INSIGHT: Knowledge Graphs und Large Language Models in der Industrie

Unstrukturierte und strukturierte Datenquellen für Analysen nutzbar machen

Die Menge an verfügbaren Daten steigt kontinuierlich – auch in industriellen Prozessen. Für eine effiziente Nutzung müssen diese Daten aus unterschiedlichsten Quellen und Formaten sinnvoll zusammengeführt werden. Hier kommen Knowledge Graphs (KG) und Large Language Models (LLM) ins Spiel: sie sind ein neuartiger Ansatz zur Informationsextraktion und prädestiniert für Analysen von unstrukturierten und strukturierten Datenquellen.

Semantische KI-Technologien in der Industrie durch Fraunhofer

Im Fraunhofer Konsortialprojekt INSIGHT wird erforscht, wie diese Technologien tatsächlich wirtschaftlich und verantwortungsbewusst in der Industrie eingesetzt werden können. Dafür wird untersucht, wie unstrukturierte und strukturierte Datenquellen der Industrie wie z. B. Berichte, Statistiken und E-Mails für die automatisierte Analyse und Entscheidungsfindung durch Knowledge Graphs und Large Language Models nutzbar gemacht werden können. Im schlagkräftigen Verbund von fünf Fraunhofer-Instituten wird tiefe technologische Methoden-Kompetenz mit fundiertem Domänenwissen kombiniert. Ziel ist, semantische KI-Technologien im industriellen Kontext nicht nur zu entwickeln und anzuwenden, sondern auch zu etablieren.

Beispiel-Use Case »Holistische Logistikstandortplanung« im Detail

Der Use Case »Holistischen Logistikstandortplanung« wird im Bereich Supply Chain Services des Fraunhofer IIS bearbeitet: In der Abteilung Risiko- und Standortanalysen werden externe Standortfaktoren wie z. B. Transportmodalitäten und Demografie identifiziert und auf ihre Auswirkungen und Datenverfügbarkeit hin überprüft. Auf dieser Grundlage werden Klassifizierungs- und Bewertungskriterien definiert, um eine Gesamtbewertung der Logistikstandorte vornehmen zu können.

1. Erarbeitung des Knowledge Graphs

Zunächst erarbeiten wir den KG: Dazu identifizieren wir im ersten Schritt externe Standortfaktoren wie z. B. Transportmodalitäten, Demografie und Energiemix. Diese Faktoren evaluieren wir anschließend hinsichtlich ihrer Auswirkungen auf den Standorterfolg und überprüfen die Verfügbarkeit der entsprechenden Daten. Auf dieser Basis entwickeln wir eine Ontologie, die die Beziehungen zwischen den verschiedenen Standortfaktoren mithilfe von Expertenwissen beschreibt.

2. Automatisierte Extraktion und Integration der Faktoren aus verschiedenen Datenquellen

Wir entwickeln einen ETL-Prozess (Extraktion, Transformation, Laden), um die automatisierte Extraktion und Integration der Standortfaktoren in den KG zu gewährleisten. Anschließend definieren wir Klassifizierungs- und Bewertungskriterien und legen deren Gewichtung fest, um so eine umfassende Gesamtbewertung der potenziellen Logistikstandorte zu ermöglichen.

3. Systemarchitektur und Software-Demonstrator

Diese Elemente bilden die Grundlage für eine Systemarchitektur, die die Auswahl geeigneter Logistikstandorte basierend auf dem KG unterstützt und eine ganzheitliche Betrachtung der Standortfaktoren gewährleistet. Im abschließenden Schritt entwickeln wir einen Software-Demonstrator, der den Anwenderinnen und Anwendern über eine grafische Benutzeroberfläche den Zugang zu diesem Entscheidungsunterstützungssystem ermöglicht. Dadurch stellen wir einen kontextsensitiven Bewertungsprozess bereit, der fundierte Standortentscheidungen unterstützt.