Knowledge Management & Artificial Intelligence Consulting (KMAIC)
Beratung für Unternehmen und Institutionen
Eine weitere, umfassende (1080°) Beratung für Unternehmen „Von der digitalen
Pflicht zur echten Wettbewerbsstärke“ biete ich, zusammen mit zwei sehr erfahrenen Partnern, an.
360° Wirtschaftlichkeit & 360° Transformation & 360° Wissen & Führung
Im Flyer finden Sie Details zu diesem speziellen Angebot. Bitte sprechen Sie uns an, wenn Sie daran interessiert sind oder Fragen zu den Angeboten haben.
Die erste Beta Version des IPO Prototypes ist verfügbar. Ziel dieses Prototypes ist es, die umfassende Anwendung von Industrie-Standards – in Verbindung mit semantischen Lösungen und Künstlicher Intelligenz – zu demonstrieren. Ein weiterer Schwerpunkt in der Entwicklung war die Berücksichtigung und Integration von Validierungsfunktionen. Der Digitale Produkt Passport, die Berechnung des Product Carbon Footprint (PCF) des Produktes nach Standard ISO 14067 sowie die Integration in die Prozesslandschaft des Unternehmens sind die Hauptanwendungen dieses Prototypes. Für die Entwicklung der Webapplikation wurde eine agile, inkrementelle Verfahrensweise angewendet.
Prototype des IPO – Visualisierter Knowledge Graph mit Detailansicht und Suche
Die im IPO Prototype unterstützten Standards sind BPMN 2.0, SysML v2, AAS (3.0) mit Submodells, RDF/Turtle, SPARQL, SHACL. Import und Export-Funktionen sind für SysML, BPMN 2.0, SysML v2, AAS vorhanden.
KMAIC unterstützt seit diesem Jahr circulardata, eine unabhängige Initiative für den Austausch und die Bündelung von nachhaltigen Aktivitäten – insbesondere im Kontext zum Digitalen Produkt Passport. Details unter https://circular-data.org/o/f2df6055-7f34-4766-addd-ca8a6c171f25
Der Digitale Produktpass erfordert den Zugriff auf alle relevanten Daten sowie die “semantische Vernetzung” dieser innerhalb eines Unternehmens. Darüber hinaus ist auch eine Vernetzung mit externen Daten der Zulieferer und Partner notwendig. Diese Interoperabilität – die auch den Austausch von Digital Twins unterstützt – kann durch den Einsatz des offenen Standards der Verwaltungsschale (Asset Administration Shell, IEC 63278-1) erreicht werden. Darüber hinaus erfordert die vollständige Interoperabilität eine nahtlose Integration mit den bereits existierenden Business-Prozessen und Modellen innerhalb des Unternehmens, z.B. im Product Engineering / Model Based System Engineering, sowie eine Orchestrierung der Zusammenhänge auf Daten-, Modell– und Prozessebene. Modell-basierte Methoden und Beschreibungen (BPMN 2.0, SysML v2, AutoML, LLM, Predictive Maintenance) finden in vielen Teilbereichen der Unternehmen bereits Anwendung. Die vollständige Vernetzung dieser komplexen Zusammenhänge und Aspekte kann mit Hilfe eines semantischen Enterprise Modells, auf der Basis von Webstandards (W3C), realisiert werden und dadurch zur weiteren Wertschöpfung im Unternehmen beitragen.
Anmerkung: Diesen Vortrag hatte ich im November 2025, auf der Jahrestagung der tekom (Arena) in Stuttgart, gehalten.
Vortrag im Rahmen von Veranstaltungen der tekom Deutschland e.V. – aktuelle Version 5.0 (Mai 2025).
Diese Präsentation von der Semantics 2023 erläutert die Kernpunkte des Europäischen Green Deals, zugehörige Sustainable Produktinitiativen und Standards und – als Use Case – Konzepte zur Realisierung des Digitalen Produktpasses (Digital Product Passport – DPP) auf der Basis neuester Technologien und Frameworks, z.B. der Anwendung der Asset Administration Shell (AAS) in Verbindung mit einem Enterprise Knowledge Graph (EKG).
Download der Präsentation (pdf, 2,5 MB)
In der heutigen digitalen Welt nehmen Large Language Models (LLMs) und verwandte Technologien eine zentrale Rolle in der Verarbeitung und Analyse natürlicher Sprache ein. Diese Modelle haben das Potenzial, die Art und Weise, wie Unternehmen Informationen verarbeiten und nutzen, grundlegend zu verändern. In diesem Beitrag erläutern wir die Konzepte von LLM, Retrieval-Augmented Generation (RAG) und GraphRAG und wie sie in der Industrie angewendet werden können.
LLMs sind leistungsstarke KI-Modelle, die darauf trainiert sind, menschliche Sprache zu verstehen und zu generieren. Sie basieren auf tiefen neuronalen Netzen und werden mit riesigen Mengen an Textdaten trainiert. Dies ermöglicht ihnen, komplexe Muster und Zusammenhänge in der Sprache zu erkennen. LLMs finden Anwendung in zahlreichen Bereichen, von Chatbots und virtuellen Assistenten bis hin zur automatisierten Textanalyse und -generierung.
Retrieval-Augmented Generation (RAG) kombiniert die Fähigkeiten von LLMs mit Informationsabrufsystemen. Anstatt sich ausschließlich auf das trainierte Modell zu verlassen, greift RAG auf externe Datenquellen zu, um bei der Generierung von Antworten präzisere und kontextrelevantere Informationen bereitzustellen. Diese Methode verbessert die Genauigkeit und Relevanz der generierten Inhalte erheblich, indem sie aktuelle und spezialisierte Informationen in den Prozess einbezieht.
GraphRAG ist eine Erweiterung des RAG-Prinzips, die die Struktur von Wissensgraphen nutzt, um die Informationsabruf- und Generierungsprozesse weiter zu optimieren. Wissensgraphen stellen Daten in einer netzwerkartigen Struktur dar, die Beziehungen zwischen verschiedenen Informationen verdeutlicht. Durch die Integration von Wissensgraphen kann GraphRAG tiefere Einblicke und fundierte Antworten liefern, indem es nicht nur relevante Daten abruft, sondern auch deren Zusammenhänge berücksichtigt.
Dieser AI-Technologien bieten vielfältige Einsatzmöglichkeiten in der Industrie. LLMs können zur Automatisierung von Kundeninteraktionen oder zur Unterstützung von Entscheidungsprozessen eingesetzt werden. RAG und GraphRAG ermöglichen es Unternehmen, ihre Datenressourcen effizienter zu nutzen und fundierte, datengetriebene Entscheidungen zu treffen. Besonders in datenintensiven Branchen wie dem Gesundheitswesen, der Finanzwirtschaft oder der Logistik können diese Technologien erhebliche Wettbewerbsvorteile bieten.
Zusammenfassend lässt sich sagen, dass LLMs, RAG und GraphRAG bedeutende Werkzeuge für die Transformation von Geschäftsprozessen darstellen. Durch die Integration dieser Technologien können Unternehmen ihre Effizienz steigern, ihre Innovationskraft erhöhen und sich besser auf die Anforderungen des Marktes einstellen.
Standards ermöglichen und sichern die erfolgreiche, sichere und zukunftsweisende Einführung neuer und komplexer Technologien in Unternehmen. Der Standard ISO/IEC 42001:2023 ist ein Leitfaden für die Einführung und den Betrieb von AI-Anwendungen aus der (System-) Management Perspektive. Er beschreibt die Anforderungen an AI-Lösungen und beschreibt die Aspekte einer erfolgreichen Einführung, eines Betriebs und eines ständigen Verbesserungsprozesses für Lösungen im Bereich der Künstlichen Intelligenz.
Die Digitale Transformation bezeichnet einen umfassenden, in der Anwendung neuer digitaler Technologien und agilen Herangehensweisen begründeten Umwandlungsprozess, der alle Bereiche und Prozesse eines Unternehmens oder auch einer Institution betrifft.
Im Zusammenhang mit der Anwendung und Integration digitaler Technologien spricht man auch von „Cognitive Computing“, welches auf Lösungen aus den Bereichen Knowledge Discovery, Text Mining, Natural Language Processing und Machine Learning basiert.
Die Fähigkeit der Adaption an sich ändernde Bedingungen und Informationen sowie die systematische Lernfähigkeit aller Komponenten sind, neben der Berücksichtigung des Kontexts der Anwendung, die wichtigsten Fähigkeiten des Cognitive Computing.
Die Digitale Transformation (ebenso wie jede Knowledge Management Transformation) muss alle Domains in einem Unternehmen oder in einer Institution berücksichtigen, eine Transformation der Technologien allein ist nicht genügend (z.B. die Organisation, Mitarbeiter, Prozesse, Strategie – siehe dazu „Kernelemente der Digitalen Transformation„).
In den letzten Jahren wurden unterschiedliche Definitionen und Herangehensweisen entwickelt, die sich mit Daten-, Informations- und Wissens-Management beschäftigen.
Es bietet sich an, dies im Gesamtkontext eines Unternehmens oder einer Institution zu betrachten. Das folgende Diagramm zeigt den gesamten, sich wiederholenden Zyklus unter Berücksichtigung von Zwischenphasen.
Zur Erläuterung schauen wir uns die Phasen näher an und starten dabei mit der Phase „Data“.
Während des Prozesses des Daten-Managements werden anfänglich Discrete Data in Connected Data transformiert. Connected Data lassen sich durch einen Knowledge Graph oder einen Knowledge Forest beschreiben und verwalten.