KI-gestützte CE-Zertifizierung: Wie Cloud-LLMs Dokumentationen beschleunigen und standardisieren
- Unternehmen: Kautenburger GmbH
- Projektdauer: 04.2025 – 10.2025
- Digitalisierungsbereich: KI-gestützte Erstellung von CE-Zertifizierungs-Dokumentationen
- Projektziele: Relevante Normen und Richtlinien frühzeitig identifizieren; Kosten und Nacharbeit minimieren; Automatisierung durch ein LLM-basiertes Expertensystem
Herausforderung #1
CE-Zertifizierung komplex: Können LLMs bei der Erstellung der Dokumentation helfen?
Herausforderung #2
Zuverlässigkeit abklären: Können lokale LLMs sicher Informationen aus bestehenden Dokumentationen herauslesen?
Herausforderung #3
Qualität und Effizienz gewährleisten: Können LLMs überprüfen, ob eine CE-Zertifizierung erfolgreich wäre?
Über das Projekt
Projektziele
In der digitalen Ära, in der Effizienz und Präzision entscheidend sind, stellt sich die Frage: Kann ein lokales KI-Modell (LLM) Mitarbeitern die notwendigen Informationen für eine CE-Zertifizierung aus Dokumenten extrahieren? Die Firma Kautenburger, seit 1990 führend in innovativer Industrie-Automation, steht hier vor der Herausforderung, die Konformität ihrer Produkte mit EU-weiten Sicherheits-, Gesundheits- und Umweltschutzvorgaben zu gewährleisten. Besonders relevant sind dabei physikalische Eigenschaften von Bauteilen wie Form, Kanten oder Abrundungen, die potenzielle Risiken für Personen minimieren.
Ein LLM könnte diese Daten automatisiert identifizieren und so die Dokumentenerstellung beschleunigen – Zeitersparnis und höhere Genauigkeit inklusive. Zudem sollte geprüft werden, ob sich aus bestehenden Unterlagen vordefinierte Templates für Produktkategorien ableiten lassen, die als Leitfaden für zukünftige Dokumentationen dienen.
Ausgangslage
Zu Projektbeginn wurden die bereitgestellten Dokumente auf eine einheitliche Struktur hin analysiert, um daraus ein Grundtemplate zu entwickeln. Aufgrund begrenzter Datenbasis konzentrierte sich die erste Evaluation auf lose Lastaufnahmemittel, da diese den größten Anteil der Unterlagen ausmachten.
Im nächsten Schritt wurden Betriebsanweisungen dieser Lastaufnahmemittel verschiedenen lokalen LLM-Modellen (z. B. Llama, Mistral, Qwen) via Retrieval Augmented Generation (RAG) zugeführt, um relevante Informationen zu extrahieren. Die Ergebnisse waren jedoch nicht durchgehend zufriedenstellend: Teilweise wurden nur Dokumentausschnitte erfasst oder Zusammenhänge falsch interpretiert. Das größte Hindernis war die Verarbeitung deutscher Texte – die Embedding-Layer der lokalen Modelle waren dafür nicht optimal trainiert. Selbst spezialisierte Modelle lieferten nicht die gewünschte Qualität.
Unternehmensbeschreibung
- Kautenburger GmbH
- Gewerbegebiet Heiligenwies 9, 66663 Merzig
- 1999
- 50
- Sondermaschinenbau, Automatisierung
- Entwicklung von innovativen Produkten und Systemen im Bereich der anspruchsvollen Industrie-Automation
Vorgehen
Nach der ersten Testphase wurden die Ergebnisse mit der Firma Kautenburger besprochen. Diese bestätigte weitere Tests mit Cloud-basierten Modellen wie ChatGPT, LeChat und Microsoft Copilot. Die Cloud-LLMs schnitten deutlich besser ab: Sie erfassten die komplexen Strukturen und Nuancen der deutschen Dokumente präziser und lieferten signifikant bessere Ergebnisse.
Für die Template-Erstellung wurde daher der Fokus auf Cloud-Modelle gelegt. Durch gezielte Fragen und Anpassungen konnten die Ergebnisse weiter optimiert werden. Die Modelle zeigten sich besonders flexibel und reagierten schnell auf spezifische Anforderungen – ideal für die Entwicklung präziser, anwendungsorientierter Templates.
Im letzten Schritt wurden die erstellten Templates verglichen, um die beste Kombination von Abschnitten zu ermitteln. So entstand ein optimiertes Template, das sowohl die Projektanforderungen erfüllt als auch die Stärken der Cloud-Modelle optimal nutzt.
Projektergebnis
Die Evaluation zeigte: Lokale LLMs sind nur bedingt geeignet, um essentielle Informationen aus Dokumenten zu extrahieren – insbesondere bei deutschsprachigen, fachspezifischen Texten. Die Genauigkeit und Relevanz der Ergebnisse ließen oft zu wünschen übrig.
Cloud-LLMs hingegen beantworteten nicht nur gezielte Fragen zu Dokumenten, sondern erkannten auch komplexe Zusammenhänge und bereiteten sie strukturiert auf. Damit erwiesen sie sich als wertvolles Werkzeug für die Erstellung von Anleitungen, Handbüchern und technischen Dokumentationen.
Zudem gelang es, einen ersten Entwurf für ein generelles Template zu erstellen. Dieses dient als Grundlage für die standardisierte Dokumentenerstellung und ermöglicht die Automatisierung repetitiver Aufgaben – mit dem Effekt von Zeitersparnis und Qualitätssteigerung. Allerdings erfordert die Implementierung solcher Modelle eine sorgfältige Planung und Anpassung an die spezifischen Projektanforderungen.
Die wichtigsten Erkenntnisse aus dem Projekt
Lokale LLMs stoßen an Grenzen
Lokale KI-Modelle sind nur bedingt in der Lage, gezielt große Mengen an Informationen aus langen Dokumenten zu extrahieren.
Cloud-LLMs: Qualität variiert stark
Cloud-basierte Modelle schneiden zwar generell besser ab, doch die Leistungsunterschiede zwischen den Anbietern sind erheblich.
Normenbestimmung als Stärke der Cloud-LLMs
Ein klarer Vorteil der Cloud-Modelle: Sie identifizieren Normen und Vorgaben zu spezifischen Themen relativ zuverlässig.