GenAI im Geschäftsumfeld

Business Content, Geschäftsfähigkeiten und Prozesse

Der eigentliche Grund, warum Volltextsuchmaschinen im Unternehmenskontext nur begrenzt nützlich sind, liegt darin, dass sie lediglich Textdokumente indizieren. Was sie nicht berücksichtigen: das eigentliche Wissen des Unternehmens basiert auf den Geschäftsobjekten, die in den verschiedenen Geschäftsfähigkeiten und deren Prozessen erstellt und gepflegt werden.

Jedes Unternehmen verfügt über Geschäftsfähigkeiten wie Vertrieb, Engineering, Fertigung und so weiter. Jedes Unternehmen erstellt und pflegt seine eigenen, individuellen Kerngeschäftsobjekte. Der "Kunde" ist das Kernobjekt der Vertriebsprozesse, das "Produkt" oder "System" das Kernobjekt des Produktlebenszyklus, in der Fertigung wiederum sind "Produktionsanlagen" und die "hergestellten Produkte" die Kernobjekte.

Diese Kernobjekte verändern sich im Laufe der Zeit. Etwa im Fall der Fertigung, indem zusätzliche Daten erfasst werden, die mit Geschäftsaktivitäten wie Anforderungserstellung, Modellierung, Simulation, Sensordatenanalyse etc. zusammenhängen. So schaffen sie in verschiedenen Phasen des Systemlebenszyklus einen Mehrwert, ergänzen sich gegenseitig und ändern im Laufe der Zeit ihren Zustand. Um diese Veränderungen zu verfolgen, ist es entscheidend, jederzeit digitale Zwillinge zu erzeugen. Digitale Zwillinge können als Abstraktionen technischer Artefakte betrachtet werden, die zu jedem Zeitpunkt des Systemlebenszyklus erstellt werden.

‍

‍

‍

‍

Die Struktur von Geschäftsdaten auf hohem Digitalisierungsniveau

Die Erstellung und Pflege von geschäftlichen Kernobjekten erfolgt typischerweise im Rahmen von Autorenprozessen in dedizierten Autorensystemen wie ERP, CRM, PDM, MES, SCM, CAE, PLM und vielen anderen Systemkategorien. Solche Systeme enthalten in der Regel strukturierte Daten, z.B. in Form von Datenbankeinträgen oder objektorientierte Strukturen.

Darüber hinaus gibt es Data Lakes oder Lake Houses als Speichercontainer für große Mengen unstrukturierter Daten wie Felddaten. Die Tatsache, dass verschiedene Branchen strukturierte Datensysteme entwickelt haben, spiegelt einen bereits hohen Grad der funktionalen Digitalisierung wider. Wir würden argumentieren, dass Branchen, die keine derartig strukturierten, datengetriebenen Prozesse haben, unterentwickelt sind.

Beispielsweise stützte sich die Bauindustrie vor zehn oder mehr Jahren stark auf in Dateisystemen gespeicherte Dokumente. Heute sind Building Information Management (BIM) und verwandte Autorensysteme ein etablierter Standard. In diesen "strukturierten Umgebungen" besteht das Haupthindernis in der Silostruktur der funktionalen Autorensysteme. Den übergreifenden Geschäftsprozessen fehlt der geschäftliche Kontext, da die Daten zwischen den funktionalen Autorensystemen und ihren Prozessen nicht verbunden sind.

Hier kommt die Graphen-Technologie ins Spiel, die einen nativen Weg zur Darstellung von Abhängigkeiten zwischen Geschäftsobjekten bietet. Durch die automatische Verknüpfung von Daten über funktionale Autorensysteme hinweg kann der Geschäftskontext auf elegante und kostengünstige Weise während des gesamten Produktlebenszyklus bereitgestellt werden. Kombiniert mit einer High-End-Suchtechnologie ermöglicht sie die bedarfsgerechte Abfrage und kohärente Darstellung von Daten, die über mehrere Datensysteme und Prozesse verteilt sind.

Zum Beispiel können Ingenieure jetzt während der Produktentwicklung über die prognostizierten Kosten der nächsten Jahre informiert werden. Online kann auf Einkaufsdaten zugegriffen werden, um bereits in den frühen Entwicklungsphasen genaue Produktkalkulationen zu erstellen. Es ist auch möglich, während der Entwicklung festzustellen, welche Anlage das Artefakt herstellen kann und wer der günstigste Lieferant in der Region sein könnte. In ähnlicher Weise können verknüpfte Produktdaten eine Voraussetzung für genaue Absatzprognosen sein.

Diese Beispiele erfordern die Datenverbindung zwischen Geschäftsfähigkeiten und -prozessen. Im ersten und letzten Beispiel müssen Entwicklungs- mit Einkaufsdaten verbunden und im zweiten Beispiel Entwicklungsdaten sowohl mit den Fertigungs- als auch mit den Lieferkettendaten verknüpft werden. In den meisten Unternehmen, die wir kennengelernt haben, bleibt ein solcher prozessübergreifender Datenzugriff ein ferner Traum, da es den Unternehmen immer noch an einem prozessübergreifenden Geschäftskontext als oberste Ebene des Datenmanagements über die "Darstellung von Unternehmenswissen" fehlt. Diese Beispiele zeigen auch, dass CONWEAVER als Softwareanbieter die Notwendigkeit versteht, die Interaktionen der Geschäftsprozesse unserer Kunden tiefgreifend zu durchdringen, um einen nachhaltigen Wert zu schaffen.

‍

‍

Business Knowledge Graphen und das industrielle Metaversum

Unsere Erfahrungen und die Zusammenarbeit mit Industriekunden legen nahe, dass Prozesse idealerweise durch lokal verteilte, hochskalierte Business Knowledge Graphen verbunden werden.

Eine kritische Anforderung ist jedoch, dass diese lokalen Graphen so miteinander verbunden sein müssen, dass ein sogenannter digitaler Faden (digital thread) sie derart verbinden kann, als wären sie ein einziger Graph. Föderierte Graphen, wie wir sie nennen, entsprechen dem Wunsch der funktionalen Business Owner nach Dateneigentum und Datendemokratisierung. Sie sind unserer Meinung nach aber auch eine zwingende Voraussetzung für die Etablierung des „Industrial Metaverse“, wie es der Siemens-CEO Roland Busch auf der letzten Konferenz in Las Vegas propagierte. Dazu braucht es aber mehr Technologie als nur den verbindenden Datenanteil, den wir mit unserer Business Knowledge Graph-Technologie bereitstellen können.

‍

Es geht also um die Ableitung digitaler Zwillinge und ihre Bewertung auf der Grundlage von Felddaten und anderen Daten wie Produktionsdaten unter Verwendung von Techniken des maschinellen Lernens. Es geht um Immersivität, um dreidimensionale haptische Benutzererfahrung sowie um GenAI, die das Fachwissen, die Kreativität und das Wissen von Ingenieuren während des Entwurfsprozesses unterstützen sollen. Aber auch um eine drastische Ausweitung der Nutzeranzahl von wertvollem Business Content zur Unterstützung des gesamten Produktlebenszyklus.

‍

GenAI und Unternehmenswissen

Ähnlich wie Google Search begann GenAI mit großen, öffentlich zugänglichen Textdatenbanken. Das Herzstück von GenAI sind Large Language Models (LLMs), die als Kerntechnologie intelligenter Chatbots wie ChatGPT (bereitgestellt von OpenAI) verwendet werden können. Sie haben gezeigt, wie LLMs verwendet werden, um automatisch Zusammenfassungen zu erstellen, Programmcode vorzuschlagen, Musik und Videos zu generieren, Übersetzungen bereitzustellen und andere Anwendungen zu unterstützen.

Neben Open AI gibt es noch andere Anbieter von LLMs, darunter Facebook mit LLaMA, der deutsche Anbieter Aleph Alpha mit Luminous und der französische Anbieter Mistral mit 7B LLM. LLMs sind in der Regel darauf trainiert, natürliche Sprache zu verstehen, was sie sehr wertvoll macht. Aber – hier kommt das „Aber“ – wie oben bereits erwähnt, wird Business Content in der Regel nicht durch unstrukturierte Textdaten repräsentiert, sondern ist eher in verteilten Datensystemen über Prozesse und manchmal sogar über Organisationsgrenzen hinweg gespeichert. Diese Datensysteme haben ihre eigenen Abfragesprachen, und dann gibt es noch das Silo-Problem, das zu Datenunterbrechungen führt.

Bisher ist GenAI auf die Arbeit mit Textdaten beschränkt, wenn man die Geschäftsprozesse auf Basis der Geschäftsfähigkeiten unterstützen möchte. Daher ist es sehr sinnvoll, zwei Dinge zusammenzubringen, die sich gut ergänzen – das Unternehmenswissen (repräsentiert durch zusammengesetzte Graphen) sowie algorithmische KI (repräsentiert durch GenAI und LLMs). Der Hauptvorteil besteht darin, dass GenAI mit großen, zuverlässigen, vernetzten Wissensbasen arbeiten kann, die die Kernaufgaben des Unternehmens repräsentieren, wodurch das Problem der KI-Halluzination vermieden wird. Wir sind dabei, Projekte umzusetzen, die die beiden Technologieansätze kombinieren, um den Kunden einen echten Geschäftswert zu liefern.

Nachfolgend ein Beispiel dafür, wie ein solcher Ansatz funktionieren könnte. Man könnte eine komplexe Abfrage formulieren, wie z. B.: „Gibt es Testfälle, die nicht abgebrochen wurden, im Zusammenhang mit Anforderungen, die im ThunderStrike-Projekt abgebrochen wurden?“ Bei Verwendung einer Google-ähnlichen Suchoberfläche zur Abfrage eines auf Linksphere (die Low Code Large Graph Plattform von CONWEAVER) basierenden technischen Wissensgraphen wäre ein komplexer Suchvorgang erforderlich, um zu der unten gezeigten Ergebnismenge zu gelangen - falls man überhaupt soweit kommt. Durch die Kombination von ChatGPT mit dem Linksphere-Diagramm kann der Benutzer seine eigene natürliche Sprache verwenden, um die Abfrage zu formulieren. Das LLM wiederum weiß, wie es die zuverlässige Wissensdatenbank abfragen und das Ergebnis ohne Halluzinationen zurückgeben kann. Im Allgemeinen besteht ein großer Vorteil darin, dass GenAI im Gegensatz zu grafischen Benutzeroberflächen für die Abfrage einen sehr flexiblen Zugriff auf die benötigten Daten ermöglicht.

‍

‍

Unsere Schlussfolgerung aus der oben dargestellten Diskussion: Für Ingenieure, die Produkte entwerfen müssen, wird der Übergang vom heutigen suchorientierten Informationszugriff auf der Basis von Graphen hin zum intelligenten Vorschlag auf der Basis von KI in drei Schritten erfolgen. Das obige Beispiel zeigt den zweiten Schritt, der bereits recht gut funktioniert. Auch hier gibt es eine Reihe von Stolpersteinen, die in der Entwicklung beseitigt werden müssen, aber wir betrachten dies als ein kurzfristig erreichbares Ziel.

‍

‍

Ausblick

Business Knowledge Graphen werden zusammen mit GenAI zum „Brain“ des digitalen Zentralnervensystems des Unternehmens, das Daten und Informationen aus verschiedenen funktionalen Wissensgraphen verbindet und verarbeitet.

CONWEAVER unterstützt seine Kunden bei der Entwicklung dieses graph-basierten digitalen Zentralnervensystems, damit sie algorithmische KI-Technologien optimal nutzen können.

Ein Aspekt, den wir in einem Folgeartikel ansprechen möchten, bezieht sich auf die Fähigkeit der Knowledge Graph Technologie, eine datengesteuerte ganzheitliche Unternehmensführung zu unterstützen. Wir werden zeigen, wie ein solcher technischer Ansatz dazu beitragen kann, die Regelkreise auf allen Ebenen innerhalb und zwischen den Unternehmensfunktionen zu schließen - und darüber hinaus, wie die Verknüpfung von Daten und Informationen mit dem Wissen und den Fähigkeiten der Unternehmen die Zusammenarbeit erleichtern und die Wettbewerbsfähigkeit in herausfordernden und dynamischen Märkten steigern kann.

‍

‍

‍