Ausgangssituation
Viele KMU möchten generative KI für Wissensarbeit, Dokumentation und informationsintensive Prozesse einsetzen, stoßen aber in der Praxis auf typische Hürden: Antworten klassischer LLM-Anwendungen sind ohne Unternehmenskontext oft unpräzise, veraltet oder nicht nachvollziehbar. Gleichzeitig fehlen in vielen Unternehmen Zeit, Fachpersonal und methodisches Know-how, um geeignete RAG-Architekturen auszuwählen, zu konfigurieren und sicher in die eigene Datenlandschaft zu integrieren. Anwendungsfall / verbesserter Prozess
Learn2RAG adressiert genau diese Lücke. Im Fokus stehen wissensintensive Prozesse in KMU, z. B. internes Wissensmanagement, Dokumentation im Qualitätsmanagement, Zugriff auf verteilte Dokumente und die strukturierte Nutzung unternehmensinterner Informationen in Engineering- und Servicekontexten. Verbessert werden soll vor allem der bislang manuelle, zeitaufwändige Such- und Aufbereitungsprozess über unterschiedliche Datenquellen hinweg. Umsetzung
Im Projekt werden Anforderungen aus Industrie-Interviews, Workshops und späteren Anwendungsfällen erhoben und in mehreren Entwicklungsstufen in eine RAG-Plattform überführt: Basisversion, erster Plattformprototyp und finaler Prototyp. Technisch entwickelt Learn2RAG eine automatisierte RAG-Pipeline, die passende Komponenten für Retrieval, Indexierung, Speicherung und Generierung auf Basis weniger Trainingsdaten und der jeweiligen Anwendung auswählt und zusammenstellt. Die Lösung ist containerbasiert, Open Source und so ausgelegt, dass sie innerhalb der Unternehmensinfrastruktur betrieben werden kann. Nutzen für Kunden / Anwender
Für Unternehmen entsteht ein direkter Mehrwert durch schnelleren Zugriff auf relevantes Wissen, bessere Nachvollziehbarkeit von KI-Antworten, geringere Halluzinationsrisiken und eine deutlich niedrigere Einstiegshürde in den Einsatz von RAG. Besonders wichtig aus Kundensicht ist, dass Informationen aus verschiedenen Quellen kontextbezogen zusammengeführt werden können, ohne dass dafür tiefes Spezialwissen zu RAG-Architekturen nötig ist. Zudem verbleiben sensible Unternehmensdaten in der eigenen Infrastruktur. Ergebnisse / entwickelte Artefakte
Im Projekt entstehen ein Vorgehen zur Anforderungserhebung, Anforderungen an Basisversion und Plattformprototypen, ein Reifegradmodell für KMU, ein Vorgehen zur Einführung von RAG-Lösungen in KMU, mehrere Plattformprototypen sowie Disseminations- und Schulungsmaterialien. Bereits veröffentlicht wurden u. a. Deliverables zu Anforderungen, Projektkommunikation und zur Onlinepräsenz. Parallel wird die Lösung in realitätsnahen KMU-Anwendungsfällen vorbereitet, evaluiert und schrittweise weiterentwickelt. Inhaltlicher Bezug zu Engineering Automation
Learn2RAG zahlt unmittelbar auf Engineering Automation ein, weil das Projekt den Zugang zu verteilt vorliegendem Engineering-Wissen automatisiert, kontextbezogen aufbereitet und für Fachanwender nutzbar macht. Statt Informationen manuell aus Richtlinien, Dokumentationen, Wissensspeichern oder Prozessdokumenten zusammenzusuchen, werden relevante Inhalte automatisiert identifiziert, verknüpft und für Entscheidungen oder Folgeprozesse bereitgestellt. Damit unterstützt das Projekt die digitale Transformation wissensintensiver Engineering- und Unterstützungsprozesse. Bezug zum Leistungsangebot des Leistungszentrums
Das Projekt adressiert die Kernfelder des Leistungszentrums Engineering Automation: datenbasierte Engineering-Unterstützung, Digitalisierung von Wissens- und Entwicklungsprozessen, Transfer von Forschung in die industrielle Anwendung sowie die Befähigung von Unternehmen, neue digitale Technologien strukturiert einzuführen. Learn2RAG verbindet anwendungsnahe KI-Forschung mit konkretem Nutzen für Unternehmen und demonstriert, wie moderne KI-Methoden in Engineering- und Organisationskontexten wirksam eingesetzt werden können. |
