RAG in ERP und MES macht Wissen nutzbar, wenn es gebraucht wird
- vor 7 Tagen
- 3 Min. Lesezeit
Aktualisiert: vor 6 Tagen
Thomas Müller, Lead Engineer Industrial Intelligence von PSI Software SE, zeigt auf, wie Retrieval-Augmented Generation (RAG) in ERP- und MES-nahen Produktionsumgebungen das Wissen, das in textbasierten Quellen wie Handbüchern und technischen Unterlagen steckt, punktgenau verfügbar macht.
Ein Produktionsverantwortlicher muss kurzfristig beurteilen, ob eine Abweichung im Fertigungsablauf eine Anpassung des Prozesses erfordert. Die nötigen Informationen sind im Unternehmen meist vorhanden und Teil der dokumentierten Wissensbasis. In der konkreten Situation stehen sie jedoch oft nicht unmittelbar zur Verfügung.
Wenn Wissen vorhanden, aber schwer nutzbar ist
Statt die vorhandenen Informationen direkt für eine Entscheidung nutzen zu können, muss der Verantwortliche seinen Arbeitskontext unterbrechen, Dokumente suchen, Kolleginnen und Kollegen einbinden und die Relevanz einzelner Informationen selbst einordnen. Das kostet Zeit, verursacht Medienbrüche und erhöht das Risiko, dass Entscheidungen auf unvollständiger Grundlage getroffen werden.
Im Arbeitsalltag zählt vor allem, ob sich relevante Inhalte schnell finden, einordnen und auf die konkrete Situation übertragen lassen. Wissensmanagement darf sich folglich nicht auf die reine Dokumentenablage beschränken. In produktionsnahen Business-IT-Umgebungen muss dokumentiertes Wissen an den konkreten Arbeitsschritt anschliessen und die nächste Entscheidung oder Handlung direkt unterstützen.
Wie RAG Antworten aus Quellen ableitet
Hier setzt Retrieval-Augmented Generation, kurz RAG, an. RAG verbindet ein Sprachmodell mit dem gezielten Zugriff auf vorhandene Wissensbestände. Wenn eine Anwenderin oder ein Anwender eine konkrete Frage stellt, greift das System passende Inhalte aus definierten textbasierten Quellen auf, ordnet sie im Kontext der Anfrage ein und bereitet daraus eine Antwort auf. Anders als ein allgemeines Sprachmodell stützt sich RAG bei der Informationsbeschaffung nicht auf das im LLM eingebettete Trainingswissen, sondern exakt auf die Informationen, die im Unternehmen tatsächlich hinterlegt sind. Gleichzeitig lässt sich nachvollziehen, auf welche Quellen sie sich stützt. Das minimiert das Risiko plausibel klingender, aber sachlich falscher Aussagen und schafft eine bessere Grundlage für den Einsatz in sensiblen industriellen Prozessen.
Für den Produktionsverantwortlichen aus dem Beispiel heisst das, dass er in seiner gewohnten Systemumgebung bleibt. Er stellt seine Frage im Dialog und erhält eine Antwort, die auf hinterlegten Unternehmensinformationen basiert. Statt zwischen Anwendungen zu wechseln, Ordnerstrukturen zu durchsuchen oder einzelne Hinweise manuell zusammenzuführen, kann er die relevanten Informationen direkt in seine Arbeit einordnen.
Datensouveränität als Voraussetzung
Für industrielle Anwendungen hängt zudem viel davon ab, wie ein RAG-System in bestehende Infrastrukturen eingebunden wird. Gefragt ist ein kontrollierter Zugriff auf vorhandenes Wissen innerhalb der gewohnten und abgesicherten Umgebung.
Ein tragfähiger Ansatz nutzt definierte interne Quellen und macht sichtbar, worauf sich Antworten stützen. Ein Austausch mit externen Datenbeständen ist dafür nicht erforderlich. Durch diese Einbindung behalten Unternehmen ihre Datensouveränität. Sie kontrollieren, welche Inhalte eingebunden werden, wo die Daten verarbeitet werden und wie sich Ergebnisse nachvollziehen lassen.
Für Unternehmen mit hohen Datenschutz-, Sicherheits- und Compliance-Anforderungen ist diese Einbettung besonders wichtig. KI-Unterstützung wird nur dann akzeptiert, wenn sie nachvollziehbar bleibt und keine unkontrollierten Datenflüsse entstehen.
Was integriertes RAG im ERP-MES-Umfeld leistet
Dokumentiertes Wissen wird in konkreten Arbeitssituationen nutzbar.
Anwenderinnen und Anwender stellen natürliche Fragen und erhalten konkrete Antworten.
Antworten stützen sich auf hinterlegte, aktuelle und verifizierte Quellen.
Quellenverweise machen Ergebnisse nachvollziehbar und überprüfbar.
Die Unterstützung erfolgt direkt im laufenden Prozess und in der gewohnten Systemumgebung.
Das Risiko frei erfundener oder nicht belegbarer Aussagen sinkt deutlich.
Wissen kontextsensitiv erschliessen
RAG adressiert ein konkretes Problem industrieller Arbeit. Als integrierter, quellenbasierter und dialogorientierter Ansatz hilft er dabei, vorhandenes Wissen sicher, nachvollziehbar und situationsbezogen einzusetzen. Unternehmen reduzieren dadurch Suchaufwand und Kontextwechsel und schaffen eine bessere Grundlage für Entscheidungen im laufenden Arbeitsprozess.
Gastbeitrag von Dr. Thomas Müller
Kommentare