Die Herausforderung
Jedes Ausrüstungsteil an Bord kommt mit dem Handbuch seines Lieferanten: lange, uneinheitliche Dokumente mit Tabellen, Diagrammen, Teilereferenzen und Revisionshistorie. Wartungspläne mussten von Hand gefunden und ins ERP eingetippt werden. Das verlangsamte die Lieferung und machte es schwer nachzuweisen, von welcher Seite ein Wert stammte.
Vollständig On-Premises
Dokumente verlassen nie den Standort
Lieferantenhandbücher enthalten vertrauliche Anlagendaten. Deshalb laufen Modell, Embeddings und Vektorindex vollständig auf der eigenen Hardware des Kunden. Kein Dokument und kein Prompt geht an einen externen KI-Service.
Auf dem eigenen GPU-Server des Kunden
Die Produktion läuft auf einem GPU-Server mit NVIDIA RTX PRO 6000 Blackwell in der Umgebung des Kunden. Darauf haben wir ein selbst gehostetes Open-Source-LLM bereitgestellt, sodass sensible Dokumente vor Ort verarbeitet werden.
So betreiben wir KI On-Premises →Was wir geliefert haben
Verarbeitung von PDFs und gescannten Dokumenten, OCR wo nötig, Erfassung von Metadaten, Versionierung und dauerhafte Speicherung der Quellen.
Inhalte werden anhand von Dokumenthierarchie und Layout segmentiert, sodass Tabellen, Abschnitte und Querverweise ihren Kontext behalten.
Mit einem RAG-Chatbot können Ingenieure Fragen zu jedem Handbuch stellen. Embeddings und Vektorsuche finden die relevanten Passagen, und das selbst gehostete LLM antwortet mit Verweis auf PDF-Name und Seite.
Der Wartungsplan jedes Lieferanten mit Aufgaben, Intervallen und Ersatzteilen wird in ein festes Schema extrahiert und als strukturiertes Dokument geliefert, das das ERP importieren kann. Jeder Wert verweist auf PDF-Name und Seite, aus denen er stammt.
Jedes extrahierte Feld erhält einen Konfidenzwert. Felder mit niedriger Konfidenz prüft ein Mensch, bevor etwas ins ERP gelangt, und Testsets messen die Extraktionsgenauigkeit.
Ergebnis
Engineering-Wissen wurde wiederverwendbar, während Originaldokument, Version, Seite und Extraktionsbelege für Audits und Prüfungen verfügbar blieben.
Python- OCR
- NVIDIA RTX PRO 6000 Blackwell
- Selbst gehostetes Open-Source-LLM