Engineer using robotic process automation RPA to integrate technology to vehicle design and manufacturing processes, including analyzing functional system structural rigidity for maximum efficiency

Der Einsatz von Large Language Models bei der Datenanalyse machen auch in der Automobilindustrie Sinn, muss aber mit großer Sorgfalt erfolgen. (Bild: AREE - stock.adobe.com)

Heutige KI-Systeme zeichnen sich durch ihren mühelosen Umgang mit großen Datenmengen aus. Gerade KI-Tools wie ChatGPT und das Trendthema generative künstliche Intelligenz prägten dabei die letzten zwei Jahre. Die Anwendungsbereiche dieser Tools sind vielfältig und bieten Unternehmen bei richtigem Einsatz eine große Chance, sich entscheidende Wettbewerbsvorteile zu sichern.

Effiziente Daten- und Dokumentenanalyse durch Large Language Models

Lösungen wie ChatGPT analysieren Daten und Dokumente und extrahieren Inhalte mittlerweile äußerst effizient. ChatGPT basiert auf dem Large Language Model GPT, kurz für Generative Pre-trained Transformer. Large Language Models (LLMs) sind leistungsstarke KI-Modelle, die menschliche Sprache verstehen und Texte generieren können. Die Hersteller trainieren diese Modelle mit umfangreichen Datenmengen, die beispielsweise aus Büchern, Artikeln, Webseiten und anderen Quellen stammen. Die Entwicklung rund um ChatGPT in den vergangenen Jahren mag zwar für einige überraschend erscheinen, jedoch gibt es Large Language Models bereits seit vielen Jahren. Insbesondere die Fähigkeit, strukturierte und unstrukturierte Daten zu verarbeiten und Fakten zu extrahieren, ist eigentlich nicht neu. Neu ist jedoch der einfache Zugang zu diesen Tools über das Internet. Ein tieferes Verständnis der praktischen Einsatzmöglichkeiten ist nun wichtiger denn je.

Unternehmen setzen LLMs wie GPT am besten dort ein, wo sie wirklich effektiv sind: beim Generieren von Texten, als Unterstützung beim Brainstorming sowie beim Übersetzen und Erstellen von Zusammenfassungen. Hier liefern die Werkzeuge bereits heute einen erheblichen Mehrwert und erleichtern Routinearbeiten. Doch um ihr volles Potenzial zu entfalten, müssen KI-Technologien auf interne Daten zugreifen und diese Compliance-konform verarbeiten.

Herausforderungen bei der Verarbeitung von Unternehmensinformationen

Vor allem die öffentlich zugänglichen KI-Lösungen stoßen schnell an ihre Grenzen, wenn es um die Verarbeitung interner Daten geht. Die Antworten der Tools wie ChatGPT basieren auf den Trainingsdaten und haben keinen spezifischen Kontext zum Unternehmen. Da nicht bekannt ist, mit welchen Daten diese Modelle genau trainiert wurden, müssen Nutzer besonders auf „Datenhalluzinationen“ achten. Datenhalluzinationen sind Falschaussagen, die aber durch eine kohärente Schreibweise oft plausibel erscheinen. Fehlende Quellenangaben bei den generierten Antworten erschweren die Überprüfung der Inhalte zusätzlich. Außerdem sollten Angestellte beim Eingeben von sensiblen Informationen in öffentlich zugängliche KI-Tools besonders vorsichtig sein. Denn es ist oft unklar, was mit den Daten geschieht, wo sie gespeichert und ob diese an Dritte weitergegeben werden.

Durch Technologie-Kombination generative KI gewinnbringend einsetzen

Um diese Herausforderungen zu meistern, setzen Unternehmen zunehmend auf „Retrieval Augmented Generation“, kurz auch RAG genannt. Dabei handelt es sich um die Kombination von einem Large Language Model mit einer Insight Engine. Eine Insight Engine ist eine intelligente Wissensmanagementlösung, die interne Informationen aus allen relevanten Datenquellen extrahiert, analysiert und verknüpft. Der RAG-Prozess läuft typischerweise in vier Stufen ab:

  1. Frage stellen: Nutzer:innen stellen eine Frage in natürlicher Sprache an einen Chatbot bzw. das zugrunde liegende LLM.
  1. Durchsuchung der Datenquellen: Die Insight Engine durchsucht daraufhin die internen Datenquellen des Unternehmens, um relevante Fakten und Informationen, die diese Anfrage betreffen, zu finden. Die Quellen können Datenbanken, Dokumente, Berichte oder andere firmenspezifische Informationen umfassen. Dabei ist es irrelevant, wo die Daten gespeichert sind.
  1. Extraktion und Übermittlung der Fakten: Die Insight Engine extrahiert die relevanten Fakten und übermittelt diese zusammen mit den entsprechenden Quellen an das LLM.
  1. Generierung der Antwort: Das LLM verwendet die erhaltenen Informationen, um eine präzise und verständliche Antwort inkl. Quellenangabe in natürlicher Sprache zu formulieren.
Retrieval Augmented Generation (RAG) ist die Kombination eines Large Language Models mit einer Insight Engine.
Retrieval Augmented Generation (RAG) ist die Kombination eines Large Language Models mit einer Insight Engine. (Bild: Mindbreeze)

Durch das Zusammenspiel Insight Engines und LLMs wird sichergestellt, dass die Antworten nicht nur auf umfangreichen, aktuellen und relevanten Daten basieren, sondern auch in einer Form präsentiert werden, die für Nutzer:innen leicht verständlich ist. Diese Technologie-Kombination bietet eine Vielzahl von Anwendungsmöglichkeiten. Im Kundensupport generieren diese Systeme zum Beispiel automatisierte Antworten auf Basis früherer Support-Tickets. Das ermöglicht eine effiziente 24/7-Kommunikation und entlastet Support-Teams.

Insight Engines sind smarte Wissensmanagementlösungen, die mittels unterschiedlicher Methoden der künstlichen Intelligenz in der Lage sind, Wissen auch in anderer Form für Angestellte aufzubereiten, damit dieses rasch zur Verfügung steht.

Anwendungsmöglichkeiten von Insight Engines und 360-Grad-Sichten in der Automobilbranche

Eine besonders interessante Möglichkeit ist die Generierung interaktiver 360-Grad-Sichten. Sie bieten umfassende Informationen zu jedem beliebigen Objekt wie Kunden, Produkten, Personen und Bauteilen und können über alle Abteilungen hinweg von großem Nutzen sein.

360-Grad-Sichten sind auf die individuellen Bedürfnisse der Anwender zugeschnitten und unterscheiden sich je nach Tätigkeitsfeld und internen Berechtigungen. Eine Kundenansicht für Mitarbeitende im Support enthält etwa allgemeine Kundendaten, Bestellhistorie, Support-Tickets und Ansprechpartner. Im Bereich Einkauf liefern sie Informationen zum Lagerbestand, Lieferanten und zertifizierten Ersatzteilen. Im Engineering unterstützen sie bei der Sammlung relevanter Informationen zu Bauteilen oder Anlagen, einschließlich Handbüchern, Firmware-Updates und Produktlebenszyklus-Informationen.

Der Mehrwert dieser Gesamtsichten liegt nicht nur in der Darstellung von explizitem Wissen, sondern auch in der Ableitung von implizitem Wissen. Durch eine ganzheitliche Betrachtung erkennen Nutzer versteckte Zusammenhänge und Muster, was zur Optimierung von Abläufen und besseren Entscheidungen beitragen kann.

360-Grad-Sichten bieten umfassende Informationen zu jedem beliebigen Objekt wie Kunden, Produkten, und Bauteilen.
360-Grad-Sichten bieten umfassende Informationen zu jedem beliebigen Objekt wie Kunden, Produkten, und Bauteilen. (Bild: Mindbreeze)

Einsatzmöglichkeiten von Insight Engines in der Automobilindustrie

Insight Engines können aber auch die Art und Weise, wie Unternehmen in der Automobilbranche ihre Prozesse gestalten, grundlegend verändern. In der technischen Qualitätssicherung verknüpfen Insight Engines die Meinungen von Experten, Wartungsprotokolle, Pläne und Dokumentationen aus verschiedenen Anwendungen. Mitarbeitende erfassen so Informationen wie Bestellhäufigkeiten, Qualität und Bauteilanalysen auf einen Blick und verschwenden keine Zeit mit dem mühevollen Zusammenfügen und Auswerten von verschiedenen Informationen.

Im Schichtbetrieb in der Produktion schaffen Insight Engines Transparenz, indem sie dem Personal 360-Grad-Sichten auf relevante Ereignisse und Veränderungen bereitstellen. Dies ist jederzeit und überall möglich. Besonders in der Automobilbranche ist ein effektiver Wissensaustausch entscheidend für einen reibungslosen Betrieb – sowohl zwischen den Personen der unterschiedlichen Produktionsschichten als auch zwischen verschiedenen Standorten.

Bei der vorausschauenden Wartung oder Predictive Maintenance verknüpfen Insight Engines Echtzeitdaten von Maschinensensoren mit Informationen aus Wartungsprotokollen, Plänen und Erfahrungen von Fachleuten. Aus dieser umfassenden Datenbasis werden Handlungsempfehlungen abgeleitet, die es Ingenieuren ermöglichen, flexibel zu reagieren und starre Wartungsintervalle zu vermeiden. Das verhindert Ausfälle und Stillstände und reduziert zudem Wartungs- und Inspektionskosten von Maschinen.

Zusammenfassung

Zusammenfassend lässt sich festhalten, dass der gezielte Einsatz von KI-Technologien Unternehmen entscheidende Vorteile am Markt sichern kann.

Ein wesentlicher Aspekt dabei ist der verantwortungsvolle Umgang mit internen Daten. Organisationen müssen sicherstellen, dass ihre KI-Systeme sensible und geschäftskritische Informationen Compliance-konform verarbeiten und die Zugriffsrechte gewahrt bleiben. Besonders geeignet ist hierfür die Kombination aus Large Language Model und Insight Engine. Erst durch dieses Power-Duo ist es möglich, LLMs wie GPT optimal und sicher zu nutzen und Routinetätigkeiten intelligent zu automatisieren. Mit KI-generierten 360-Grad-Sichten haben Unternehmen eine gute Ausgangsbasis, die Effizienzsteigerung in nahezu jedem Geschäftsbereich vorantreiben. (na)

Gerald Martinetz, Mindbreeze
(Bild: Mindbreeze)

Gerald Martinetz

Head of Presales bei Mindbreeze

Sie möchten gerne weiterlesen?