Ziel von PERKS ist es, KI-Verfahren für ein effizienteres und effektiveres Management von Verfahrenswissen zu entwickeln und so betriebliche Abläufe und das Wissensmanagement im Unternehmen zu verbessern. In PERKS arbeiten acht Forschungs- und Anwendungspartner unter der Leitung des italienischen Zentrums für digitale Innovation, Cefriel, über eine Laufzeit von drei Jahren zusammen. Das Vorhaben wird im Programm Horizont Europa im Rahmen des Clusters "Digital, Industry and Space" kofinanziert.
Intelligentes Management von Verfahrenswissen in der Industrie
Prozedurales Wissen (Process Knowledge - PK) ist das Wissen, wie man Aufgaben ausführt, und als solches ein wesentlicher Bestandteil für Werker in praktisch allen Industriebereichen. Dieses Wissen ist meist schwer zu erklären und zu beschreiben, oft schlecht digitalisiert oder schwer zugänglich. Die Herausforderung beim PK-Management besteht darin, dieses Wissen über unterschiedliche Formate und Kategorien wie Prozessbeschreibungen, Vorschriften, Richtlinien, Anweisungen, Normen hinweg zugänglich zu machen. Dafür erarbeitet das PERKS-Projektteam KI-Verfahren und untersucht deren Anwendung für drei industrielle Szenarien mit unterschiedlichen Bedürfnissen und unterschiedlicher Komplexität: Sicherheitsverfahren für Wartungseingriffe in Produktionsanlagen für Haushaltsgeräte; Konfigurationsanweisungen für computergesteuerte Maschinen (CNC) in industriellen Systemen sowie Richtlinien für die Optimierung des Energieverbrauchs in Mikrogrids und Energiegemeinschaften. Die Ergebnisse von PERKS werden durch die Messung geeigneter Indikatoren, sowohl im operativen als auch im technischen Bereich, sowie in Bezug auf Geschäfts- und Nachhaltigkeitsergebnisse bewertet.
Sprachtechnologische Ansätze aus dem DFKI
Der DFKI-Forschungsbereich Sprachtechnologie und Multilingualität (MLT) wird sich mit der computergestützten Modellierung und Erhebung von prozeduralem Wissen beschäftigen. Das Team um Prof. Günter Neumann und Dr. Simon Ostermann wird KI-Technologien wie Transfer-Learning Deep Networks für Information Retrieval und generative Sprachmodelle nutzen, um computergestützte Repräsentationen von prozeduralem Wissen aus textuellen Quellen zu erlernen. Untersucht werden auch multimodale Erweiterungen, wobei auch Grafiken und Abbildungen aus Texten sowie verschiedene Textarten für das Vortraining und die Feinabstimmung unserer Modelle Berücksichtigung finden. Darüber hinaus werden wir einen Beitrag zur automatischen Generierung von Fragen als FAQs aus technischen Dokumenten leisten.