Generative AI in der Antriebstechnik

Technische Dokumentationen, Versuchsdaten und Projektergebnisse wachsen seit Jahren kontinuierlich — gleichzeitig wird es immer schwieriger, relevantes Wissen schnell auffindbar zu machen.

Zwischen Hype und praktischem Nutzen

Generative Künstliche Intelligenz entwickelt sich derzeit mit hoher Dynamik. Sprachmodelle wie GPT ermöglichen beeindruckende Anwendungen – von automatisierter Texterstellung bis hin zu dialogbasierten Assistenzsystemen. Gleichzeitig stellt sich für viele Industrieunternehmen die Frage: Wie lassen sich diese Technologien sinnvoll, sicher und mit echtem Mehrwert in Entwicklungs- und Wissensprozesse integrieren?

Besonders in der Antriebstechnik und im Maschinenbau liegen große Potenziale. Denn Unternehmen verfügen über umfangreiche technische Wissensbestände: Prüfberichte, Projektdokumentationen, Normen, Serviceunterlagen, Versuchsdaten oder Berechnungen. Dieses Wissen ist oft über unterschiedliche Systeme verteilt, schwer auffindbar oder nur einzelnen Experten zugänglich.

Vor diesem Hintergrund hat der Wissenschaftliche Beirat der FVA eine Technologietrendstudie zum Thema „Generative AI“ initiiert. Ziel der Studie ist es, einen Überblick über aktuelle Entwicklungen, industrielle Einsatzmöglichkeiten und technologische Grundlagen zu geben – mit besonderem Fokus auf den Einsatz sogenannter Retrieval-Augmented-Generation-Systeme (RAG).

Warum klassische Sprachmodelle allein nicht ausreichen

Große Sprachmodelle verfügen zwar über beeindruckende Fähigkeiten, stoßen in industriellen Anwendungen jedoch schnell an Grenzen. Sie besitzen kein aktuelles Unternehmenswissen, kennen keine internen Dokumentationen und liefern ohne geeignete Datenbasis teilweise fehlerhafte oder nicht nachvollziehbare Antworten.

Gerade in technischen Umgebungen sind jedoch belastbare Informationen, Quellenbezug und Aktualität entscheidend. Entwicklungs- und Serviceprozesse erfordern nachvollziehbare Aussagen auf Basis freigegebener Dokumente und gültiger Datenstände.

Hier setzt das Konzept der Retrieval-Augmented Generation – kurz RAG – an.

Was ist RAG?

RAG verbindet moderne Sprachmodelle mit einem unternehmenseigenen Wissensspeicher. Statt ausschließlich auf Trainingsdaten des Sprachmodells zuzugreifen, werden bei einer Anfrage gezielt relevante Dokumentinhalte aus internen Datenquellen gesucht und dem Modell als zusätzlicher Kontext bereitgestellt.

Dadurch entstehen deutlich präzisere und nachvollziehbarere Antworten.

Ein typischer Ablauf:

• - Eine Nutzerfrage wird analysiert,
• - relevante Dokumentpassagen werden automatisch identifiziert,
• - die Informationen werden strukturiert an das Sprachmodell übergeben,
• - anschließend erzeugt das System eine Antwort inklusive Quellenbezug.

Damit wird aus einem allgemeinen Sprachmodell ein wissensgestütztes Assistenzsystem für industrielle Anwendungen.

Relevanz für die Antriebstechnik

Gerade in der Antriebstechnik ergeben sich daraus zahlreiche praxisnahe Einsatzmöglichkeiten.

Technischer Support und Service: Servicetechniker können gezielt nach Fehlerbildern, Wartungsabläufen oder Ersatzteilinformationen suchen. Statt lange in Dokumentationen zu recherchieren, liefert das System relevante Informationen direkt mit Verweis auf die jeweilige Quelle.

Engineering Knowledge Management: Wertvolles Erfahrungswissen aus abgeschlossenen Projekten, Prüfständen oder Entwicklungsberichten bleibt dauerhaft nutzbar. Bereits gelöste Probleme können schneller identifiziert und erneut genutzt werden.

Normen und Compliance: RAG-Systeme unterstützen bei der Recherche in Normen, Richtlinien und internen Standards. Entwicklungsingenieure erhalten schneller Zugriff auf relevante Anforderungen und dokumentierte Zusammenhänge.

Produkt- und Dokumentationssuche: Auch umfangreiche Produktportfolios lassen sich effizient durchsuchen. Technische Zusammenhänge zwischen Varianten, Baureihen oder Spezifikationen können deutlich schneller analysiert werden.

Der neue FVA-Leitfaden zum Aufbau eines RAG-Systems

Im Rahmen der Technologietrendstudie wurde zusätzlich ein praxisorientierter Leitfaden zum Aufbau eines RAG-Systems entwickelt.

Der Leitfaden beschreibt unter anderem:

• - die grundlegende Architektur eines RAG-Systems,

• - die Verarbeitung technischer Dokumente,

• - geeignete Chunking- und Retrieval-Strategien,

• - den Einsatz von Embedding-Modellen,

• - Anforderungen an Datenqualität und Governance,

• - sowie konkrete Empfehlungen für industrielle Umgebungen.

Besonderer Fokus liegt auf der Verarbeitung technischer Dokumentationen wie PDFs, Tabellen, Prüfberichte oder Serviceunterlagen. Gerade hier zeigen sich in der Praxis häufig Herausforderungen hinsichtlich Struktur, OCR-Qualität und semantischer Suche.

Der Leitfaden bietet damit einen praxisnahen Einstieg für Unternehmen, die erste Pilotprojekte im Bereich AI-gestütztes Wissensmanagement aufbauen möchten.

THEMIS-AI: KI-gestützter Zugang zum FVA-Wissensarchiv

Die FVA setzt die Potenziale dieser Technologien bereits aktiv ein.

Mit THEMIS-AI steht der FVA-Community ein KI-gestützter Zugang zum Forschungsarchiv zur Verfügung. Der Chatbot ermöglicht eine dialogbasierte Suche in mehr als 1.700 FVA-Abschlussberichten und unterstützt dabei, relevante Informationen deutlich schneller zu finden.

Die Lösung basiert ebenfalls auf modernen RAG-Architekturen:
Nutzerfragen werden automatisch optimiert, relevante Textstellen identifiziert und Antworten mit direktem Quellenbezug erzeugt. Auch komplexe Fragestellungen über mehrere Themenbereiche hinweg lassen sich dadurch effizient bearbeiten.

Zusätzlich ermöglicht die mehrsprachige Ausgabe einen vereinfachten internationalen Wissensaustausch innerhalb der Community.

Mit THEMIS-AI wird sichtbar, wie moderne KI-Technologien die Nutzung von Forschungswissen in der industriellen Gemeinschaftsforschung nachhaltig verändern können.

Generative AI als Werkzeug für industrielles Wissen

Die Technologietrendstudie zeigt deutlich: Generative AI wird insbesondere dort relevant, wo große Mengen technischer Informationen effizient nutzbar gemacht werden müssen.

Dabei ersetzt KI keine Ingenieurkompetenz. Sie unterstützt jedoch dabei,

• - Wissen schneller verfügbar zu machen,

• - Informationen besser zu vernetzen,

• - Suchaufwände zu reduzieren

• - und Entwicklungsprozesse zu beschleunigen.

Für Unternehmen der Antriebstechnik eröffnet sich damit die Chance, bestehendes Wissen deutlich effizienter zu nutzen und langfristig zu sichern.

Die Empfehlung der Studie lautet daher: Mit klar abgegrenzten Pilotanwendungen starten, Erfahrungen sammeln und Lösungen schrittweise skalieren.

Denn gerade im industriellen Wissensmanagement liegt ein erhebliches Potenzial für den produktiven Einsatz Generativer KI.

Ihr Ansprechpartner

Dipl.-Ing. Peter Exner

+49 69 6603-1610

Jetzt Kontakt mit mir aufnehmen