Ganzheitliche wissensbasierte Unternehmenssteuerung – GenAI und Digital Twins

Es ist allgemein bekannt, dass die Entwicklung und Anwendung von KI-Methoden ein entscheidender Faktor für die Innovation in der Zukunft sein wird. In industriellen Umfeldern wird es jedoch entscheidend sein, KI-Bereitschaft zu entwickeln, bevor KI-Methoden angewendet werden. Dies bezieht sich auf die Tatsache, dass unternehmensinterne heterogene Daten, die in verschiedenen Repositories innerhalb und über Geschäftsprozesse hinweg gespeichert und gepflegt werden, nicht bereit sind, genutzt zu werden. GenAI-Technologien, die auf Unternehmensdaten angewendet werden, um Erkenntnisse zu gewinnen, scheitern in vielen Fällen aufgrund von KI-Halluzinationen. GenAI liefert immer eine Antwort, aber das Ergebnis ist möglicherweise nicht geeignet. Um nützliche Ergebnisse zu erzielen, müssen Unternehmensdaten in Geschäftswissen umgewandelt werden. Dies ist eine Voraussetzung für die Entwicklung alternativer Handlungsstränge, die unbedingt mit Kompetenz und klugen Entscheidungen verbunden sind, die zu dem dringend benötigten Wettbewerbsvorteil eines Unternehmens führen. Diese Idee wird sehr gut durch das Konzept der „Wissenstreppe“ erfasst, das von Klaus North entwickelt und von Udo Jauernig und Conweaver erweitert wurde.  Ganzheitliche wissensbasierte Unternehmenssteuerung ist die Schnittstelle zwischen Business Pull (strategisches Wissensmanagement) und Technology Push (operatives Wissensmanagement).

‍

Datendemokratisierung & Innovationsgeschwindigkeit

In den letzten Jahren ist es besonders interessant zu beobachtendass IT-Organisationen nicht schnell genug sind, um die Bedürfnisse ihrer internen Geschäftskunden zu erfüllen. Lange Bearbeitungswarteschlangen führen dazu, dass sich (interne) Geschäftskunden anstellen, viele am Ende der Schlange, was zu langen Wartezeiten für die Erfüllung ihrer Bedürfnisse führt. Dies ist einer der Gründe, warum Datendemokratisierung wichtig ist. Ein weiterer Grund liegt darin, dass Geschäftswissen den maßgeschneiderten Charakter der Geschäftsprozesse selbst widerspiegelt. Spezielles Fachwissen ist an Wissensdomänen gebunden, die erforderlich sind, um die Prozesse ordnungsgemäß auszuführen. Und solche Wissensdomänen sind im Unternehmen verteilt: zum Beispiel in den Bereichen Ingenieurwesen, Produktionsingenieurwesen, Produktion, Supply Chain, Vertrieb, Einkauf usw. und sogar in Unterkategorienn solcher Fachgebiete. Da Software eine wesentliche Rolle spielt, werden Ingenieure zu Software-Experten. Diese Umstände erfordern, dass Kunden föderierte Wissensmanagement-Architekturen folgen, bei denen Domänenwissen mithilfe von domänenspezifischen Ontologien erfasst wird – ein wichtiges Mittel zur Standardisierung und damit Automatisierung von Prozessen. Auf Basis wiederverwendbarer föderierter Wissensstrukturen und Self-Services können IT-affine Ingenieure wissensbasierte Anwendungen entwerfen, ohne wiederholte Datenmodellierung und -transformationen vornehmen zu müssen, und somit die Kundennachfrage schnell erfüllen.

Graph Mesh

Eine föderierte Wissensarchitektur lässt sich am besten durch Domänen-spezifischen Knowledge Graphen darstellen, die aus den Daten in den Autorensystemen in Bezug auf die Modellierung der Domänenontologie berechnet werden. Mit anderen Worten, es gibt nicht nur einen einzigen Unternehmens-Knowledge Graph, der das Wissen eines Unternehmens abdeckt, sondern eine Reihe von Knowledge Graphen, die sich aus lokalen Anforderungen entwickeln. Um die kombinierte Nutzung der  Domänen-spezifischen  Knowledge Graphen auf Unternehmensebene zu gewährleisten, müssen die lokalen Knowledge Graphen miteinander verknüpft werden, um einen kontinuierlichen digitalen Faden bereitzustellen. Die daraus resultierende Struktur wird als Graph Mesh bezeichnet. Basierend auf der Conweaver Linksphere-Plattform wird dies in der unten dargestellten Architektur veranschaulicht.

‍

‍

Das Graph Mesh bietet standardisierte APIs, sodass der Zugriff auf den Graphen für Business Intelligence, fortgeschrittene Analysen, Extended Reality Digital Twins und GenAI problemlos möglich ist. Alle diese Anwendungen können von den geschäftlichen Kontexten profitieren, die vom Graph Mesh bereitgestellt werden.

Graph Mesh, GenAI, und Digital Twins

Wie zu Beginn erläutert, sind Unternehmens-Knowledge Graphen Enabler für GenAI, weil sie verhindern, dass GenAI Halluzinationen erzeugt. Warum? Weil GenAI nicht die „rohen“ Daten in den Autorensystemen lernen muss, sondern in der Lage sein muss, den Graph Mesh abzufragen, der das Unternehmenswissen repräsentiert. Dies erleichtert es den Geschäftsanwendern, das Unternehmenswissen über natürliche Sprachschnittstellen abzufragen. Es überwindet sogar die Einschränkungen von GUIs, die an die Bereitstellung von spezifischen Informationszugriffsstrategien für bestimmte Anwendungsfälle gebunden sind. Wenn man GenAI nutzt, um den Graph Mesh abzufragen, ist es möglich, auf die folgende Anfrage sinnvolle Antworten zu erhalten. Es wäre ziemlich mühsam, die Ergebnisse mit einer Google-ähnlichen graphenbasierten Suchmaschine zu erhalten.

‍

Digital Twins wie „as designed“, „as produced“, „as maintained“ usw. treten im gesamten Produktlebenszyklus auf. Eine wichtige Voraussetzung für das Vorhandensein von Digital Twins ist, dass der Geschäftskontext in Form von verbundenen Daten als Input erforderlich ist. Und dieser Kontext wird auch vom Graph Mesh bereitgestellt. Mit anderen Worten, sobald eine Graph Mesh-Architektur vorhanden ist, kann der Kontext für jede Art von Digital Twin daraus abgeleitet werden (je nach Abdeckung des Graph Mesh) – einmal bauen, mehrfach nutzen.