En ny videnskabelig artikel fra arXiv argumenterer for, at tillid til data i industrielle AI-systemer – fx dem der driver smart manufacturing – ikke kan opnås med en enkelt teknologi, men kræver fire sammenkoblede kapaciteter, der tilsammen skaber egenskaber, ingen af dem kan levere alene. Forskningen, offentliggjort på arXiv, viser med et eksperiment, at fjernelse af blot ét af de fire lag får præcis tre ud af seks sammensatte forespørgsler til at fejle – et signal om, at alle fire er lige bærende.
For beslutningstagere i produktion og industri er pointen ikke teknisk, men strategisk: Når AI-modeller træffer beslutninger på tværs af heterogene systemer – fra OPC UA og SAP S/4HANA til Teamcenter og Insights Hub – kan man ikke stole på output, medmindre man kan spore, hvor data kom fra, om de var gyldige på beslutningstidspunktet, og hvordan de blev brugt. Artiklen præsenterer en arkitektur, der integrerer SHACL-validering, PROV-O-proveniens, bi-temporal versionering og beslutningsobjekter i et samlet RDF-design, hvor delte identifikatorer og korrelationsnøgler muliggør sammensatte forespørgsler på tværs af alle fire dimensioner.
Det vigtigste resultat for investorer og teknologiledere er, at tillid ikke er et add-on, men et systemisk træk: Analysen af højere-ordens kompositioner afslører fire emergente tre-vejs egenskaber og én irreducibel fire-vejs egenskab – fuld kæde-auditerbarhed, eksekveret på 31 ms. Det betyder, at virksomheder, der bygger AI-løsninger til industrielle data, bør designe deres dataarkitektur med disse lag fra starten, ikke eftermontere dem bagefter. Testbedet integrerer 11 industrielle kilder under en ISA-95-aligned ontologi med 8.743 tripler, hvilket gør resultaterne repræsentative for reelle installationer, selvom dataene er simuleret.
For dem, der skal købe eller bygge industrielle AI-platforme, er implikationen klar: Spørg ikke kun efter modelnøjagtighed, men efter, hvordan systemet dokumenterer dataoprindelse, gyldighed over tid og beslutningsspor. Uden disse fire lag risikerer selv de bedste modeller at levere output, ingen kan forsvare – hverken over for kunder, tilsyn eller ledelsen.
