AI xpress NET: Wie strukturiertes Wissen die Zukunft der industriellen KI prägt

AI xpress NET ist der Techtalk rund um KI-Themen im Startup- und Innovationszentrum AI xpress. Du bist Entwickler:in oder KI-Expert:in und interessierst dich für einen Austausch auf hohem technischem Niveau, dann ist AI xpress NET genau das Richtige für dich.

In einer Zeit, in der Unternehmen immer mehr auf digitale Lösungen setzen, um ihr internes Wissen effizienter zu nutzen, stellt sich eine zentrale Frage: Wie können wir nicht nur Wissen speichern, sondern dafür sorgen, dass KI-Systeme es auch verstehen – und damit handlungsleitend machen?
Die Herausforderung liegt dabei nicht nur in der Quantität an Informationen, sondern vor allem in deren Qualität, Konsistenz und Kontextualisierung. Denn Wissen verändert sich – Prozesse ändern sich, Regeln werden angepasst, Beziehungen zwischen Entitäten entwickeln sich im Laufe der Zeit. Reine Datenanalyse reicht nicht mehr aus. Was fehlt, ist ein verstehendes System, das nicht nur antwortet, sondern versteht – mit Kontext, mit Geschichte, mit Beziehung zwischen den Dingen.

In dieser Ausgabe von AI xpress NET wird es folgende Vorträge dazu geben:

1. Digitalisierung von Expertenwissen – Befähigung von Maschineninstandhaltungsteams durch digitalisierte Best Practices

Da es Lücken gibt, die rein datenbasierte Maschinenüberwachungs-Lösungen nicht schließen können, wird Suo Li in seinem Vortrag einen intelligenten Ansatz zur Fehlerbehebung an Maschinen auf Basis von digitalisierten Expertenwissen vorstellen. Ziel ist dabei die Reduktion der technischen Komplexität und der Fokus auf klare geschäftliche Ergebnisse, also Vermeidung ungeplanter Maschinenstillstände und Steigerung der Produktivität. Es soll gezeigt werden, welche Auswirkungen digitalisiertes Expertenwissen und ein zentrales Wissensportal auf die Instandhaltungsprozesse sowie die gesamte Umsatzprognose haben.

2. Hinter dem Kontextfenster: LLM-gestützte KI mit temporalen Wissensgraphen lernen lassen.

Fabian Fuchs wirft einen Blick auf die Symbiose aus Large Language Models und episodenbasierten Wissensgraphen als strukturiertes Long-Term Memory.

• Konzept: Ein dynamisches Verständnis von Entitäten und deren Beziehungen über die Zeit.
• Praxis-Check: Anhand von Anwendungsbeispielen (z. B. Modellierung von Maschinenparks, Kundenbeziehungen oder Infrastrukturen) wird gezeigt, wie KI durch diese Struktur tiefe Konzepte „begreift“, anstatt nur Wahrscheinlichkeiten von Wortfolgen zu berechnen.
• Abgrenzung: Warum der aktuelle Trend zum „LLM-Wiki“ (z.B. via Obsidian) zwar ein sinnvoller Ansatz ist, aber strukturierte Wissensgraphen in Anwendungsfällen in der Industrie wartbarer, skalierbare und klarer für Mensch und KI sein können.
• Realitätscheck: Welche technische Hürden bei der Verknüpfung von LLMs mit strukturierten Graphen bestehen und worauf man bei der Implementierung achten muss.

Im Anschluss besteht die Möglichkeit, bei Pizza und Getränken Fragen zu klären, Kontakte zu knüpfen und sich auszutauschen.