Prüfspuren für menschlich geprüfte AI-Entscheidungen an Transformatoren

AI-Entscheidungen an Transformatoren sollten von den Rohdaten-Nachweisen bis zur menschlichen Autorisierung nachvollziehbar sein. Wenn eine AI-gestützte Empfehlung nicht zeigen kann, welche Daten sie verwendet hat, welche Annahmen sie getroffen hat, welche Befugnis sie hatte und wer die Maßnahme genehmigt hat, ist sie für Wartungsabläufe mit hohen Folgen nicht bereit.

GridAPM versteht Prüfspuren als Produktmerkmal, nicht als nachträglichen Zusatz.

Aufbau des Nachweispakets

Ein Transformator-AI-Nachweispaket sollte Folgendes enthalten:

• Asset-ID, Standort, Transformatorkontext und betroffene Komponente.
• Entscheidungstyp, Schweregrad, Zeitstempel und Prüfer.
• Herkunft der Quelldaten: DGA, PRPD, SFRA, thermische Daten, SCADA, Inspektions- und Wartungsaufzeichnungen.
• Datenqualitäts-Kennzeichen und fehlende Nachweise.
• Normenkontext und interne Ingenieurpraxis.
• AI-Empfehlung, Unsicherheit und bekannte Einschränkungen.
• Menschliche Genehmigung, Ablehnung, Übersteuerung oder Eskalation.
• Ergebnis-Rückkopplung nach Wartung oder Überwachung.

Dies baut auf dem bereits in der GridAPM-Forschung beschriebenen KI mit menschlicher Prüfung-Arbeitsablauf auf.

Governance-Kontext

Das NIST AI RMF und das AI RMF Playbook liefern nützliche, öffentlich zugängliche Formulierungen für die Governance sowie das Erfassen, Messen und Steuern von AI-Risiken. Das Generative-AI-Profil von NIST und die aufkommende Arbeit zu Software- und AI-Agenten-Identität und -Autorisierung sind besonders relevant, wenn AI-Agenten Werkzeuge nutzen oder im Auftrag von Personen handeln können.

Im Transformator-APM sollte ein Agent eine Identität, eng gefasste Berechtigungen, Werkzeuggrenzen und eine Freigabeschwelle besitzen.

Normen-Abgleich

Der Prüfspur sollte Nachweise mit anerkanntem technischem Kontext verknüpfen, ohne geschützten Normentext zu kopieren. Zum Beispiel:

• DGA-Nachweise können auf IEEE C57.104 und IEC 60599 verweisen.
• Überwachungsnachweise können auf IEEE C57.143 und die CIGRE-Arbeit zur intelligenten Zustandsüberwachung verweisen.
• PRPD-Nachweise können auf IEC 60270 verweisen.
• SFRA-Nachweise können auf IEEE C57.149 verweisen.

Das Produkt sollte paraphrasieren, öffentliche Quellenseiten zitieren und die endgültige Interpretation in der Verantwortung des Ingenieurs belassen.

Agentenidentität und Autorisierung

Agentische AI verändert die Audit-Frage. Es genügt nicht, eine Modellausgabe zu protokollieren. Teams sollten wissen:

• Welcher Agent die Empfehlung erzeugt hat.
• Welcher Benutzer oder Arbeitsablauf die Aufgabe delegiert hat.
• Auf welche Werkzeuge und Datenquellen der Agent zugegriffen hat.
• Ob der Zugriff nur lesend oder auch schreibend war.
• Ob die Empfehlung eine Freigabeschwelle überschritten hat.
• Welcher Mensch sie genehmigt oder übersteuert hat.

Dies ist besonders wichtig, wenn die Empfehlung in Arbeitsauftragssysteme oder Planungsprozesse einfließt.

Protokoll der menschlichen Prüfung

Das Protokoll der menschlichen Prüfung sollte die Rolle des Prüfers, die Entscheidung, die Begründung, Kommentare, Eskalationen und jede Übersteuerung erfassen. Bei Transformatorzuständen mit hohem Risiko kann eine zweite Prüfung im Hinblick auf Nachhaltigkeit oder Asset-Performance angemessen sein. Die AI sollte die Nachweise vorbereiten; die Organisation legt die Governance-Richtlinie fest.

Ergebnis-Rückkopplung

Der Prüfspur sollte nach der Empfehlung fortgeführt werden. Welche Maßnahme wurde ergriffen? Hat die Telemetrie nach der Maßnahme den Verdacht bestätigt? War die Empfehlung ein Fehlalarm? Haben neue Nachweise die Unsicherheit verringert? Diese Ergebnis-Rückkopplung verbessert künftige Wartungsentscheidungen und hilft Teams, Modelldrift oder Lücken im Arbeitsablauf zu verstehen.

Das praktische Versprechen von GridAPM ist einfach: Jede AI-Empfehlung wird mit den Nachweisen geliefert, die ein Ingenieur benötigt, um sie zu genehmigen, abzulehnen oder zu eskalieren.