Inhaltsverzeichnis
1. Inkonsistenzen im Produktlebenszyklus
2. Auf dem Weg zum echten PLM
3. Relevante Ergebnisse
4. ChatGPT & Co. bieten weitere Chancen
5. Einsatz bei Airbus und NASA
Data Warehousing funktioniert nicht bei unstrukturierten Daten. Um Daten aus verschiedenen Silos an einem Ort zu konsolidieren und den digitalen Faden zu spinnen, braucht man deshalb Softwarelösungen für die intelligente Unternehmenssuche.
Im Lebenszyklus eines Produkts verwendet jedes beteiligte Team unterschiedliche Prozesse und Werkzeuge. Der Vertrieb legt Spezifikationen für ein neues Produkt fest und speichert sie in seiner Projekt- oder Vertriebsmanagementsoftware. Die Konstruktion verwaltet Teile, Stücklisten und Zeichnungen, dazu das Änderungsmanagement seine in PLM- und CAD-Tools. Nach Fertigstellung und Freigabe werden die Produktdaten erneut übertragen, diesmal an das ERP-System, bei komplexeren Produkten u.U. in ein Manufacturing Execution System (MES). Nach Auslieferung an den Kunden übernehmen schließlich Wartungs-, Reparatur- und Betriebsteams (MRO) die Verwaltung der Projektdaten in den von ihnen verwendeten Tools.
Inkonsistenzen im Produktlebenszyklus
Vier isolierte Projektmanagement-Tools also für jeweils einzelne Geschäftsaufgaben. Und es gibt keine Garantie, dass diese effektiv kommunizieren, weil die Informationen in ihnen unstrukturiert und nur vom jeweiligen Tool aus überhaupt einsehbar sind. Die Lücken zwischen diesen verhindern, dass der digitale Faden vollständig und zusammenhängend ist.
Unterschiedliche Teilenummern für ein und dasselbe Teil und geografisch verstreute Teams, die Informationen in ihren Muttersprachen aufzeichnen, sind weitere Inkonsistenzen im Produktlebenszyklus.
TUM baut KI-Experimentierraum für automatische Wissensgenerierung
Die Herausforderung liegt also darin, Silos miteinander zu verbinden, die in ihnen verwalteten Informationen für alle sichtbar zu machen und so den digitalen Faden zu spinnen. Einst galt Data Warehousing als Mittel dafür. Hierbei werden Daten an einem Ort, dem Data Lake, konsolidiert, um den Zugriff zu erleichtern. Bei strukturierten Daten (relationale Datenbanken, Tabellenkalkulationen) funktioniert dies leidlich, weniger aber bei unstrukturierten, also Bildern, Diagrammen, Inhalten von Web-Chats und E-Mails, Kommentaren auf dem Kundenauftrag etc.
Auf dem Weg zum echten PLM
Der weitaus größere Teil geschäftlicher Informationen (nach IDC-Schätzungen rund 80 – 90 %) liegt jedoch in unstrukturierter Form vor; als Office- oder PDF-Dokument, Webseite, E-Mail oder in Form von Bildern und Videos. Je unstrukturierter die Daten, desto höher die Anforderungen an die zugrundeliegenden Algorithmen zu deren Auswertung.
Hier kommen Softwarelösungen für die intelligente Unternehmenssuche ins Spiel, die alle Datenquellen im Unternehmen verbinden, strukturierte wie unstrukturierte – auch CAD-Programme, deren Inhalte oft proprietär und nicht quelloffen sind. Je mehr solcher vorgefertigter Konnektoren eine Such-Software mitbringt, desto breiter ihr Einsatzgebiet. Bei der Plattform des Herstellers Sinequa etwa sind es rund 200 Out-of-the-Box-Konnektoren, darunter zu den Tools der vdR Group sowie denen anderer US-amerikanischer Anbieter von Datenmanagement- und PLM-Lösungen für die Fertigungsindustrie.
Relevante Ergebnisse
Enterprise-Search-Plattformen indizieren die Inhalte der angeschlossenen Datenquellen, erstellen daraus eine Kerndatenbank und führen die Suchergebnisse in einer einheitlichen Ansicht zusammen. Durch KI-Funktionalitäten wie die Verarbeitung natürlicher Sprache (Natural Language Processing = NLP) und Algorithmen für maschinelles Lernen erkennen Enterprise-Search-Engines auch den Kontext des gesuchten Begriffs. Relevante Informationen können damit auch solche sein, in denen der gesuchte Begriff gar nicht vorkommt.
ChatGPT & Co. bieten weitere Chancen
Durch das Aufkommen von großen Sprachmodellen (Large Language Models = LLMs) öffnet sich derzeit die Tür für die Vektorsuche, bei der Informationen auf der Grundlage ihrer Bedeutung abgerufen werden. Leistungsfähige Enterprise-Search-Engines integrieren die semantische Vektorsuche mit einer statistischen Schlüsselwortsuche, um die beste Relevanz zu erzielen. Sucht zum Beispiel ein Servicetechniker nach Informationen zur Teilenummer 808, gibt er diese in das Suchfeld ein und erhält Treffer, die nicht nur die Teilenummer als solches enthalten, sondern auf die Rolle des Suchenden und frühere Suchergebnisse zugeschnitten sind – ein „Google für Unternehmen“.
- Gibt man als Frage ein „Wie installiert man Teil 808 im Feld?“, würde die Enterprise-Search-Engine Informationen wie Zugangscodes für die Wartung, Benutzerdokumente, Statistiken usw. ausgeben, häufige Fehlersuchverfahren oder Installationsprozesse, die dem Suchbegriff entsprechen.
- In der Produktentwicklung hingegen könnte derselbe Suchbegriff Konstruktionsdaten ermitteln, die besser zur Rolle der fragenden Person und zur Auswahl aus deren früheren Suchanfragen passen.
Das Ergebnis ist ein vollständiger, zusammenhängender und durchsuchbarer digitaler Faden. Produktdaten zu jedem Prozessschritt sind für alle Beteiligten sofort im Zugriff.
Einsatz bei Airbus und NASA
Mit einer Enterprise-Search-Lösung lassen sich die Qualitätskosten um bis zu ein Viertel senken, so das Ergebnis einer nicht repräsentativen Kundenumfrage von Sinequa. Interviewt wurden dafür Anwender:innen bei Airbus und der NASA. Bei Airbus lassen sich Mitarbeiter:innen und Kund:innen über ein Self-Service-Portal Spezifikationen, Handbücher, User-Feedback u.v.m. anzeigen, was zu einer nachgewiesenen Reduzierung der Ausfallzeiten von Produkten und Equipment geführt hat. Und die Ingenieur:innen des Marshall Space Flight Center der NASA spüren damit Informationen über Missionen, Teile und Logistik auf, die über sechs Jahrzehnte hinweg in isolierten Tools wie SharePoint, PTC Windchill, CAD-Dateien und anderen Dokumenten gesammelt wurden. (co)
Mehr zu den Suchmöglichkeiten von Sinequa
