SEW-EURODRIVE nutzt KI zur Vergabe von Metadaten in Technischer Dokumentation

SEW-EURODRIVE ist mit mehr als 18000 Mitarbeitern, mit 17 Fertigungswerken und Vertriebs- und Serviceniederlassungen in 52 Ländern einer der führenden Anbieter, wenn es um Getriebemotoren und Antriebstechnik geht. Die Produkte der SEW-EURODRIVE sind hochkonfigurierbar, was sich wiederum in einem breiten Spektrum an Informationsprodukten niederschlägt. Frau Aurelia Schwarz, Technische Redakteurin bei SEW-EURODRIVE formuliert ihren Anspruch für die Produktkommunikation auf der SCHEMA Conference folgendermaßen: „Die Kernfrage ist: ‚Wie findet der Kunde die richtige Information zum richtigen Zeitpunkt?‘ Die Antwort: Jedes Informationsprodukt muss situativ und spezifisch klassifiziert sein. Dadurch machen wir den Weg bereit für Content Delivery und Industrie 4.0.“

In der Konsequenz bedeutet das, dass der Content-Bestand in ST4 mit einem ausgefeilten Kriteriensatz in etwa 1800 Taxonomien klassifiziert werden muss. Dazu ist selbstverständlich eine tiefgehende Produktkenntnis notwendig. Denn nicht alle Metadaten lassen sich frei kombinieren. Zwischen den einzelnen Eigenschaften gibt es Abhängigkeiten und gegenseitige Ausschlüsse, die nur ein Profi zuverlässig erkennen kann. Die Metadatenvergabe kostet deshalb Zeit und wertvolle Ressourcen, wobei gleichzeitig aber die Gefahr groß bleibt, dass sich trotz aller Sorgfalt doch Fehler einschleichen.

Um mit SCHEMA ST4 noch effizienter umgehen zu können und um eine Basis für Content Delivery zu schaffen, musste deshalb eine Lösung gefunden werden, die die Metadatenvergabe weitgehend automatisch, aber auch zuverlässig vornimmt. Das Redaktionsteam prüfte verschiedene Ansätze und identifizierte als meistversprechende Lösung plusmeta, die KI-Anwendung eines Anbieters aus Karlsruhe. Die Hoffnung bestand, durch ein geeignetes Training die KI so anzupassen, dass sie im Content von ST4 mit hoher Zuverlässigkeit relevante Informationen für Metadaten entdecken kann.

Das besondere bei der Arbeit mit einer KI besteht darin, dass das System erst mit den Daten vertraut gemacht werden muss. Dazu muss in einem ersten Schritt festgelegt werden, für welches Metadatum bzw. welche Taxonomie (z. B: „Produktlebenszyklus“) ein KI-Modell trainiert  werden soll. Danach braucht die KI-Software einen Datenbestand, anhand dessen sie trainiert werden kann. Im konkreten Projekt von SEW-EURODRIVE waren das etwa 550 Module aus SCHEMA ST4 inklusive der dazugehörigen Taxonomien. Wichtig ist in diesem Schritt, dass das Trainingsmaterial korrekt klassifiziert ist, da die KI sonst die fehlerhaften Zuweisungen in ihr Modell integriert.

Im nachfolgenden Trainingslauf lernt das System nun, die Metadaten auch in neuen Content-Modulen korrekt zu bestimmen. Dabei gibt die KI-Software auch einen Richtwert aus, mit welcher Genauigkeit ein Metadatum zukünftig erkannt werden kann.

Sobald nun das System trainiert ist, lassen sich auch neue Content-Module in die KI-Software eingeben. Das System vergibt nun die Metadaten automatisiert. Sowohl das Lernen als auch die Verarbeitung neuer Daten läuft übrigens extrem schnell ab: Für 171 Module konnten z. B. 476 Metadaten innerhalb von 35 Sekunden gesetzt werden – eine Arbeit, die von Hand Stunden, wenn nicht Tage, in Anspruch genommen hätte.

Doch bei aller Automatisierung bleibt eine letzte Aufgabe für die Redaktion zu tun. Obwohl die Metadaten sehr zuverlässig durch die KI vergeben werden, bleibt am Ende eine Qualitätssicherung durch die Redakteurinnen und Redakteure bei SEW-EURODRIVE. Denn die Verantwortung für die Korrektheit der Inhalte kann die KI den Menschen nicht abnehmen.

Von „händisch“ zur Zauberhand – so lässt sich das Projekt von SEW-EURODRIVE zusammenfassen. Für die Zukunft planen die Redakteurinnen nun in plusmeta eine ausgefeilte Modellierung der wechselseitigen Beziehungen und Abhängigkeiten der Metadaten. Dabei kommt ihnen die tiefere Integration der KI in SCHEMA ST4 zugute. Denn auch mit „Zauberhand“: Raum für weitere Optimierungen bleibt immer.

Dieser Artikel basiert auf einem Vortrag der SCHEMA Conference 2021. Wir bedanken uns bei Frau Aurelia Schwarz und Frau Julia Forster wärmstens für die Unterstützung!