Der „Multi-Modal Service Co-Pilot“: Technische Architektur für den Field-Service
Reduktion der Mean Time to Repair (MTTR) durch kontext-sensitives Lösungswissen in unter 5 Sekunden.
Patrick Sager
Juli 2026
7 Min. Lesezeit
- Ein technischer RAG-Co-Pilot (Retrieval Augmented Generation) durchsucht offline und in Sekundenbruchteilen Tausende Seiten Wartungsprotokolle und Schaltpläne.
- Mit einem Hybrid-Search Algorithmus werden sowohl exakte Error-Codes (BM25) als auch semantische Problembeschreibungen (Vektorsuche) gleichzeitig abgedeckt.
- Durch Multi-modalen Input (Foto des Typenschilds + Sprachnachricht) filtert die KI selbstständig nach passenden Geräte-Metadaten.
- Die On-Premise-Architektur garantiert höchste Datensicherheit und schließt KI-Halluzinationen durch striktes Grounding mit Quellennachweis aus.
Dies ist der technische Blueprint für eine KI-Lösung, die wir implementieren, um Servicetechniker vor Ort zu augmentieren. Das Szenario: Ein Techniker steht vor einer stehenden Maschine, hat keinen Internetempfang im Keller und benötigt Zugriff auf 5.000 Seiten Handbücher, Schaltpläne und Wartungsprotokolle.
Wir bauen hier keine einfache Suchmaschine. Wir bauen ein Retrieval Augmented Generation (RAG) System mit Hybrid-Search. Die technische Zielsetzung ist klar: Reduktion der „Mean Time to Repair“ (MTTR) durch die Bereitstellung von kontext-sensitivem Lösungswissen in unter fünf Sekunden. Und noch wichtiger: Die absolute Minimierung von Halluzinationen durch striktes Grounding.
Die System-Architektur (The Stack)
Die drei Layer der Wissensverarbeitung, um unstrukturierte Daten produktiv nutzbar zu machen.
1. Ingestion Layer (ETL)
Unstrukturierte Daten (PDFs, TIFF-Schaltpläne, Word) werden via OCR verarbeitet. Wir nutzen Unstructured.io für das Parsing und Splitting der Dokumente in handliche „Chunks“.
Chunk Size: 1000 Tokens
Overlap: 200 Tokens
2. Storage (Vector DB)
Wir speichern die semantische Bedeutung der Chunks als Embeddings (Vektoren). Wir nutzen Qdrant oder Pinecone für die blitzschnelle Ähnlichkeitssuche vor Ort.
Metric: Cosine Similarity
3. Reasoning (The Brain)
Der Orchestrator (z.B. LangChain) verbindet die User-Frage mit dem gefundenen Wissen und generiert die Antwort. Wichtig ist das ReAct Pattern für logische Schlussfolgerungen.
Deep Dive: Der „Hybrid Search“ Algorithmus
Warum Vektorsuche allein nicht reicht: Vektoren verstehen Konzepte („Motor wird heiß“), aber scheitern oft an exakten Bezeichnungen („Fehlercode E-404-X“). Wenn es auf eine spezifische Schrauben-ID oder einen genauen Schalter ankommt, ist rein semantisches Wissen fehleranfällig.
Deshalb implementieren wir in der Architektur standardmäßig die Hybrid Search, die beide Welten kombiniert.
Semantischer Kontext
Sucht nach der semantischen Bedeutung hinter Worten. Findet z. B.: „Überhitzungsprobleme bei der Hydraulik“, auch wenn der Nutzer bloß „Pumpe ist warm“ eintippt.
Exakter Match (BM25)
Ein BM25-Algorithmus sucht rein auf Basis genauer Keywords. Unverzichtbar für exakte Teilenummern wie „XJ-500-2“ oder konkrete Error-Codes wie „E33“.
Die Implementierung des „Techniker-Loops“
Die Architektur im Backend muss sich vor Ort wie eine flüssige, natürliche Assistenten-Interaktion anfühlen. Der Ablauf in der Praxis gestaltet sich in vier Kernschritten:
- Input Processing: Der Techniker macht ein Foto vom Typenschild und diktiert: „Was ist das Drehmoment für die Hauptschraube bei dieser Serie?“. Wir arbeiten hier mit Multimodalem Input (Vision + Voice-to-Text).
- Query Transformation: Das System wandelt die oftmals vage gestellte Frage in präzise Such-Queries um (Query Expansion). Mittels Meta-Data Filtering wird die Suche automatisch auf die „Maschinen-Serie X“ gefiltert, basierend auf der Bilderkennung des Fotos.
- Citation & Verification (Crucial Step): Das LLM generiert die Antwort: „Das Drehmoment beträgt 50 Nm.“ Entscheidend: Das System fügt einen interaktiven Link zum Original-PDF (z. B. Seite 42) hinzu. Ohne nachweisbare Quelle gibt es keine Ausgabe. Das ist unser harter Guardrail.
- Feedback Loop: Der Techniker klickt „Hat funktioniert“ oder „Falsch“. Dieses Feedback wird genutzt, um den Vektor-Index langfristig über Reinforcement Learning from Human Feedback (RLHF) zu optimieren.
Technische Spezifikationen & ROI
Die messbaren Parameter, die den Business Case des Field-Service Co-Piloten tragen.
Antwort-Latenzzeiten selbst für komplexe Hybrid-Suchen (unter WLAN-Bedingungen).
Ausreichend, um ganze Handbuch-Kapitel fehlerfrei in einem Prompt zu verarbeiten.
Wahlweise Private Cloud oder Server vor Ort. Es findet kein Training auf Public Data statt.
Reduktion der eskalierten Rückfragen im Backoffice und First-Level-Support.
Der RAG-Architektur-Check für Industrie & Service
Die Blaupause, um Ihre eigenen Handbücher in einen funktionierenden KI-Service zu verwandeln.
- Data Ingestion Setup
- Embedding & Chunking Best Practices
- Hardware Sizing (On-Premise)
Fordern Sie die Architektur-Blaupause direkt bei uns an:
Häufig gestellte Fragen (Tech FAQ)
Was ist der Unterschied zwischen Vektorsuche und Hybrid Search?
Funktioniert der Service Co-Pilot auch ohne Internetverbindung?
Wie werden Halluzinationen der KI verhindert?
Welche Dokumentenformate können verarbeitet werden?
Lassen Sie uns sprechen.
Ob Erstgespräch oder KI Quick Check – wir sind für Sie da. Unverbindlich und kostenlos.
