Large Language Models (LLM) sind beeindruckend flexibel. Im Engineering stößt diese Flexibilität allerdings schnell auf eine einfache Grenze: Antworten der KI können plausibel klingen, jedoch ist eine plausible Antwort noch lange keine physikalisch oder technisch richtige Antwort. LLMs können halluzinieren, das bedeutet, dass Ergebnisse nicht zwingend eindeutig korrekt noch wiederholgenau sind. Ein Sprachmodell leitet Zusammenhänge aus seinen Trainingsdaten ab, es hat dabei aber nicht automatisch ein eindeutiges Verständnis wie eine konkrete Maschine oder Anlage aufgebaut ist, welche physikalischen Zusammenhänge gelten oder was ein bestimmtes Signal in diesem System tatsächlich für die Anlage oder dessen Betreiber bedeutet. Für industrielle Anwendungen, wie zum Beispiel technische Analysen, ist genau das ein Problem. Eine Analyse sollte nicht davon abhängen, ob ein Modell eine technische Größe richtig interpretiert, einen Zusammenhang aus dem Kontext errät oder bei der nächsten Anfrage zu einer leicht anderen Schlussfolgerung kommt. Technische Bedeutung, Randbedingungen und Berechnungsvorschriften müssen eindeutig beschrieben sein und dessen Regeln eingehalten werden.
KI bekommt technischen Kontext
Deshalb haben wir bei eSENSEial ein Framework entwickelt, das World Models technischer Systeme mit AI-gestützten Large Language Models verbindet. Das World Model beschreibt dabei explizit die technische Wissensbasis: Welche Komponenten einer Anlage oder Maschine existieren? Welche Messgrößen gehören dazu? Was bedeuten sie? In welchen Einheiten werden sie angegeben? Welche Beziehungen bestehen zwischen ihnen? Welche Definitionen, Randbedingungen und Methoden gelten für eine bestimmte Analyse oder Messwerte? Die AI muss diese Zusammenhänge damit nicht jedes Mal neu aus Dokumenten, Variablennamen oder einem Prompt neu ableiten. Stattdessen arbeitet sie innerhalb eines explizit beschriebenen technischen Kontextes.
Technische Bedeutung unabhängig von der Implementierung
Ein zentraler Gedanke des Frameworks ist die Trennung von drei Ebenen:
- technische Bedeutung,
- analytische Zielsetzung , und
- Implementierung.
Damit lässt sich zum Beispiel vorab eindeutig definieren, welche Messgrößen verwendet werden, welche physikalische Bedeutung sie besitzen und welche Analysen darauf basierend durchgeführt werden sollen, völlig unabhängig davon, ob die tatsächliche Implementierung anschließend in Python, Rust, C, C++ oder MATLAB erfolgt. Die fachliche Definition bleibt immer gleich.
Reproduzierbarkeit statt Black Box
Diese Trennung in verschiedene Ebenen ist auch entscheidend für die Wiederholgenauigkeit.
KI kann beispielsweise dabei helfen, eine Analyse zusammenzustellen, geeignete Werkzeuge aufzurufen oder vorhandenes Wissen zugänglich zu machen. Wo immer möglich, werden Berechnungen als echte, wiederholbare Rechenschritte auf Basis definierter Formeln und Regeln abgebildet – statt dieselbe Aufgabe bei jedem Durchlauf neu durch das Sprachmodell interpretieren zu lassen. Die dafür notwendigen Analyseschritte werden als hierarchischer Graph von Anweisungen strukturiert: Abhängigkeiten und Reihenfolgen sind formal beschrieben, sodass nicht immer wieder ein neuer Weg zum gleichen Ziel gesucht werden muss. Damit werden Wiederholbarkeit und Nachvollziehbarkeit technisch im Ablauf verankert. Dank unseres Frameworks wird die eigentliche technische Bedeutung also nicht mehr der freien Interpretation des Sprachmodells überlassen, sondern schafft die Grundlage für eindeutige und reproduzierbare Ergebnisse.
Nachvollziehbar vom Ergebnis bis zur Messung
Gerade beim Einsatz von KI reicht es unserer Sicht nicht, nur das Ergebnis zu kennen. Unser Framework ermöglicht daher gleichzeitig Traceability und Provenance. Das bedeutet, dass sich ein Analyseergebnis direkt auf seine Grundlage zurückführen lässt. Die Herkunft von Messdaten, der Projektkontext, technische Definitionen, verwendete Methoden und Parameter sind transparent im Framework dokumentiert. Damit wird nachvollziehbar, wie ein Ergebnis entstanden ist – eine wesentliche Voraussetzung, wenn KI nicht nur experimentell, sondern als Bestandteil technischer Abläufe eingesetzt werden soll. Das ist ein wesentlicher Unterschied zwischen einem AI-System, das eine technisch plausible Antwort generiert, und einem Werkzeug, das in einen reproduzierbaren Engineering-Workflow eingebettet werden kann.
Engineering-Wissen bleibt erhalten – und wird nutzbar
Ein weiterer Punkt war uns bei der Entwicklung besonders wichtig. In technischen Organisationen steckt viel wertvolles Wissen in bestehenden Programmen und Skripten – und häufig auch schlicht in der Erfahrung einzelner Ingenieurinnen und Ingenieure. Dieses Wissen lässt sich mit unserem Ansatz schrittweise in explizite, formale und maschinenlesbare Definitionen überführen. Damit entsteht ein technischer Wissensbestand, der nicht an eine einzelne Person, Software oder Programmiersprache gebunden ist. Er kann wiederverwendet, auf andere Anwendungen übertragen und systematisch erweitert werden.
KI als Werkzeug für Engineering-Wissen
Unser Ziel ist dabei nicht, Engineering-Wissen durch KI zu ersetzen. Im Gegenteil. Wir schaffen eine Struktur, in der vorhandenes Engineering-Wissen für moderne AI-Systeme eindeutig zugänglich und nutzbar wird. Die Stärke von Large Language Models – ihre Flexibilität – bleibt erhalten. Technische Bedeutung, physikalischer Kontext und Nachvollziehbarkeit werden ihr aber nicht einfach überlassen. So muss KI im Engineering nicht raten, was ein System bedeutet. Sie kann mit einer Wissensbasis arbeiten, die genau das bereits beschreibt.