Jeden Tag entstehen in Unternehmen wertvolle Informationen – sei es bei Serviceeinsätzen, Kundenanfragen oder der Inbetriebnahme von Maschinen. Doch häufig sind diese auf verschiedene Systeme verteilt und damit nur schwer auffindbar. Ein Sondermaschinenbauer wollte diese Herausforderung gemeinsam mit dem Mittelstand-Digital Zentrum Augsburg lösen. Herausgekommen ist ein Ansatz, bei dem Künstliche Intelligenz hilft, vorhandenes Unternehmenswissen einfacher zugänglich zu machen.
Wissen über verschiedene Systeme verteilt
Die Dorst Technologies GmbH mit Sitz in Kochel am See produziert Maschinen und Anlagen zur Herstellung und Formgebung von Sintermetallen, Hartmetallen und keramischen Pulvern. Im Unternehmen ist umfangreiches Wissen vorhanden und wird täglich erweitert – durch Servicemeldungen, technische Dokumentationen sowie Erfahrungswerte aus dem Kundenservice.
Diese Informationen sind jedoch über zahlreiche isolierte Systeme und Abteilungen verteilt unter anderem im ERP-System, dem firmeninternen Wiki, E-Mail-Postfächern sowie verschiedenen Dateiablagen und Archivsystemen. Teilweise liegen Informationen mehrfach vor und gleichzeitig sind dazugehörige Dokumente maschinell nicht auslesbar. Zudem ist der manuelle Aufwand der Datenpflege im internen Wiki für die Mitarbeitenden sehr hoch, die Informationen werden nicht immer einheitlich oder vollständig dokumentiert und die Zuständigkeiten sind unklar.
All das erschwert die tägliche Arbeit, denn will ein Servicemitarbeitender beispielsweise herausfinden, ob eine bestimmte Fehlermeldung bereits bekannt ist, müssen zeitaufwändig oft mehrere Systeme durchsucht werden und bei unvollständiger Dokumentation ist wertvolles Erfahrungswissen nur eingeschränkt nutzbar.
Analyse der bestehenden Prozesse
Um das Wissen künftig zu sichern und ein einheitliches Vorgehen zu etablieren, wollte der Sondermaschinenbauer Künstliche Intelligenz nutzen. Herbert Gröbl, Leiter der IT, wurde hier durch das Projektteam des Mittelstand-Digital Zentrums Augsburg rund um Florian Spiegel, Markus Ludsteck und Justine Forest von der Technischen Universität München unterstützt.
„Unsere Erwartungshaltung war, ein Konzept zu bekommen, wie wir mit KI-Unterstützung unsere Daten – die in allen möglichen Plattformen gespeichert sind – wie wir das zusammenführen können und für unsere Mitarbeiterinnen und Mitarbeiter ein System bauen können, das leicht zu bedienen ist und vor allen Dingen das versteckte Wissen in diesen verschiedenen Plattformen tatsächlich hebt.“
Herbert Gröbl, Leiter IT, Dorst Technologies
Zu Beginn des Vorhabens wurden die bestehenden Prozesse durch Interviews mit den Mitarbeitenden aus Service, Technik, Konstruktion und IT untersucht. Der aktuelle Umgang mit Wissen im Unternehmen konnte so analysiert und konkrete Bedarfe für ein zukünftiges Wissensmanagement identifiziert werden.
Die Auswertung hat gezeigt, dass weniger fehlendes Wissen als vielmehr dessen Verfügbarkeit aufgrund der unterschiedlichen Formate und Systeme die zentrale Herausforderung darstellt. Gleichzeitig hat sich das ERP-System als die vollständigste und am konsequentesten gepflegte Wissensquelle des Unternehmens erwiesen. Daher wurde entschieden, dort den Ausgangspunkt für eine zukünftige Lösung zu setzen.
Wissensmanagement
Wissensmanagement fasst alle strategischen und operativen Tätigkeiten sowie Managementaufgaben zusammen, um die strukturierte Erfassung, Speicherung und Bereitstellung von Wissen innerhalb eines Unternehmens zu gewährleisten. Ziel ist es, Erfahrungswerte, Dokumentationen und Fachwissen dauerhaft zugänglich zu machen, damit Informationen nicht nur einzelnen Mitarbeitenden zur Verfügung stehen, sondern im gesamten Unternehmen genutzt werden können.
KI-gestützte Wissenssuche mit Retrieval Augmented Generation
Mit dieser Analyse hat das Projektteam ein Konzept für eine zentrale Wissensplattform entwickelt. Mitarbeitende sollen künftig über eine einheitliche Oberfläche auf relevantes Wissen zugreifen können – unabhängig davon, wo die Informationen ursprünglich gespeichert wurden.
Die Bedienung ist dabei als Chatbot vorgesehen, der sowohl am Arbeitsplatz als auch mobil genutzt werden kann. Meldet beispielsweise eine Maschine einen bestimmten Fehlercode, soll das System automatisch ähnliche Fälle, bereits dokumentierte Lösungswege und relevante Unterlagen anzeigen.
Für die technische Umsetzung wurde Retrieval Augmented Generation als sinnvollste Lösung identifiziert, wobei die KI relevante Unternehmensdaten durchsucht und diese Informationen anschließend für die Antwortgenerierung nutzt. Dabei dient das ERP-System als primäre Quelle, aber auch das Wiki, technische Dokumentationen oder PDF-Dateien können als sekundäre Quellen in die Suche einbezogen werden.
Retrieval Augmented Generation (RAG)
Retrieval Augmented Generation (dt.: Abfrage-erweiterte Generierung) ist eine Hybrid-Architektur, die die sprachliche Kompetenz eines Großen Sprachmodells (Large Language Model, kurz LLM) mit dem fachlichen Tiefenwissen einer externen Datenbank kombiniert. Statt ein KI-Modell aufwendig neu zu trainieren, greift RAG gezielt auf bestehende Dokumente zu, sodass Antworten auf Basis aktueller und unternehmensinterner Informationen generiert werden können.
Zunächst werden relevante Informationen aus unterschiedlichen Systemen aufbereitet und in einer sogenannten Vektordatenbank gespeichert. Im Gegensatz zur rein schlagwortbasierten Suche ermöglicht die Vektorsuche, Informationen anhand ihrer semantischen Ähnlichkeit zu finden. Dadurch können Zusammenhänge zwischen Dokumenten erkannt werden, selbst wenn unterschiedliche Begriffe verwendet werden. Hierfür werden Texte in Vektoren (Embeddings) umgewandelt. Das sind lange Zahlenreihen, die die Bedeutung eines Wortes oder Satzes in einem mathematischen Raum repräsentieren.
Stellt ein Mitarbeitender eine Frage, wird auch diese Frage in einen Vektor umgewandelt und das System durchsucht die Vektordatenbank nach inhaltlich ähnlichen Informationen. Die gefundenen Informationen werden anschließend zusammen mit der ursprünglichen Frage an das Sprachmodell übergeben. Auf dieser Grundlage formuliert das Modell eine Antwort. Ergänzend können klassische Suchmechanismen und strukturierte Filter, beispielsweise nach Maschinentyp, Dokumentenart oder Erstellungsdatum, genutzt werden. So verringert dieser Ansatz das Risiko fehlerhafter oder frei erfundener Antworten.
Grundlage für zukunftsfähiges Wissensmanagement
Der konkrete Fahrplan für die spätere Einführung sieht vor, zunächst durch kurzfristige Maßnahmen den Umgang mit dem bestehenden Wiki zu erleichtern. Dazu zählen unter anderem verbesserte Vorlagen, Dropdown-Listen, Pflichtfelder sowie klarere Regeln für die Dokumentation. Außerdem sollen Mitarbeitende feste Zeitfenster für die Wissenspflege erhalten.
Im nächsten Schritt steht die Aufbereitung der Daten, das Aufsetzen der Vektordatenbank sowie die Entwicklung eines ersten Prototyps im Fokus. Anschließend können die technische Integration in die bestehende IT-Landschaft und die Anbindung des ERP-Systems erfolgen. Langfristig ist vorgesehen, die Lösung um mobile Anwendungen, weitere Wissensquellen und zusätzliche Funktionen auszubauen.
„Für die Firma Dorst bedeutet das, dass man mit einem initialen relativ hohen Aufwand ein langfristig sehr stabiles Modell aufbauen kann, das auch stetig erweitert werden kann und sich so an den täglichen Bedarf und an wechselnde Anforderungen anpassen lässt.“
Florian Spiegel, Wissenschaftlicher Mitarbeiter im Mittelstand-Digital Zentrum Augsburg
Das Unternehmen hat nun ein praxisnahes Konzept, das vorhandenes Expertenwissen stärker vernetzen und Suchaufwände reduzieren kann. Gleichzeitig wurde deutlich, dass eine erfolgreiche KI-Lösung vor allem auf einer guten Datenbasis und klaren Prozessen aufbaut. Vor allem für kleine und mittlere Unternehmen ist dies entscheidend, denn mit einem KI-gestützten Wissensmanagement können Mitarbeitende entlastet werden.
Video zum Projekt