SPREAD hat es sich zur Aufgabe gemacht, Produktdaten für Entwicklungsteams zugänglich, intuitiv und umsetzbar zu machen, damit diese durch Kreativität und Agentic Engineering Intelligence die nächste Ära softwaredefinierter Produktinnovationen einleiten können.
Wenn Sie sich dafür interessieren, wie SPREAD Datenchaos in Klarheit verwandelt, schauen Sie sich das untere Video an.
'Garbage in, garbage out' ist nicht nur ein Sprichwort - es ist eine fundamentale Wahrheit. Wertvolle (Gen)KI-Anwendungen können in der Fertigungsindustrie nur dann existieren, wenn sie auf einer starken und konsistenten Datengrundlage aufbauen - strukturierte und unstrukturierte Produktdaten, die über verschiedene Systeme und Tools hinweg integriert werden, um Ingenieuren ein ganzheitliches Verständnis zu vermitteln.
Wir ermöglichen es Ingenieuren, tiefe Einblicke in ihre Produkte zu gewinnen und datengestützte Entscheidungen während des gesamten Produktlebenszyklus zu treffen, indem wir Technologien wie einen Wissensgraphen, ein Schema, Graphenföderation, maschinelles Lernen, KI-Agenten, GraphQL und eine multi-tenant Cloud Architektur nutzen.
Unsere End-to-End-Lösung basiert auf einer Architektur, die Flexibilität, Skalierbarkeit, Sicherheit und leistungsstarke Datenintegration für unsere gesamte Engineering Intelligence-Lösungssuite gewährleistet. Darüber hinaus bietet sie mehrere Möglichkeiten der Integration in Ihre bestehende Infrastruktur.
Unsere Engineering Intelligence-Plattform funktioniert in 3 Schritten:
Der folgende Artikel gibt einen detaillierten Überblick über diese Schritte (1-3) und weitere Grundlagen unserer Plattform (4).
Erster Schritt: Die Grundlage der SPREAD-Architektur ist die Data Ingestion & Mapping-Schicht, die verschiedene Datenquellen über sofort einsatzbereite Smart Connectors für spezifische Datenformate (z. B. Tabellen, Datenbanken, 3D-Formate, CAD-Formate), einen konfigurierbaren Generic Mapper und einen Data Sourcing Layer integriert. Diese harmonisieren sowohl strukturierte als auch unstrukturierte Daten in einem Wissensgraphen, dem Engineering Intelligence Graph von SPREAD, und schaffen so eine umfassende, zentralisierte Datenbank.
Effiziente Dateneingabe und -zuordnung sind der Schlüssel zur Integration verschiedener Datenquellen:
Konnektoren sind die Brücken, die verschiedene Datenquellen mit dem Wissensgraphen verbinden. Sie gewährleisten einen nahtlosen Datenfluss von verschiedenen Systemen und Werkzeugen in unseren Graphen. So kann ein Konnektor beispielsweise Konstruktionsdaten aus einem CAD-System und einem PLM-Engineering-System abrufen und beide in den Graphen einspeisen, um eine einheitliche Ansicht zu erhalten.
PLM-Systeme sind für die Verwaltung dieser Daten unerlässlich. Ohne eine angemessene Integration in ein breiteres Datenökosystem können jedoch selbst die besten PLM-Tools nicht die Transparenz bieten, die für die heutigen schnelllebigen Fahrzeugprojekte erforderlich ist.
SPREAD bietet vorkonfigurierte Konnektoren zu diesen Systemen und beseitigt damit die Hürden für die Integration wichtiger PLM-Daten in andere Entwicklungs- und Unternehmenssysteme. SPREAD führt diese Daten automatisch zusammen und gewährleistet so genaue, synchronisierte Einblicke in die Produktreife und den Entwicklungsfortschritt.
Die Integration von PLM-Systemen mit SPREAD bringt mehrere entscheidende Vorteile mit sich:
Die Data Source Connecting Layer ist eine Middleware-Schicht, die die Verbindung und Integration mehrerer Datenquellen in ein einheitliches System erleichtert. Diese Schicht fungiert als Vermittler zwischen den Datenquellen und dem Zielsystem und stellt sicher, dass Daten aus unterschiedlichen Quellen aggregiert, harmonisiert und für die Analyse und Verarbeitung zugänglich gemacht werden können. Sie übernimmt in der Regel Aufgaben wie Datenextraktion, -transformation, -laden (ETL) und -synchronisation.
Der Generic Mapper übersetzt Daten von einem Format oder einer Struktur in ein anderes. Im Kontext des Wissensgraphen ermöglicht er es, Daten aus verschiedenen Quellen wie PLM-Systemen, ERP-Systemen oder IoT-Geräten mit unserem Schema zu harmonisieren und so zu importieren, dass sie für den Wissensgraphen zugänglich sind. Dieser einzigartig leistungsstarke Harmonisierungsprozess ist entscheidend für die nahtlose Interoperabilität und Analyse von Daten über verschiedene Systeme und Domänen hinweg. Im Detail bedeutet Harmonisierung in diesem Zusammenhang das Verstehen und Umwandeln komplexer hierarchischer Quelldatenformate in das Schema des Wissensgraphen - eine Fähigkeit, die unsere Lösung von anderen Mapping-Ansätzen unterscheidet.
Beim KI-gestützten Mapping wird künstliche Intelligenz als Co-Pilot eingesetzt, um den Prozess des Mappings von Daten aus verschiedenen Quellen in ein einheitliches Datenmodell zu verbessern. Dies kann die Identifizierung und den Abgleich von Dateneinheiten, die Erkennung von Mustern und Empfehlungen für Datentransformationen umfassen. Im Zusammenhang mit Engineering Intelligence hilft KI-gestütztes Mapping bei der effizienten Integration großer Mengen komplexer Daten, indem es den manuellen Aufwand reduziert und die Genauigkeit und Konsistenz des Datenmappings verbessert.
Diese Schicht unterstützt die Datenaufnahme und -transformation aus CAD-, PLM-, ERP- und IoT-Quellen und ermöglicht eine nahtlose Datenintegration mit SPREADs Engineering Intelligence Graph. Sie legt den Grundstein für SPREADs KI-gesteuertes Ökosystem und stellt sicher, dass alle Daten bereit sind, den Product Twin zu unterstützen.
Der zweite Schritt und das Herzstück des SPREAD-Stacks ist der Product Twin. Dabei handelt es sich um eine detailierte, dynamische digitale Darstellung jedes Produkts, die Daten über den gesamten Produktlebenszyklus hinweg erfasst und kontextualisiert. Der Engineering Intelligence Graph dient als Rückgrat des Product Twin, indem er strukturierte und unstrukturierte Daten - z. B. Komponentenspezifikationen, Fehlerberichte, Release-Pläne - zu einem kohärenten, umsetzbaren Modell organisiert und miteinander verknüpft.
Der Produktzwilling besteht aus zwei entscheidenden Schichten:
Durch die Abbildung komplizierter Beziehungen zwischen Komponenten, Lebenszyklen und technischen Bereichen vereinfacht der Product Twin komplexe Analysen und verbessert die Entscheidungsfindung. Der Product Twin von SPREAD bietet Ingenieuren eine ganzheitliche Sicht auf Abhängigkeiten und Systemfunktionalität und ist damit eine leistungsstarke Grundlage für alle Engineering Intelligence-Lösungen.
Im folgenden Abschnitt werden die grundlegenden Konzepte des Product Twin im Detail vorgestellt.
Der Engineering Intelligence Graph (ein Wissensgraph für das Engineering) ist unser Rückgrat, das strukturierte Produktdaten und Beziehungen miteinander verknüpft und speichert. Es handelt sich um ein GraphQL-basiertes System, das Graphenstrukturen mit Nodes, Edges und Eigenschaften zur Darstellung und Speicherung der Daten verwendet.
Man muss sich das so vorstellen: Komplexe mechatronische Systeme sind mittlerweile so vernetzt, dass der Mensch die Systeme nicht mehr alleine verstehen und steuern kann. Im besten Fall findet sich eine grafische Darstellung mechatronischer Systeme in siloartigen Systemen einer F&E-Abteilung, aber die Daten folgen in der Regel keinem Schema, das Schema ist nicht dokumentiert, oder es ist nicht hersteller- oder produktunabhängig definiert. Außerdem sind die Daten nicht mit verwandten Daten in anderen Unternehmenssystemen verknüpft. Dies zwingt die Nutzen dazu, Exporte dieser Daten manuell mit Querverweisen zu versehen, was keine skalierbare und nachhaltige Methode ist.
Unser Engineering Intelligence Graph löst dieses Problem mit dem Schema und seinen zwei Kernschichten:
Der Engineering Intelligence Graph ermöglicht eine ganzheitliche Sicht auf komplexe Systeme über den gesamten Produktlebenszyklus und über alle Domänen hinweg. Dies ermöglicht eine bessere Entscheidungsfindung und eine effizientere Problemlösung. Darüber hinaus unterstützt er Technologien wie (Gen)AI, indem er das nötige Wissen und die Grundlagen für das Verständnis der Systemfunktionalität liefert. Dies steigert die KI-Effizienz und -Leistung und führt zu höherer Produktivität, Qualität und schnellerer Produktinnovation.
Das Schema, auch Informationsmodell genannt, ist im Wesentlichen die Blaupause für die Organisation und Strukturierung von Daten innerhalb des Engineering Intelligence Graph. Im Folgenden wird seine Rolle näher beleuchtet:
In einem Automobilkontext definiert unser Schema beispielsweise Beziehungen zwischen CAD-Konstruktionselementen, Merkmalen, Varianten, Kabeln oder Hardware und stellt sicher, dass sie alle innerhalb des Graphen kohärent zusammenpassen. Dies macht Synergien in den Daten sichtbar und ermöglicht die einfache Erstellung von Dashboards oder anderen Anwendungen auf dieser Grundlage. Um die Skalierbarkeit zu gewährleisten, verfügen wir über zahlreiche Mechanismen zur Ableitung von Dienstimplementierungen, Anwendungspflege und Datenmigrationen aus dem Inhalt des Schemas selbst.
Ein Graph ist eine formale Struktur, die zur Darstellung von Beziehungen zwischen Entitäten verwendet wird. Er besteht aus zwei Hauptkomponenten: Nodes und Edges. Die Nodes stellen Entitäten dar, während die Edges die Beziehungen oder Verbindungen zwischen diesen Entitäten darstellen.
Diese Struktur ist unglaublich vielseitig und kann verschiedene Szenarien modellieren, wie z. B. soziale Netzwerke oder mechatronische Systeme. In mechatronischen Systemen können die Nodes beispielsweise Steuergeräte und Software darstellen, während die Edges alle Abhängigkeiten zwischen den Merkmalen modellieren können. Die Stärke von Diagrammen liegt in ihrer Fähigkeit, komplexe, miteinander verbundene und voneinander abhängige Systeme visuell und strukturell abzubilden, was die Analyse und das Verständnis der zugrunde liegenden Beziehungen und Muster erleichtert.
Eine Graphdatenbank ist eine Art von Datenbankmanagementsystem, das für die Speicherung, Verwaltung und Abfrage graphstrukturierter Daten konzipiert ist. Im Gegensatz zu herkömmlichen relationalen Datenbanken, die Tabellen und Zeilen verwenden, nutzen Graphdatenbanken Nodes und Edges sowie deren Eigenschaften, um Daten darzustellen, zu speichern und zu verknüpfen.
Diese Datenbanken eignen sich hervorragend für die Verarbeitung von Daten mit komplexen Beziehungen, da sie die Verbindungen zwischen Datenpunkten von Natur aus modellieren. Sie sind für Aufgaben optimiert, die umfangreiche Datentraversals und komplexe Beziehungsabfragen beinhalten. Die Graphentechnologie spielt eine entscheidende Rolle bei der Verwaltung hochkomplexer mechatronischer Systeme, da sie einen robusten Rahmen für die Darstellung, Analyse und Optimierung der komplizierten Beziehungen und Interaktionen innerhalb dieser Systeme bietet. So zum Beispiel die Komponenten des Kabelbaums eines Autos, ihre Verbindung über Kabel bis hin zu den Pins der Steckverbinder der Komponenten und ihre Verbindung über einzelne Kabelstränge der Kabel.
Subgraphen und Supergraphen sind integrale Konzepte in skalierenden Graphensystemen, die bei der Verwaltung und Analyse komplexer Datenmengen helfen. Ein Subgraph ist eine Teilmenge eines größeren Graphen (Supergraph). Subgraphen werden in der Regel verwendet, um bestimmte Bereiche oder Interessengebiete innerhalb eines größeren Datensatzes darzustellen und zu verwalten.
Der Supergraph hingegen ist der übergreifende Graph, der alle Subgraphen enthält. Er bietet einheitliche Abfragemöglichkeiten für das gesamte System und integriert Daten aus verschiedenen Subgraphen. Diese Integration ermöglicht ganzheitliche Analysen und Erkenntnisse über verschiedene Bereiche hinweg. Die Beziehungen und Daten innerhalb der Subgraphen sind häufig miteinander verbunden, so dass der Supergraph bereichsübergreifende Abfragen und Analysen erleichtert. Der Supergraph und alle seine föderierten Subgraphen bilden zusammen den Engineering Intelligence Graph.
Ein umfassender Graph stellt beispielsweise die gesamten Produktdaten des Unternehmens dar, Subgraphen können spezifische Bereiche wie Entwicklung, Produktion, Aftermarket, Beschaffung und weitere anpassbare Bereiche als Untergraphen repräsentieren.
Der Supergraph ist die Zusammenführung unserer Bemühungen und repräsentiert das gesamte Produktökosystem:
Sie dient als single Source-of-Truth und zeigt auf anpassbare Weise, wie das System funktioniert. Dies ermöglicht effiziente Abfragen, z. B. zur Fehlereingrenzung und zur Verfolgung von Abhängigkeiten, und bietet im Vergleich zu herkömmlichen relationalen Datenbanken deutlich verbesserte Abfragemöglichkeiten.
Angenommen, ein Typ im Schema, der der Motorspezifikation gewidmet ist, existiert im Subgraphen, der von der Entwicklungsabteilung verwaltet wird, dann könnten zusätzliche Felder, die sich auf die geschätzte Leistungsabgabe beziehen, dank des Supergraphen sofort im Zusammenhang mit einer Gesamtfahrzeugleistungsanalyse verwendet werden.
GraphQL ist die Abfragesprache, die für die Interaktion mit dem Engineering Intelligence Graph verwendet wird. Sie bietet eine flexible und effiziente Möglichkeit zur Abfrage von Daten:
Dieser präzise und effiziente Datenabrufmechanismus ist für Ingenieurteams, die einen schnellen Zugriff auf bestimmte Datensätze benötigen, von entscheidender Bedeutung. Oder anders ausgedrückt: Der Engineering Intelligence Graph ist nicht nur eine bereichsübergreifende schematisierte Datenbank, sondern ein einheitlicher Zugriff über eine föderierte Infrastruktur von Subgraphen, die fortgeschrittene Analysen und die Wissensbasis für LLMs als weitere Funktionen ermöglicht und nutzt.
Da die Architektur unseres Systems hochgradig modular ist und alle Interaktionen über die föderierte Graphenschicht laufen, können die Fälle unserer Kunden in verschiedenen Szenarien gelöst werden:
Um eine vollständige Interaktion mit einer beliebigen Anzahl externer Systeme zu ermöglichen, kann unsere Graphenschicht so konfiguriert werden, dass sie externe Ereignisse oder Aufrufe verarbeitet, Ereignisse an externe Systeme sendet und mit anderen Graphen verbunden werden kann.
Dritter Schritt: Die Action Cloud ist die Repräsentations- und Interaktionsschicht, in der die strukturierten und kontextualisierten Daten im Product Twin genutzt werden, um den Zugriff, die Analyse und das Authoring von Produktdaten zu ermöglichen. Dies ermöglicht die Nutzung von vorkonfigurierten Engineering Intelligence Lösungen sowie die Low-Code-Erstellung von kundenspezifischen Anwendungen im Studio. Die Action Cloud wird durch Engineering Intelligence Agents erweitert, die zur Optimieurng von Arbeitsabläufen und zur Automatisierung von Entwicklungsaufgaben eingesetzt werden.
Die Action Cloud stellt den Anwendern mehrere vorkonfigurierte Engineering Intelligence Lösungen zur Verfügung und ermöglicht es ihnen gleichzeitig, benutzerdefinierte Anwendungen in einer Low-Code-Umgebung innerhalb des SPREAD Studios zu erstellen. Die Lösungen und Anwendungen ermöglichen es den Anwendern, ihre Produktdaten zu visualisieren und mit ihnen zu interagieren, aber auch die Daten innerhalb des Engineering Intelligence Graph zu analysieren und zu verfassen. Darüber hinaus können die Anwender die Anwendungen und die Visualisierung problemlos mit ausgewählten externen Partnern teilen und dabei die Einhaltung gesetzlicher Vorschriften sicherstellen.
Die Engineering Intelligence Lösungen bieten benutzerfreundliche und spezialisierte Anwendungen, mit denen Ingenieure über den gesamten Produktlebenszyklus hinweg, von der Entwicklung über die Produktion bis hin zum Aftermarket, einfach mit ihren Daten interagieren können. Diese sofort einsatzbereiten Lösungen unterstützen Ingenieure in jeder Phase des Produktlebenszyklus, verbessern die Zusammenarbeit und ermöglichen schnellere, datengestützte Entscheidungen.
SPREAD bietet derzeit die folgenden Out-of-the-Box-Lösungen an, die auf unserer Erfahrung mit unseren Kunden in den letzten 5 Jahren basieren:
Das SPREAD Studio bietet Ingenieuren eine Low-Code-Umgebung, in der sie intuitiv benutzerdefinierte Anwendungen und Dashboards erstellen, komplexe Aufgaben automatisieren und Daten abrufen können. Die benutzerfreundliche Drag-and-Drop-Oberfläche und die Low-Code-Umgebung ermöglichen es Ingenieuren und Benutzern mit minimalen oder gar keinen Programmierkenntnissen, Anwendungen zu erstellen und bereitzustellen. So kann ein breites Spektrum von Anwendern in kürzester Zeit einen Mehrwert schaffen. Hier sind einige Beispiele für Anwendungsfälle:
Wie funktioniert das in der Praxis? Die Benutzer können die Anwendung intuitiv innerhalb einer einfachen visuellen Schnittstelle erstellen. Innerhalb der Schnittstelle können sie vorgefertigte Widgets (z. B. 2D/3D-Visualisierungen, Diagramme, Tabellen) einfach per Drag-and-Drop in ihre Anwendung oder ihr Dashboard einfügen. Die Funktion, der Bezug oder die Logik dieser Widgets kann dann leicht angepasst und durch Low-Code-Anpassungen innerhalb derselben Schnittstelle spezifiziert werden. All dies wird durch visuelles Feedback in Echtzeit unterstützt, so dass der Benutzer das Ergebnis seiner Änderungen direkt sehen kann.
Darüber hinaus können Benutzer Flows in der visuellen Drag-and-Drop- und Low-Code-Umgebung des SPREAD Studio erstellen. Flows ermöglichen die Verarbeitung von Daten, die Ausführung von Datenaufgaben und die Definition von Datenregeln innerhalb des SPREAD-Ökosystems. Die Flows ermöglichen es dem Benutzer, Daten aus externen Quellen zu holen, Daten von der Plattform in eine externe Anwendung zu transformieren oder die Datenverarbeitung innerhalb von Anwendungen und Lösungen zu verbessern. Die Flows selbst können durch eine API, Zeit oder andere Initiatoren ausgelöst werden.
Alles, was SPREAD tut und sieht, wird als Daten in unserem Engineering Intelligence Graph definiert. Diese Daten werden sowohl von Menschen als auch von Maschinen beschrieben und verstanden. Der Graph bietet sicheren Zugang zu all Ihren Daten, die in unsere Plattformfunktionen integriert sind. Unsere EI-Agenten sind Routinen, die eine Eingabe entgegennehmen und auf der Grundlage von Anweisungen, Tools und Daten, auf die sie Zugriff haben, eine Ausgabe liefern. Das ist es, was die EI-Agenten von SPREAD auszeichnet: Die Agenten erhalten unsere Plattformfunktionen und Daten als Werkzeugkasten, mit dem sie innerhalb der von Ihnen festgelegten Einschränkungen arbeiten können. Die EI-Agenten arbeiten auf der Grundlage des gesamten strukturierten und kontextualisierten Wissens innerhalb des Engineering Intelligence Graphs, was eine fachkundige und hochspezifische Unterstützung des Benutzers ermöglicht. Das Wissen des Agenten kann durch die Bereitstellung von zusätzlichem Kontext und Daten (z. B. Anforderungen) durch einen erfahrenen Benutzer erweitert werden, um den Agenten mit zusätzlichen Details zu trainieren.
Die EI-Agenten können eine breite Palette von Aufgaben rationalisieren und automatisieren. Dazu gehören Aufgaben wie Datenerstellung, Analyse und Mapping, aber auch hochwertige Aufgaben wie Anforderungsanalyse, Fehlermusteranalyse und Konzepterstellung. Die Benutzer können die Fähigkeiten des Agenten selbst spezifizieren und definieren, um die Anforderungen des Ingenieurs konkret zu erfüllen und das jeweilige Problem zu lösen. Einige dieser hochwertigen Ingenieuraufgaben sind:
Die Interaktion mit den EI-Agenten erfolgt über natürliche Sprache. Da sie aber auch als Daten betrachtet werden, können sie durch unsere einheitliche API auf allen Ebenen genutzt werden. Benutzer aus allen Bereichen können die Agenten nutzen, Aufgaben auszuführen oder bestimmte Fragen innerhalb einer einfachen und intuitiven Schnittstelle zu beantworten. Die Agenten interpretieren dann die Anweisungen, um die entsprechenden Arbeitsabläufe zu generieren, Analysen durchzuführen und Lösungen anzubieten. Diese intuitive Art der Interaktion mit der agentenbasierten KI macht es Ingenieuren leicht, die Leistung der Agenten zu nutzen. Außerdem können die Agenten miteinander interagieren und ihr spezifisches Wissen nutzen, um eine bestimmte Aufgabe zu erfüllen.
Letztendlich entlasten die EI-Agenten die Ingenieure und ermöglichen es ihnen, sich auf anspruchsvolle technische Aufgaben zu konzentrieren.
Die Grundlagen unserer Plattform unterstützen sicheres Datenhosting, gemeinsame Nutzung und multi-tenant Management. Diese Schichten gewährleisten Benutzerauthentifizierung, Datenintegrität und Compliance über globale Teams und Partner hinweg, so dass die Lösungen von SPREAD sicher innerhalb von Unternehmen und mit externen Stakeholdern geteilt werden können.
Die SPREAD-Kernschichten werden von der Hosting-Schicht unterstützt, die skalierbare, sichere Bereitstellungsoptionen bietet, einschließlich on-premise oder privaten Cloud beim Kunden, und der Multi-Tenant-Cloud von SPREAD.
Zu den wichtigsten Funktionen gehören:
Unsere Benutzerverwaltungsanwendung ermöglicht die nahtlose Verwaltung von Benutzerauthentifizierung, Autorisierung und Zugriffskontrolle innerhalb der Plattform. Dies ist für die Aufrechterhaltung einer sicheren und effizienten Umgebung unerlässlich. Administratoren können auf einfache Weise Benutzerrollen definieren, Berechtigungen zuweisen und sicherstellen, dass Einzelpersonen je nach ihren Zuständigkeiten angemessenen Zugriff auf Daten und Tools haben.
Die Datenmanagement-Anwendung im SPREAD-Ökosystem überwacht die Verwaltung, Speicherung und den Abruf von Produktdaten. Sie bietet zugängliche Werkzeuge für die Organisation, Abfrage und Verwaltung des Lebenszyklus von technischen und produktbezogenen Informationen. Dies gewährleistet die Datenintegrität und die Einhaltung interner und externer Anforderungen.
Die Schicht ermöglicht die Verwaltung von Nutzer in einem multi-tenant SPREAD Deployment, wobei Isolierung und Flexibilität erhalten bleiben. Sie ermöglicht es Administratoren, Daten, Konfigurationen und Benutzerumgebungen für verschiedene Kunden oder Teams einfach zu trennen. Dies gewährleistet einen sicheren Zugriff und maßgeschneiderte Funktionen für jeden Mandanten.
Es ist eine Sache, darüber zu lesen, aber eine ganz andere, es in Aktion zu sehen. Wenn Sie mehr über unsere Lösung und ihre Funktionsweise erfahren möchten, zögern Sie bitte nicht, einen unserer Experten zu kontaktieren. Buchen Sie einfach einen individuellen Termin - ganz unverbindlich.