Fertigung wirklich laufen, nicht wie Lehrbücher es beschreiben.
• Dokumentensuche- und Retrievalagent: Präzisionssuche in industriellen Wissensbasen mit SQL- und Vektordatenbankabfragen. Optimiert für semantische Treffgenauigkeit in technischen Dokumenten.

Von generisch zu spezialisiert: Was Fine-Tuning in der Praxis verändert

Ein Basismodell beantwortet Fragen mit dem, was es kennt. Ein fine-getuntes Modell beantwortet Fragen mit dem, was im eigenen Unternehmen gilt. Der Unterschied liegt nicht in der Modellgröße, sondern in der Qualität der Domänenadaption. QLoRA ermöglicht es, kleine Sprachmodelle mit 4B bis 8B Parametern gezielt auf fachspezifische Aufgaben zu trainieren, ohne die Modellstruktur zu verändern. Die trainierten LoRA-Adapter werden nach dem Fine-Tuning in das Basismodell gemergt und anschließend direkt über vLLM on-premise deployt. Kein Cloud-Endpoint, kein externer Anbieter, keine API-Kosten pro Anfrage.

75 % geringere Inferenzkosten gegenüber Cloud-APIs

Planbare Kosten statt variables Token-Pricing

Ein fine-getuntes 4B-Modell, das on-premise auf dedizierter Hardware läuft, hat nach dem initialen Setup keine variablen Kosten pro Anfrage. Kein Token-Pricing, keine Volumenschwellen, keine Preisänderungen durch den Anbieter. Die Kapazität ist fix, die Kosten sind planbar. Das Ziel ist konkret messbar: Inferenzkosten für industrielle Standardabfragen sollen um 75 % unter das Niveau führender Cloud-API-Anbieter sinken.

• Skalierung ohne Kostenwachstum: On-Premise-Inferenz skaliert mit der Hardware, nicht mit der Nutzungsfrequenz. Mehr Anfragen bedeuten keine höhere Rechnung.
• Spezialisierung schlägt Größe: Ein 4B-Modell, das auf Instandhaltung trainiert ist, übertrifft in diesem Fachgebiet ein generisches 70B-Modell, das alles kann, aber nichts besonders gut.
• Kundenwissen als Trainingsgrundlage: Die trainierten Agenten sind als Ausgangspunkt für weiteres Fine-Tuning konzipiert. Kunden können ihre eigenen Maschinendaten, Wartungshistorien und Prozessdokumente einbringen, ohne dass Daten das Unternehmen verlassen.

Europäische Infrastruktur, europäische Datensouveränität

Die Nutzung des Leonardo BOOSTER ist kein Widerspruch zur On-Premise-Philosophie von OPAIRS. Das Training findet auf europäischer Infrastruktur statt, die Trainingsdaten enthalten keine personenbezogenen oder kundensensitiven Inhalte, und das fertig trainierte Modell wird ausschließlich lokal beim Kunden betrieben. EuroHPC-Projekte unterliegen den Datenschutz- und Ethikrichtlinien der EU. Für OPAIRS bedeutet das: Der gesamte Lebenszyklus vom Datensatz über das Training bis zum Deployment erfolgt unter europäischen Rahmenbedingungen und dokumentierter Nachvollziehbarkeit.

Die trainierten Modelle werden nach Abschluss des Fine-Tunings in die OPAIRS-Plattform integriert und bilden die Inferenzschicht für die Produktivsysteme ab Q4 2026.