Stillstände kosten Millionen – und die Daten, die sie verhindern könnten, sind längst vorhanden

Wien - Ungeplante Stillstände, Qualitätsverluste und ineffiziente Prozesse zählen zu den größten Kostenfaktoren in der Industrie. Gleichzeitig verfügen Unternehmen über enorme Mengen an Sensordaten – können daraus aber oft keinen unmittelbaren Nutzen ziehen. Das eigentliche Problem ist dabei nicht die Datenmenge, sondern deren Auswertung. Viele bestehende KI- und Predictive-Maintenance-Ansätze stoßen in der Praxis an klare Grenzen: Sie benötigen große Mengen historischer Daten, lange Trainingszyklen und aufwendig aufgebaute Modelle, um statistische Zusammenhänge zu erkennen. Gerade in komplexen Anlagen – insbesondere dort, wo Fehler selten auftreten – funktioniert dieser Ansatz nur eingeschränkt. Das Wiener Deep-Tech-Unternehmen SF2 Systems verfolgt deshalb einen grundlegend anderen Ansatz. https://www.SF2systems.com ( https://www.SF2systems.com )

Vergleichen statt Raten: Ein Perspektivwechsel in der Industrie

"Maschinen folgen physikalischen Gesetzmäßigkeiten. Ihr Verhalten ist nicht zufällig", erklärt das Team von SF2 Systems. "Statt zu versuchen, dieses Verhalten statistisch zu berechnen, machen wir den Zustand direkt vergleichbar."

Genau darin liegt der entscheidende Unterschied: Während bisherige KI-Systeme versuchen, Fehler aus großen Datenmengen abzuleiten, macht SF2 Systemzustände unmittelbar vergleichbar – und damit technisch nachvollziehbar. Die Technologie basiert auf einer Kombination aus Semantic Folding und Sensor Fusion . Unterschiedlichste Sensordaten werden in Echtzeit zu einer integrierten Zustandsdarstellung zusammengeführt – einem digitalen Fingerabdruck des Systems.

Dieser beschreibt nicht einzelne Messwerte, sondern den Zustand der Maschine als Ganzes. Kurz gesagt: SF2 vergleicht Zustände, statt sie statistisch zu berechnen.

Physik statt Wahrscheinlichkeit

Der zentrale Gedanke: Maschinen sind keine statistischen Zufallsprodukte, sondern deterministische Systeme. Während bisherige KI mit Wahrscheinlichkeiten arbeitet, macht SF2 reale Veränderungen im Systemverhalten sichtbar. Das bedeutet: Abweichungen werden nicht geschätzt, sondern erkannt.

Für Anwender ergibt sich daraus ein grundlegender Vorteil: Probleme werden frühzeitig sichtbar, Entscheidungen basieren auf klaren Zuständen und Systeme werden erstmals unmittelbar verständlich.

Erkenntnisse ohne aufwendige Trainingsdaten

Ein entscheidender Engpass klassischer KI ist der Mangel an geeigneten Trainingsdaten – insbesondere an realen Fehlerfällen. SF2 adressiert genau dieses Problem: Die Technologie arbeitet primär mit Daten aus dem normalen Betrieb. Da funktionierende Zustände in großer Menge vorhanden sind, können Referenzzustände schnell gebildet und Abweichungen früh erkannt werden – lange bevor es zu einem Ausfall kommt. In der Praxis verkürzt sich die Zeit bis zu ersten belastbaren Ergebnissen von Monaten auf wenige Tage.

Analyse direkt an der Maschine

Die Verarbeitung erfolgt vollständig lokal – direkt am sogenannten Edge. Das reduziert Komplexität und ermöglicht den Einsatz auch in sensiblen oder abgeschotteten Umgebungen. Gleichzeitig bleiben sämtliche Daten im Unternehmen, und bestehende Systeme müssen nicht grundlegend verändert werden.

Vom Datenstrom zum Systemverständnis

Durch die Verdichtung von hunderten Sensorwerten zu wenigen, hoch aussagekräftigen Zustandsindikatoren entsteht erstmals ein klares Bild darüber, wie sich ein System tatsächlich verhält. Ingenieure erhalten damit nicht mehr zusätzliche Daten, sondern eine belastbare Aussage über Zustand und Entwicklung eines Systems.

Call-to-Action: Die "SF² Edge Challenge"

SF2 Systems lädt Industrieunternehmen ein, anspruchsvolle oder bisher ungelöste Anwendungsfälle einzubringen – insbesondere dort, wo klassische Ansätze an ihre Grenzen stoßen.

Gesucht sind Szenarien mit hoher Sensorvielfalt, komplexen Wechselwirkungen oder begrenzter Verfügbarkeit von Fehlerdaten. Im Rahmen der Edge Challenge analysiert SF2 reale Sensordaten und zeigt konkret auf, welches Potenzial in einem zustandsbasierten Ansatz liegt.

* Nutzung ausschließlich anonymisierter Daten oder Analyse vor Ort * keine Kosten für teilnehmende Unternehmen * kein Eingriff in bestehende Systeme

Innerhalb weniger Tage entsteht eine integrierte Zustandsdarstellung – ein digitaler Fingerabdruck des Systems, der Risiken und Optimierungspotenziale sichtbar macht.

Kontakt: Interessierte Unternehmen können ihre Anwendungsfälle ab sofort unter edge-challenge@sf2systems.com einreichen.

Konkrete Effekte in der Praxis

* Schnelle Ergebnisse : Erste belastbare Erkenntnisse in Tagen statt Monaten * Kein komplexes Setup oder Datenaufbereitung notwendig * Volle Datenhoheit : Analyse lokal, ohne Abfluss sensibler Produktionsdaten * Maximale Transparenz : Nachvollziehbare Ergebnisse statt Black-Box-Prognosen

Über SF2 Systems SF2 Systems ist ein Wiener Deep-Tech-Unternehmen, das sich auf die Echtzeit-Analyse komplexer Systeme spezialisiert hat. Der Ansatz: nicht mehr Daten sammeln und Modelle trainieren, sondern Systeme direkt verständlich machen.

Kontakt

Francisco Webber CEO, SF² Systems Mobil: +43 664 5027796 Mail: office@sf2systems.com Web: http://www.SF2systems.com , Christoph Gretzmacher Business Development, SF² Systems Mobil: +43 660 1016615 Mail: office@sf2systems.com Web: http://www.SF2systems.com , ------------------------------------------

English Version:

Downtime costs millions – yet the data to prevent it already exists

Vienna-based deep-tech company introduces a new approach to industrial systems: instead of data-heavy AI, SF2 delivers immediate system understanding – in real time and without lengthy training cycles, highlighting the structural limitations of conventional industrial AI. Unplanned downtime, quality losses, and inefficient processes are among the largest cost drivers in modern industry. At the same time, companies already possess vast amounts of sensor data – yet often struggle to extract immediate, actionable value from it. The real issue is not the lack of data, but how it is interpreted. Many existing AI and predictive maintenance approaches reach their limits in real-world environments. They rely on large volumes of historical data, long training cycles, and complex models to identify statistical patterns. In complex systems – particularly where failures are rare – this approach often proves insufficient. Vienna-based deep-tech company SF2 Systems takes a fundamentally different approach. https://www.SF2systems.com ( https://www.SF2systems.com )

Comparing instead of guessing: a shift in perspective

"Machines follow physical laws. Their behavior is not random," explains the team at SF2 Systems. "Instead of trying to approximate system behavior statistically, we make system states directly comparable."

This is the key difference: While traditional AI attempts to derive errors from large datasets, SF2 makes system states immediately comparable – and therefore directly understandable. The technology combines Semantic Folding and Sensor Fusion , integrating diverse sensor data streams in real time into a unified representation – a digital fingerprint of the system.

This fingerprint does not describe individual measurements, but the state of the system as a whole. In simple terms: SF2 compares system states instead of predicting them.

Physics instead of probability

The core principle is simple: machines are not statistical phenomena – they behave according to physical laws. While conventional AI operates on probabilities, SF2 makes actual changes in system behavior directly visible.

In practice, deviations are not estimated – they are detected. For users, this leads to a fundamental advantage: Problems become visible early, decisions are based on clear system states, and complex systems become directly understandable for the first time.

Insights without extensive training data

A major limitation of traditional AI is the lack of suitable training data – especially real-world failure cases.

SF2 addresses this challenge directly: The system primarily operates on data from normal operation. Since stable operating states are abundant, reference states can be established quickly, and deviations can be identified early – long before failures occur.In practice, this reduces time-to-insight from months to just a few days.

Analysis directly at the machine

All processing takes place locally – directly at the edge. This reduces complexity and enables deployment even in sensitive or isolated environments. At the same time, all data remains within the company, and existing systems do not need to be fundamentally altered.

From data streams to system understanding

By condensing hundreds of sensor values into a small number of highly informative state indicators, SF2 provides a clear picture of how a system actually behaves. Engineers no longer receive more raw data – but reliable insight into the condition and evolution of a system.

Call to Action: The "SF² Edge Challenge"

SF2 Systems invites industrial companies to submit complex or previously unsolved use cases – particularly in areas where conventional approaches reach their limits. We are looking for scenarios with high sensor diversity, complex interdependencies, or limited availability of failure data.

As part of the Edge Challenge, SF2 analyzes real-world sensor data and demonstrates the potential of a state-based approach in a short timeframe.

* Use of anonymized data only or on-site analysis * No cost for participating companies * No changes to existing systems

Within just a few days, a comprehensive system representation is created – a digital fingerprint that reveals risks and optimization potential.

Contact: edge-challenge@sf2systems.com

Practical impact

* Rapid results: actionable insights within days instead of months * No complex setup or data preparation required * Full data sovereignty: local analysis without external data transfer * Maximum transparency: understandable results instead of black-box predictions

About SF2 Systems SF2 Systems is a Vienna-based deep-tech company specializing in real-time analysis of complex systems. The approach: replacing data-heavy model training with direct system understanding.

Contact

Francisco Webber CEO, SF² Systems Mobil: +43 664 5027796 Mail: office@sf2systems.com Web: http://www.SF2systems.com , Christoph Gretzmacher Business Development, SF² Systems Mobil: +43 660 1016615 Mail: office@sf2systems.com Web: http://www.SF2systems.com , .

(Ende)

Aussender: SF² Systems Ansprechpartner: Christoph Gretzmacher Tel.: +43 660 10 16 615 E-Mail: office@SF2systems.com Website: www.SF2systems.com