Generative KI zur No-/Low-Code-Wissensverarbeitung
-
Eckart Uhlmann
Univ.-Prof. Dr. h. c. Dr.-Ing. Eckart Uhlmann ist Leiter des Fraunhofer-Instituts für Produktionsanlagen und Konstruktionstechnik (IPK) im Produktionstechnischen Zentrum Berlin und Leiter des Fachgebiets Werkzeugmaschinen und Fertigungstechnik am Institut für Werkzeugmaschinen und Fabrikbetrieb (IWF) der Technischen Universität Berlin.
Univ.-Prof. Dr.-Ing. Julian Polte leitet das Geschäftsfeld Produktionssysteme sowie die Abteilung Produktionsmaschinen und Anlagenmanagement am Fraunhofer-Institut für Produktionsanlagen und Konstruktionstechnik (IPK) im Produktionstechnischen Zentrum Berlin. Des Weiteren ist er Leiter des Fachgebiets Maschinen und Technologien für die additive Präzisionsfertigung metallischer Bauteile am Institut für Werkzeugmaschinen und Fabrikbetrieb (IWF) der Technischen Universität Berlin.
Philipp Lelidis, M. Sc., ist Wissenschaftlicher Mitarbeiter in der Abteilung Produktionsmaschinen und Anlagenmanagement am Fraunhofer-Institut für Produktionsanlagen und Konstruktionstechnik (IPK) im Produktionstechnischen Zentrum Berlin. Er studierte Maschinenbau mit dem Schwerpunkt Automatisierungstechnik an der Technischen Universität Berlin.
Abstract
Generative KI ermöglicht unter Verwendung von Prompt Engineering eine effiziente No-/Low-Code-Wissensverarbeitung zur Wissensanalyse, Informationsextraktion, Beantwortung von Fragen, Textklassifizierung und -erstellung. Methoden wie In-Context Learning und Retrieval Augmented Generation erweitern hierfür Anfragen um passende Kontextinformationen, ohne dass tiefgehende Programmierkenntnisse benötigt werden. Dies bietet insbesondere KMU neue Möglichkeiten, komplexe Datenverarbeitungsaufgaben zu bewältigen, wie beispielsweise die stetige Analyse von Sensordaten aus Produktionssystemen für eine effiziente Planung und Steuerung.
Abstract
Using prompt engineering, generative AI enables efficient no-/low-code knowledge processing for knowledge analysis, information extraction, question answering, text classification, and text creation. Methods such as In-Context Learning and Retrieval Augmented Generation add suitable contextual information to queries without the need for in-depth programming knowledge. This offers SME in particular new opportunities to master complex data processing tasks, such as the continuous analysis of sensor data from production systems for efficient planning and control.
Hinweis
Bei diesem Beitrag handelt es sich um einen von den Mitgliedern des ZWF-Advisory-Board wissenschaftlich begutachteten Fachaufsatz (Peer Review).
About the authors
Univ.-Prof. Dr. h. c. Dr.-Ing. Eckart Uhlmann ist Leiter des Fraunhofer-Instituts für Produktionsanlagen und Konstruktionstechnik (IPK) im Produktionstechnischen Zentrum Berlin und Leiter des Fachgebiets Werkzeugmaschinen und Fertigungstechnik am Institut für Werkzeugmaschinen und Fabrikbetrieb (IWF) der Technischen Universität Berlin.
Univ.-Prof. Dr.-Ing. Julian Polte leitet das Geschäftsfeld Produktionssysteme sowie die Abteilung Produktionsmaschinen und Anlagenmanagement am Fraunhofer-Institut für Produktionsanlagen und Konstruktionstechnik (IPK) im Produktionstechnischen Zentrum Berlin. Des Weiteren ist er Leiter des Fachgebiets Maschinen und Technologien für die additive Präzisionsfertigung metallischer Bauteile am Institut für Werkzeugmaschinen und Fabrikbetrieb (IWF) der Technischen Universität Berlin.
Philipp Lelidis, M. Sc., ist Wissenschaftlicher Mitarbeiter in der Abteilung Produktionsmaschinen und Anlagenmanagement am Fraunhofer-Institut für Produktionsanlagen und Konstruktionstechnik (IPK) im Produktionstechnischen Zentrum Berlin. Er studierte Maschinenbau mit dem Schwerpunkt Automatisierungstechnik an der Technischen Universität Berlin.
Literatur
1 Franken, R.; Franken, S.: Wissen, Lernen und Innovation im digitalen Unternehmen. Springer Fachmendien, Wiesbaden 2023, S. 3–26 10.1007/978-3-658-40822-0_1Search in Google Scholar
2 Kernan Freire, S.; Wang, C.; Foosherian, M.; Wellsandt, S.; Ruiz-Arenas, S.; Niforatos, E.: Knowledge Sharing in Manufacturing Using LLM-powered Tools: User Study and Model Benchmarking. Frontiers in Artificial intelligence 7 (2024), S. 1–7 10.3389/frai.2024.1293084Search in Google Scholar PubMed PubMed Central
3 Dukino, C.; Friedrich, M.; Ganz, W.; Hämmerle, M.; Kötter, F.; Meiren, T. et al. (Hrsg.): Künstliche Intelligenz in der Unternehmenspraxis – Studie zu Auswirkungen auf Dienstleistung und Produktion. Fraunhofer Verlag, Stuttgart 2019Search in Google Scholar
4 Fritz, J.: Generative KI in der Industrie. ZWF 119 (2024) 5, S. 344–348 10.1515/zwf-2024-1056Search in Google Scholar
5 Databricks (Hrsg.): Den Grundstein für daten- und KI-gestütztes Wachstum legen. MIT Technology Review Insights, 2023, S. 1–25Search in Google Scholar
6 VDI – Verein Deutscher Ingenieure e. V.: Technik und Gesellschaft (Hrsg.): Künstliche Intelligenz – Erwartungen und Realität. VDI-Verlag, Düsseldorf 2022Search in Google Scholar
7 Xia, Y.; Shenoy, M.; Nasser, J.; Weyrich, M.: Towards Autonomous System: Flexible Modular Production System Enhanced with Large Language Model Agents. In: Proceedings of the 2023 IEEE 28th International Conference on Emerging Technologies and Factory Automation (ETFA), April 2023, S. 1–9 10.48550/arXiv.2304.14721Search in Google Scholar
8 Fan, W.; Ding, Y.; Ning, L.; Wang, S.; Li, H.; Yin, D. et al.: A Survey on RAG Meeting LLMs: Towards Retrieval-Augmented Large Language Models. KDD’24: Proceedings of the 30th ACM SIGKDD Conference on Knowledge Discovery and Data Mining, 2024, S. 6491–6501 10.1145/3637528.3671470Search in Google Scholar
9 Liu, P.; Yuan, W.; Fu, J.; Jiang, Z.; Hayashi, H.; Neubig, G.: Pre-Train, Prompt, and Predict: A Systematic Survey of Prompting Methods in Natural Language Processing. ACM Computing Surveys 55 (2023) 9, S. 1–35 10.1145/3560815Search in Google Scholar
10 Xu, H.; Han, L.; Yang, Q.; Li, M.; Srivastava, M.: Penetrative AI: Making LLMs Comprehend the Physical World. HOTMOBILE `24: Proceedings of the 25th International Workshop on Mobile Computing Systems and Applications (2024), S. 1–7 10.1145/3638550.3641130Search in Google Scholar
11 IBM (Hrsg.): Was ist ein Data Lakehouse? Online unter www.ibm.com/de-de/topics/data-lakehouse [Zugriff am 22.08.2024]Search in Google Scholar
12 Carta, S.; Giuliani, A.; Piano, L.; Podda, A. S.; Pompianu, L.; Tiddia, S. G.: Iterative Zero-Shot LLM Prompting for Knowledge Graph Construction. arXiv:2307.01128, 2023, S. 1–18 10.48550/arXiv.2307.01128Search in Google Scholar
13 Cai, Y.; Mao, S.; Wu, W.; Wang, Z.; Liang, Y.; Ge, T. et al.: Low-Code LLM: Graphical User Interface over Large Language Models. In: Proceedings of the 2024 Conference of the North American Chapter of the Association for Computational Linguistics: Human Language Technologies (Volume 3: System Demonstrations), Mexico City, Mexico 2024, S. 12–25 10.18653/v1/2024.naacl-demo.2Search in Google Scholar
14 Kernan Freire, S.; Foosherian, M.; Wang, C.; Niforatos, E.: Harnessing Large Language Models for Cognitive Assistants in Factories. In: Lee, M.; Munteanu, C.; Porcheron, M.; Trippas, J.; Völkel, S. T. (Hrsg.): Proceedings of the 5th International Conference on Conversational User Interfaces. ACM, New York 2023, S. 1–6 10.1145/3571884.3604313Search in Google Scholar
15 Wei, R.; Pardo, C.: Artificial Intelligence and SMEs: How Can B2B SMEs Leverage AI Platforms to Integrate AI Technologies? Industrial Marketing Management 107 (2022), S. 466–483 10.1016/j.indmarman.2022.10.008Search in Google Scholar
16 Sundberg, L.; Holmström, J.: Democratizing Artificial Intelligence: How No-Code AI Can Leverage Machine Learning Operations. Business Horizons 66 (2023) 6, S. 777–788 10.1016/j.bushor.2023.04.003Search in Google Scholar
17 Brecker, K.; Lins, S.; Trenz, M.; Sunyaev, A.: Artificial Intelligence as a Service: Trade-Offs Impacting Service Design and Selection. In: ICIS 2023: Proceedings of the 44th International Conference on Information Systems, ICIS 2023, Hyderabad, 10th-13th December 2023, S. 1–17Search in Google Scholar
18 Geissbauer, R.; Schrauf, S.; Koch, V.; Kuge, S.: Industrie 4.0 – Chancen und Herausforderungen der vierten industriellen Revolution. Pricewaterhouse Coopers AG, Frankfurt a. M. 2014, S. 16–39Search in Google Scholar
© 2024 Walter de Gruyter GmbH, Berlin/Boston
Articles in the same Issue
- Frontmatter
- Editorial
- Cloud Manufacturing – Die Potenziale von Digitalen Zwillingen und KI
- Wissensmanagement
- Konversion von relationalen Datenbanken in Ontologien
- DaWiK – Ein KI-gestützter Ansatz für digitales Wissens- und Kompetenzmanagement
- Krisenmanagement
- Herr der Lage bleiben
- Fabrikplanung
- Umzugsplanung mit Fabrikdatenmodellen und Virtual Reality
- Analyse von Systemelementen und derer Ausprägungsformen zum modellhaften Nachbilden von Produktionssystemen
- Prozessoptimierung
- Thermische Modellbildung des schweißtechnischen Vorwärmens von Offshore-Stahlbaustrukturen
- Komplexitätsmanagement
- Bewertung der Komplexität von Konstruktionsaufgaben
- Shopfloor Management
- Zielführendes Verhalten auf dem Shopfloor
- Qualitätskontrolle
- Überwachung von Prozesskurven
- Corporate Governance
- MITO-Modell-bezogene ganzheitliche Corporate-Governance-Systemimplementierung
- Additive Fertigung
- Hochqualitatives Recycling von Titanspänen für die additive Fertigung
- Künstliche Intelligenz
- Generative KI zur No-/Low-Code-Wissensverarbeitung
- KI-gestützte Demontage von Elektrofahrzeugbatterien
- Maschinelles Lernen
- Bildverarbeitungsmethoden zur Prozessbewertung am Beispiel fliegender Späne
- Digitaler Zwilling
- Digitaler Zwilling zur reaktiven Demontageplanung
- Vorschau
- Vorschau
Articles in the same Issue
- Frontmatter
- Editorial
- Cloud Manufacturing – Die Potenziale von Digitalen Zwillingen und KI
- Wissensmanagement
- Konversion von relationalen Datenbanken in Ontologien
- DaWiK – Ein KI-gestützter Ansatz für digitales Wissens- und Kompetenzmanagement
- Krisenmanagement
- Herr der Lage bleiben
- Fabrikplanung
- Umzugsplanung mit Fabrikdatenmodellen und Virtual Reality
- Analyse von Systemelementen und derer Ausprägungsformen zum modellhaften Nachbilden von Produktionssystemen
- Prozessoptimierung
- Thermische Modellbildung des schweißtechnischen Vorwärmens von Offshore-Stahlbaustrukturen
- Komplexitätsmanagement
- Bewertung der Komplexität von Konstruktionsaufgaben
- Shopfloor Management
- Zielführendes Verhalten auf dem Shopfloor
- Qualitätskontrolle
- Überwachung von Prozesskurven
- Corporate Governance
- MITO-Modell-bezogene ganzheitliche Corporate-Governance-Systemimplementierung
- Additive Fertigung
- Hochqualitatives Recycling von Titanspänen für die additive Fertigung
- Künstliche Intelligenz
- Generative KI zur No-/Low-Code-Wissensverarbeitung
- KI-gestützte Demontage von Elektrofahrzeugbatterien
- Maschinelles Lernen
- Bildverarbeitungsmethoden zur Prozessbewertung am Beispiel fliegender Späne
- Digitaler Zwilling
- Digitaler Zwilling zur reaktiven Demontageplanung
- Vorschau
- Vorschau
