Erweitertes RAG für F&E

Ausgangslage und Ziele

Ein produktionsreifes Werkzeug für generative KI zur Wettbewerbsanalyse von Flugzeugtriebwerken aufbauen, auf Basis öffentlicher Daten zu Flugvorfällen (BEA, NTSB, FAA, EASA usw.) – jenseits dessen, was klassisches RAG leisten kann.

Die Herausforderung: ein riesiger, fragmentierter öffentlicher Datenbestand.

• Acht Dokumenttypen: Vorfallberichte, Patente, Wettbewerbsberichte, Presseartikel, Lufttüchtigkeitsanweisungen, wissenschaftliche Forschung, Musterzulassungsdatenblätter und allgemeine Recherche.
• Heterogene, verrauschte Daten: Freitext, mehrsprachig, große Mengen. Klassischem RAG fehlt es an Präzision und Vollständigkeit.
• Ein Bedarf mit hoher Tragweite: F&E-, Audit- und Flugsicherheitsteams brauchen verlässliche und prüfbare Antworten.

Ergebnisse

Im Betrieb in der souveränen Cloud des Kunden: Ingenieure führen vollständige, prüfbare Abfragen mit Quellenangaben durch, und die Erfassungspipeline erweitert die Wissensbasis selbstständig.

Unser Ansatz

Eine fortschrittliche RAG-Architektur, die einen Knowledge Graph und agentische Suche kombiniert:

• Ein an der technischen Taxonomie ausgerichteter Knowledge Graph: 88 strukturierte Tags und mehr als 80 Felder je Dokument.
• Eine hybride Erfassungspipeline: LLMs und klassisches NLP befüllen den Graphen automatisch und im großen Maßstab.
• Agentische Suche: Tag-basierte Abfragen auf SQL-Niveau über den Graphen, die vollständige Ergebnislisten mit Quellenangaben liefern.