Use Case: Multi-Modal Service Co-Pilot.
Technische Architektur für den Field Service: Kürzere Reparaturzeiten (Mean Time to Repair) durch kontextsensitives Lösungswissen direkt an der Maschine.
30 Minuten, online, kostenlos und unverbindlich.
Ein RAG-Co-Pilot durchsucht Wartungsprotokolle, Handbücher und Schaltpläne. Hybrid Search findet exakte Fehlercodes und semantische Problembeschreibungen zugleich. Foto des Typenschilds plus Sprachnachricht filtern automatisch nach dem richtigen Gerät, und jede Antwort kommt mit Quellennachweis. Betrieb On-Premise oder in der Private Cloud.
Dies ist der technische Blueprint für eine Lösung, die wir für Servicetechniker vor Ort umsetzen. Leistungswerte werden erst nach Messung in einem konkreten Projekt veröffentlicht.
Das Szenario: Ein Techniker steht vor einer stehenden Maschine, hat im Keller keinen Internetempfang und braucht Zugriff auf Tausende Seiten Handbücher, Schaltpläne und Wartungsprotokolle.
Wir bauen hier keine einfache Suchmaschine, sondern ein Retrieval-Augmented-Generation-System (RAG) mit Hybrid Search. Die technische Zielsetzung: kürzere Reparaturzeiten durch kontextsensitives Lösungswissen in wenigen Sekunden. Und noch wichtiger: Halluzinationen durch striktes Grounding so weit wie möglich vermeiden.
Drei Layer der Wissensverarbeitung
Dokumente aufbereiten
Unstrukturierte Daten (PDFs, TIFF-Schaltpläne, Word) werden per OCR verarbeitet. Für Parsing und Splitting in handliche Chunks nutzen wir zum Beispiel Unstructured.io.
- Beispiel: RecursiveCharacterTextSplitter
- Chunk-Größe 1000 Tokens, Overlap 200
Bedeutung speichern
Wir speichern die semantische Bedeutung der Chunks als Embeddings (Vektoren), etwa in Qdrant oder Pinecone, für eine schnelle Ähnlichkeitssuche.
- Embedding-Modell nach Hosting-Variante
- Metrik: Cosine Similarity
Antwort erzeugen
Der Orchestrator (zum Beispiel LangChain) verbindet die Frage mit dem gefundenen Wissen und erzeugt die Antwort. Wichtig ist das ReAct-Pattern für logische Schlussfolgerungen.
- Striktes Grounding
- Quellenpflicht
Warum Vektorsuche allein nicht reicht
- Versteht Konzepte wie „Motor wird heiß“
- Findet „Überhitzungsprobleme bei der Hydraulik“, auch wenn jemand nur „Pumpe ist warm“ eintippt
- Scheitert oft an exakten Bezeichnungen wie „Fehlercode E-404-X“
- BM25 sucht exakte Keywords wie Teilenummer „XJ-500-2“ oder Fehlercode „E33“
- Vektorsuche ergänzt den semantischen Zusammenhang
- Reciprocal Rank Fusion (RRF) führt beide Ergebnislisten zusammen und übergibt das beste Ergebnis an das Sprachmodell
Vier Schritte vor Ort
Input Processing
Der Techniker fotografiert das Typenschild und diktiert: „Was ist das Drehmoment für die Hauptschraube bei dieser Serie?“ Multimodaler Input aus Bild und Sprache.
Query Transformation
Das System wandelt die oft vage Frage in präzise Suchanfragen um (Query Expansion). Per Metadaten-Filter wird die Suche anhand der Bilderkennung automatisch auf die richtige Maschinen-Serie eingegrenzt.
Citation & Verification
Das Sprachmodell erzeugt die Antwort, zum Beispiel den vorgeschriebenen Drehmomentwert einer Verschraubung, mit Link zum Original-PDF und Seitenzahl. Ohne nachweisbare Quelle keine Ausgabe. Das ist unser harter Guardrail.
Feedback Loop
Der Techniker klickt „Hat funktioniert“ oder „Falsch“. Dieses Feedback fließt in die Verbesserung von Index und Antworten ein.
Was den Business Case trägt
Antwortzeit
Ziel: Antwort in wenigen Sekunden, auch bei komplexen Hybrid-Suchen. Gemessen wird im Pilotbetrieb.
Kontextfenster
Hängt vom gewählten Modell ab und wird im Pilotbetrieb festgelegt.
On-Premise
Wahlweise Private Cloud oder Server vor Ort. Kein Training auf öffentlichen Daten.
Weniger Rückfragen
Ziel: weniger eskalierte Rückfragen im Backoffice und First-Level-Support, gemessen im Pilotbetrieb.
Der RAG-Architektur-Check für Industrie und Service
Data Ingestion Setup
Die Blaupause, um Ihre eigenen Handbücher in einen funktionierenden KI-Service zu verwandeln.
Embedding und Chunking
Best Practices für die Aufbereitung technischer Dokumente.
Tech FAQ
Was ist der Unterschied zwischen Vektorsuche und Hybrid Search?
Eine reine Vektorsuche findet Dokumente nach semantischem Zusammenhang. Das ist gut, reicht in der Technik aber oft nicht. Hybrid Search kombiniert das mit BM25-Keyword-Matching. So finden Sie sowohl die konzeptionelle Lösung als auch die exakte Bauteilnummer, die ein Vektor leicht übersieht.
Funktioniert der Service Co-Pilot auch ohne Internetverbindung?
Die Kernarchitektur kann vollständig in Ihrer Private Cloud oder auf On-Premise-Servern laufen. Ist der Techniker im Keller ohne Empfang, kann die Anfrage gepuffert werden, bis wieder Firmennetz oder Mobilfunk anliegt, je nach Deployment-Strategie.
Wie werden Halluzinationen der KI verhindert?
Wir minimieren Halluzinationen durch striktes Grounding im Orchestrator. Das Modell bezieht sich ausschließlich auf die abgerufenen Dokumenten-Chunks. Gibt es im Handbuch keine Information, lautet die Antwort „Information nicht gefunden“. Zusätzlich wird jede Aussage mit Quelle und Seitenzahl verlinkt.
Welche Dokumentenformate können verarbeitet werden?
Der Ingestion-Layer verarbeitet nahezu alle unstrukturierten Formate: Text-Dateien, Word-Dokumente, komplexe PDFs (auch mehrspaltig), HTML und per OCR auch Bilddateien wie eingescannte TIFF-Schaltpläne.
Bauen wir Ihren technischen Co-Piloten?
Die Technologie ist reif. Die Herausforderung liegt in der sauberen Datenaufbereitung und der Architektur. Lassen Sie uns prüfen, ob Ihre Daten bereit für RAG sind.
