Graphdatenbanken | KI & Datenintegration 360-Grad-Sicht für die virtuelle Produktentwicklung

Anbieter zum Thema

CADFEM Germany GmbH

aPriori Deutschland

Digitale Produktentwicklung wird durch Graphdatenbanken von GNS Systems und Context64AI  revolutioniert. Diese verbinden PLM, CRM, ERP und IoT für präzisere KI, schnellere Tests und bessere Entscheidungen.

Um mehr aus vorhandenen Daten herauszuholen, setzen Unternehmen Künstliche Intelligenz (KI) ein. In der virtuellen Produktentwicklung können Methoden des maschinellen Lernens genutzt werden, um auf der Grundlage von Algorithmen zahlenbasierte Entscheidungen zu treffen. Notwendige Voraussetzung hierfür ist, dass große Mengen an qualitativ hochwertigen Daten vorliegen, um relevante Ergebnisse zu liefern.
 Generative KI ist in der Lage, anhand von Trainingsdaten selbstständig neue Inhalte wie Texte, Bilder und Audiodateien zu erstellen. Im Bereich der virtuellen Produktentwicklung bietet generative KI das Potenzial, neue Objekte zu „erfinden“, die mit menschlichen Fähigkeiten nicht möglich wären. Angewandtes kontextuelles Lernen verfolgt Beziehungen zwischen Daten, selbst wenn diese Datenelemente weit voneinander entfernt sind, sich gegenseitig beeinflussen und voneinander abhängen. Durch die Verknüpfung von Daten aus verschiedenen Quellen stellen Integrationsplattformen sicher, dass KI-Modelle mit den verfügbaren Informationen trainiert werden. Dies verbessert die Genauigkeit der KI und ermöglicht die Entwicklung innovativer Anwendungen, die auf den spezifischen Bedürfnissen basieren.

Mehrwerte aus vernetzten Daten schaffen

Im angewandten kontextuellen Lernen liegt der Schlüssel auf eine 360 Grad Sicht auf die Beziehungen zwischen den Daten. Anstatt Daten in Form von Tabellen und starren Schemata zu speichern und neue Verknüpfungen mit komplexen Operationen (Joins) zu berechnen, werden Daten und ihre Beziehungen in Form eines Graphen gespeichert. Somit können unterschiedliche Quellen dynamisch kombiniert werden - nicht nur historische Daten, sondern auch Echtzeit-Datenströme. Die zugrunde liegende Technologie der Graphdatenbank schöpft das Potenzial vernetzter Daten voll aus, anstatt nur einzelne Datenpunkte zu betrachten.
 Graphdatenbanken integrieren viele heterogene Informationen und stellen diese als Knoten dar, die durch sogenannte Kanten miteinander verbunden sind. Der dargestellte Ansatz von GNS Systems in Kooperation mit Context64AI  ermöglicht es, Netzwerke in ihrer Komplexität abzubilden, Zusammenhänge und Muster aufzudecken und Informationen in einen semantischen Kontext zu stellen. Die intuitive Struktur beschreibt Daten auf nachvollziehbare Weise und liefert den Kontext für generative KI.

Durch die Nutzung semantischer Ähnlichkeiten in den Daten sind die vom LLM generierten Antworten zielgerichteter und gehen präziser auf die ursprüngliche Frage ein. Graphdatenbanken liefern dem LLM spezifischere Informationen, die über den Datenpool hinausgehen, auf dem das LLM ursprünglich trainiert wurde. Insbesondere im Umfeld virtueller Produktentwicklungsprozesse eröffnet der Einsatz kontextueller Graphdatenbanken einen wichtigen Ansatz, um KI-Agenten in technischen Umgebungen in die Lage zu versetzen, Lösungen zu liefern.

Früher erkennen, Kosten vermeiden: KI-gestützte Fehlersuche

Das folgende Beispiel eines Herstellers für Haushaltsgeräte wie Kühlschränke, Waschmaschinen und Geschirrspüler zeigt, wie aus der Analyse einer vernetzten Datengrundlage mithilfe eines industriellen Wissensgraphen kontextbezogene Inhalte entstehen. Neben den klassischen, funktionalen Haushaltsgeräten entwickelt sich der Bereich der weißen Ware stetig weiter. Ob Steuerung der Funktionen per App, die Benachrichtigung auf dem Smartphone über abgeschlossene Programme oder die Überwachung der Innenraum-Temperatur – smarte Features in Haushaltsgeräten sind gefragter denn je. Mit der Anzahl an Funktionen steigt jedoch die Komplexität in der Entwicklung.

Simulation

KI in der Produktentwicklung: Werden Mensch und KI zur Konkurrenz?

Um hohe Kosten in (Fehl-)Produktion und Wartung zu vermeiden, verfolgen Hersteller das Ziel, Fehlerquellen in der Funktionalität der Smart Home Geräte früh aufzudecken. Der Hersteller hat daher sein Testverfahren mithilfe von KI und Graph Datenbanken vollständig automatisiert. Die Ingenieure können nun mehrere neue Testfälle im RPA-Framework innerhalb von wenigen Minuten anstatt mehrtägiger Aufbereitung generieren. Ein durchgeführter Proof of Concept durch GNS Systems bestätigte dieses Ergebnis. 

Datenbrücken: PLM, CRM, ERP und IoT vereint

Spezielle Datenintegrationsplattformen helfen dabei, die notwendige Verbindung zwischen internen Datenquellen aus PLM, CRM, ERP und IOT-Geräten und externen Datenquellen aus beispielsweise Kundenbewertungsportalen und Testberichten herzustellen. Eingesetzte Graphdatenbanken sind für Benutzer visuell intuitiv zu bedienen. Das Knoten-Kanten-Modell ermöglicht es, externe und interne Datenbeziehungen abzufragen sowie kausale Zusammenhänge entlang der Verbindung nachzuvollziehen und aufzudecken. Dies hilft, bisher verborgene Muster zu erkennen und neue Erkenntnisse hinsichtlich fehlerhafter Funktionalitäten bei den Haushaltsgeräten zu erhalten.

In Verbindung mit KI-Technologien bietet der von GNS Systems entwickelte Ansatz die notwendige Grundlage für ein klares Verständnis der Argumentationslogik innerhalb von KI-Pipelines. Mit GraphRAG erweiterte LLM-Modelle können effizient Muster aufdecken, Trends vorhersagen und Antworten zu Datenquellen und Beziehungen liefern. Die Graphdaten versorgen generative KI mit dem notwendigen Kontext aus semantischen Ähnlichkeiten in den Daten, um Antworten auf die ursprüngliche Fragestellung zur Funktionalität der Smart Home Geräte zu geben. Die ausgegebene Antwort gibt detaillierte Hinweise, an welcher Stelle bestimmte Spezifikationen im Modell Fehler verursachen und liefert bei Bedarf einen Vorschlag in Form von Code, diesen direkt im Testfall zu verbessern.

In der virtuellen Produktentwicklung können Methoden des maschinellen Lernens genutzt werden, um auf der Grundlage von Algorithmen zahlenbasierte Entscheidungen zu treffen.

Effiziente datengenerierte Produktentwicklung mit GNS Systems

Der vorgestellte Lösungsansatz von GNS Systems ermöglicht schnell und wiederholt auf komplexes, mehrdimensionales Wissen zuzugreifen und es effizienter für die datengenerierte Produktentwicklung zu nutzen. Daten in Graphdatenbanken können jederzeit navigiert werden: Sie können korrigiert, ergänzt und aktualisiert werden und bleiben dabei jederzeit nachvollziehbar. Die Möglichkeit, verschiedene Datenquellen zu integrieren, bietet Unternehmen entscheidende Wettbewerbsvorteile und die Chance, Prozesse zu optimieren, Produktentwicklungszeiten zu verkürzen und Entscheidungsprozesse zu verbessern. Wer eine solche Lösung von GNS Systems implementiert, positioniert sich optimal für künftige Herausforderungen und optimiert seine Geschäftsstrategien nachhaltig.

Dipl. Ing. Christopher Woll ist Geschäftsführer der GNS Systems GmbH.