KI ist in aller Munde.
Spätestens seit OpenAI am 30. November 2022 sein ChatGPT öffentlich zugänglich gemacht hat, ist ein Sturm der Entwicklung entbrannt und KI ist zu einem Allerwelts-Werkzeug geworden.
Aber über Künstliche Intelligenz wird schon lange geforscht, schon seit vielen Jahren, lange vor ChatGPT gab es wirksame Verfahren mit neuronalen Netzen, die vorrangig in der Mustererkennung eingesetzt wurden und werden.
Das Neue an den Large Language Models (LLM) hinter ChatGPT und seinen Geschwistern, ist, dass sie mit Sprache umgehen können, sei es in Schriftform oder als Audio. Sprache ist die universelle Kommunikationsschnittstelle von uns Menschen.
Damit wurde die Barriere überwunden zwischen dem, was Menschen verstehen und dem, was Maschinen, Computer verarbeiten können.
Auch für den Ingenieur-Bereich gibt es LLM-Anwendungen, die die Arbeit unterstützen. Mir fallen da die zahlreichen Dokumentationen ein, bis hin zu Schulungen und Zusammenfassungen von längerem Lesestoff.
Aber für die eigentliche Ingenieursarbeit sind LLM alleine keine Unterstützung.
Dazu müssten diese Programme strukturiertes Wissen im Sinne von Regeln und Handlungsanweisungen, Wenn-Dann-Bedingungen und der Abwägung von Alternativen beherrschen. LMM ist „lediglich“ eine statistisch begründete Reihung von Worten, die eine Frage, einen Prompt statistisch aus den gespeicherten Lerninhalten erwidert, sodass es in gewohnter Sprache als Antwort akzeptiert wird. Das machen heutige LLMs sehr gut.
In den letzten Jahren durfte ich mich noch mit einer anders angelegten KI-Software befassen: die eine Symbiose erzeugt zwischen Prompts, Fragen mittels LLM und strukturierten Zusammenhängen in Form von Graphen: Welche Daten, welche Informationen , Textbausteine, Elemente unterschiedlicher Elementtypen sind nach welchen Regeln miteinander verknüpft ?
Diese Kombination hat eine Reihe markanter Vorteile:
Dazu sind aber die technischen, logischen Zusammenhänge von Ursache und Wirkung, von physikalischen, chemischen, mathematischen, biologischen, wissenschaftlich begründeten Regeln in solche Systeme einzubauen.
Hier steht Engineering-KI im Sommer 2025 noch relativ am Anfang der Lernkurve.
Anfang 2025 war ich beteiligt, die Verknüpfungen in einer FMEA als Regelwerk aufzubereiten, um es mit einer Engineering-KI dann anzuwenden.
Die vorliegenden Ergebnisse sind aber erstaunlich gut und zuverlässig.
Die Assistenz-Funktion einer solchen KI ist zum einen davon abhängig, welche Regeln das System kennt, zum anderen, welche Daten, welche Anwendungsbeispiele, welche Lessons Learned dieser Software als Datenbasis zur Verfügung stehen.
Mein Angebot:
Unterstützung, um aus der Methodenkenntnissen und Ingenieur-Regeln Wissens-Graphen zu erarbeiten.
Die Ergebnisse der KI müssen kalibriert werden, um über das Medium Sprache sinnvolle Ergebnisse abzuleiten.
Auch diese Kalibrierung benötigt Fachwissen und systematische Arbeitsweise.