PLM-Programme gelten gemeinhin als „Single Source of Truth” für Produktlebenszyklusdaten. In ihnen (und anderen Silos) speichern Fertigungsunternehmen eine unaufhörlich wachsende Menge an Produkt-, Bauteil- und Projektdaten. Ein „Information Overkill“, der es für Entwicklungsteams immer schwieriger macht, genau das Dokument zu finden, das sie für ihre Arbeit gerade benötigen. Oft genug werden dann Bauteilentwürfe dupliziert, weil der richtige gerade nicht verfügbar war.
Wenn sich Abläufe dadurch verlangsamen, bleibt die Überlegung, wie sich das Informationsmanagement im PLM-Umfeld verbessern ließe: durch Einbettung sogenannter Enterprise-Search-Software, welche die Inhalte des Unternehmens in allen Informationsquellen über Zeit, Standorte und Sprachen hinweg verfügbar macht. Dafür indiziert sie Inhalte der angeschlossenen Datenquellen, erstellt daraus eine Kerndatenbank und führt die Suchergebnisse in einer einheitlichen Ansicht zusammen.
„Einfache Suchfunktionen, wie sie fast jede Softwareanwendung beinhaltet, liefern nur unscharfe Ergebnisse“, erklärt Ulf Zetterberg, Co-CEO von Sinequa. „Es kommt aber auf Relevanz an.“ Sie zu erzeugen, sei schwierig und gleichzeitig unerlässlich, um brauchbare Suchergebnisse zu erhalten. Enterprise-Search-Lösungen beinhalten deshalb Natural Language Processing und Machine Learning-Algorithmen wie automatische Clusterbildung (Einordnung von Inhalten in Kategorien), Klassifizierung anhand von Beispielen (ohne definierte Regeln), Empfehlungen, Predictive Analytics und Ähnlichkeitsberechnungen (welche Inhalte sind ähnlich, auch wenn die Schlüsselbegriffe nicht die gleichen sind).
Der französische Hersteller Sinequa hat seine NLP-Funktionen zusätzlich um Deep-Learning-Sprachmodelle für die neuronale Suche ergänzt. Die Suchplattform des Anbieters ist bei führenden Unternehmen der Fertigungsindustrie wie Airbus, Alstom, NASA, Siemens, Volkswagen und anderen aus den Bereichen Luft- und Raumfahrt, Automobilbau und Industrietechnik im Einsatz. Sie unterstützt darin, Informationen für Beschäftigte und Kunden schneller und effizienter auffindbar und verwertbar zu machen.
Bedeutung und Kontext einbezogen
Google und Bing setzen neuronale Suchmodelle seit 2019 ein, die Rechenanforderungen machten sie für die meisten Unternehmen allerdings zu kostspielig und langsam. Sinequa optimierte die Modelle und arbeitete dafür mit den AI/ML-Teams von Microsoft Azure und Nvidia zusammen. Neuronale Suche verbessert die Relevanz nochmals und ist oft in der Lage, natürlichsprachliche Fragen direkt zu beantworten. Dies geschieht mit tiefen neuronalen Netzen, die über die wortbasierte Suche hinausgehen, um Bedeutung und Kontext besser zu nutzen.
Um das gesamte Wissen eines Unternehmens zu erfassen und zu indizieren, braucht Enterprise Search Konnektoren zu den einzelnen Datenquellen – strukturierten (relationale Datenbanken, Tabellenkalkulationen) ebenso wie unstrukturierten (Bilder, E-Mails, PDFs). Je mehr solcher vorgefertigter Konnektoren eine Such-Software beinhaltet, desto breiter ihr Einsatzgebiet. Die Plattform von Sinequa etwa bringt ein Portfolio von über 200 Out-of-the-Box-Konnektoren zu führenden ERP-, CAD- und PLM-Anwendungen mit, darunter zu den Tools der VDR Group, einem US-amerikanischen Anbieter von Datenmanagement- und PLM-Lösungen für die Fertigungsindustrie.
Produktinformationen mittels LLM durchforsten
Durch das Aufkommen großer Sprachmodelle (LLMs) öffnet sich derzeit die Tür für die Vektorsuche, bei der Informationen auf der Grundlage ihrer Bedeutung abgerufen werden. LLM-Technologie wird noch stärker in tiefe neuronale Netze integriert. Das bedeutet, Modelle beziehen den Kontext mit ein, um durch semantische Suche die Relevanz weiter zu verbessern. So können Computer lernen, mit Menschen zusammenzuarbeiten, und nicht umgekehrt.
Unternehmenssuche läuft also zusehends KI-gestützt ab. Damit schließt sie Lücken im Digital Thread, den Hersteller seit vielen Jahren anstreben. Verteilt liegende Daten werden im digitalen Faden vereinheitlicht und relevante Informationen in allen Phasen des Produktlebenszyklus auffindbar gemacht, in einer 360°-Sicht auf auf Projekte, Produkte und Teile. So entsteht ein optimaler Fluss von Produktdaten zwischen am PLM-Prozess beteiligten Menschen, Werkzeugen und Systemen.
Ein Servicetechniker sucht zum Beispiel nach Informationen zur Teilenummer 808 und gibt sie in das Suchfeld ein. Daraufhin erhält er Treffer, die nicht nur die Teilenummer als solches enthalten, sondern auf die Rolle des Suchenden und frühere Suchergebnisse zugeschnitten sind. Der Service kann das Suchwerkzeug verwenden, um einzugeben „Wie installiert man Teil 808 im Feld?“. Im Resultat erhält er Informationen wie Zugangscodes für die Wartung, Benutzerdokumente, Statistiken usw., häufige Fehlersuchverfahren oder Installationsprozesse, die dem Suchbegriff entsprechen. Der Ingenieurin wiederum werden zum selben Suchbegriff Konstruktionsdaten ausgegeben, die zu ihrer Rolle und zur Auswahl aus früheren Suchanfragen passen.
Reduzierte Ausfallzeiten
Umfragen des Anbieters bei Airbus und der NASA haben ergeben, dass sich durch solch personalisierte Suchergebnisse Ausfallzeiten von Produkten und Equipment deutlich reduzieren. Im Marshall Space Flight Center der NASA fanden Ingenieure und Ingenieurinnen via Enterprise Search etwa Informationen, die zuvor über 6 Jahrzehnte hinweg in isolierten Tools wie Sharepoint, PTC Windchill, CAD-Dateien und anderen Dokumenten lagen. Solches Wissen in neuem Kontext aufzubereiten ermöglichen Plattformen für Enterprise Search. Sie schließen vorhandene Lücken und machen die Produktentwicklung fehlerärmer und effizienter.
