Die KI für Lieferketten von Articul8 erreicht eine Genauigkeit von 92 % und übertrifft damit herkömmliche Modelle.

Während Unternehmen darum wetteifern, KI in ihre Betriebsabläufe zu integrieren, stellen viele fest, dass Allzweckmodelle häufig nicht ausreichen, wenn es um spezielle industrielle Aufgaben geht, die fundiertes Fachwissen und sequentielles Denken erfordern.

Techniken wie Fine-Tuning und Retrieval Augmented Generation (RAG) bieten zwar gewisse Verbesserungen, erweisen sich jedoch oft als unzureichend für komplexe Szenarien wie das Lieferkettenmanagement. Genau diese Herausforderung will das Start-up-Unternehmen Articul8 angehen. Das Unternehmen hat kürzlich A8-SupplyChain vorgestellt, eine Suite von domänenspezifischen KI-Modellen, die speziell auf Fertigungslieferketten zugeschnitten sind. Diese Modelle werden von Articul8s ModelMesh unterstützt – einer agentenbasierten, KI-gestützten dynamischen Orchestrierungsschicht, die in Echtzeit entscheidet, welche KI-Modelle für bestimmte Aufgaben eingesetzt werden sollen.

Articul8 berichtet, dass seine Modelle in industriellen Arbeitsabläufen eine Genauigkeit von 92 % erreichen und damit allgemeine KI-Modelle bei komplexen sequenziellen Denkaufgaben übertreffen.

Articul8 war ursprünglich ein internes Team innerhalb von Intel und wurde 2024 zu einem unabhängigen Unternehmen. Die Technologie entstand aus der Entwicklung multimodaler KI-Modelle durch Intel für Kunden wie die Boston Consulting Group, noch bevor ChatGPT auf den Markt kam.

Die Grundphilosophie des Unternehmens steht im Gegensatz zu den vorherrschenden KI-Strategien von Unternehmen.

„Wir arbeiten nach der Grundüberzeugung, dass kein einzelnes Modell Ergebnisse auf Unternehmensebene liefern kann; man braucht wirklich eine Kombination von Modellen“, erklärte Arun Subramaniyan, CEO und Gründer von Articul8, exklusiv gegenüber VentureBeat. „Domänenspezifische Modelle sind unerlässlich für die Bewältigung komplexer Anwendungen in regulierten Sektoren wie Luft- und Raumfahrt, Verteidigung, Fertigung, Halbleiter und Lieferkette.“

Die KI-Herausforderung in der Lieferkette: Wie Reihenfolge und Kontext die Ergebnisse bestimmen

Fertigungs- und industrielle Lieferketten stellen besondere Herausforderungen für KI dar, die mit Allzweckmodellen oft nicht bewältigt werden können. Diese Umgebungen umfassen komplexe mehrstufige Prozesse, bei denen die Reihenfolge der Vorgänge, die Verzweigungslogik und die gegenseitigen Abhängigkeiten entscheidend für den Erfolg sind.

„Im Lieferkettenmanagement besteht das Grundprinzip darin, dass alles aus miteinander verbundenen Schritten besteht“, erläutert Subramaniyan. „Diese Schritte sind miteinander verknüpft, manchmal sequenziell verbunden und beinhalten gelegentlich rekursive Schleifen.“

Beispielsweise erfordert die Montage eines Düsentriebwerks in der Regel die Konsultation mehrerer Handbücher, die jeweils Hunderte oder sogar Tausende von Schritten enthalten, die in einer präzisen Reihenfolge ausgeführt werden müssen. Diese Dokumente stellen mehr als nur statische Informationen dar – sie enthalten Zeitreihendaten, die Prozesse beschreiben, die eine exakte Einhaltung erfordern. Subramaniyan merkte an, dass allgemeine KI-Modelle, selbst wenn sie mit Abrufmethoden verbessert werden, diese zeitlichen Zusammenhänge oft übersehen.

Diese Form des komplexen Denkens – das Zurückverfolgen von Verfahren, um Fehlerquellen zu lokalisieren – stellt eine grundlegende Herausforderung dar, für deren Bewältigung allgemeine Modelle nicht ausgelegt sind.

ModelMesh: Eine dynamische Intelligenzschicht jenseits der herkömmlichen Orchestrierung

Im Zentrum der Technologie von Articul8 steht ModelMesh, das über die Standard-Modellorchestrierungs-Frameworks hinausgeht und das schafft, was das Unternehmen als „Agent der Agenten” für industrielle Anwendungen bezeichnet.

„ModelMesh fungiert als intelligente Schicht, die während des schrittweisen Ablaufs von Prozessen kontinuierlich Verbindungen herstellt, Bewertungen vornimmt und Entscheidungen trifft”, erklärte Subramaniyan. „Wir haben es komplett von Grund auf neu entwickelt, da bestehende Tools unseren Anforderungen nicht gerecht werden – sie treffen Hunderte, manchmal Tausende von Laufzeitentscheidungen.”

Im Gegensatz zu Frameworks wie LangChain oder LlamaIndex, die vordefinierte Workflows bieten, integriert ModelMesh Bayes'sche Systeme mit spezialisierten Sprachmodellen, um die Genauigkeit der Ergebnisse dynamisch zu bewerten, nachfolgende Aktionen zu bestimmen und die Konsistenz über komplexe industrielle Workflows hinweg aufrechtzuerhalten.

Diese Architektur ermöglicht das, was Articul8 als industrielle agentenbasierte KI bezeichnet – Systeme, die nicht nur über industrielle Prozesse nachdenken, sondern diese auch aktiv vorantreiben können.

Über RAG hinaus: Industrielle Intelligenz von Grund auf aufbauen

Während viele KI-Lösungen für Unternehmen auf Retrieval-Augmented Generation (RAG) angewiesen sind, um allgemeine Modelle mit Unternehmensdaten zu verknüpfen, verfolgt Articul8 einen grundlegend anderen Ansatz zur Einbettung von Fachwissen.

„Wir zerlegen die zugrunde liegenden Daten in ihre Bestandteile“, erklärte Subramaniyan. „Eine PDF-Datei wird in Text, Bilder und Tabellen zerlegt. Audio- oder Videoinhalte werden auf ähnliche Weise zerlegt, und jedes Element wird mithilfe einer Kombination aus spezialisierten Modellen beschrieben.“

Das Unternehmen nutzt Llama 3.2 als Grundlage, das vor allem aufgrund seiner großzügigen Lizenzierung ausgewählt wurde, wandelt es dann aber in einem mehrstufigen Prozess um. Diese mehrschichtige Methodik ermöglicht es den Modellen, ein weitaus tieferes Verständnis industrieller Prozesse zu entwickeln, als es durch das einfache Abrufen von Datenfragmenten möglich wäre.

Die SupplyChain-Modelle durchlaufen mehrere Verfeinerungsstufen, die speziell für industrielle Kontexte entwickelt wurden. Die überwachte Feinabstimmung übernimmt klar definierte Aufgaben, während Feedbackschleifen mit Domänenexperten die Antworten für komplexere Szenarien bewerten und korrigieren.

Unternehmensanwendungen von Articul8

Obwohl sich die neuen Modelle noch in einem frühen Stadium befinden, zählt das Unternehmen bereits mehrere Kunden und Partner, darunter iBase-t, Itochu Techno-Solutions Corporation, Accenture und Intel.

Wie viele andere Unternehmen begann auch Intel seine Reise in die generative KI mit der Bewertung von Allzweckmodellen für den potenziellen Einsatz in Design- und Fertigungsprozessen.

„Diese Modelle eignen sich zwar hervorragend für offene Aufgaben, aber wir haben schnell ihre Grenzen in unserer hochspezialisierten Halbleiterumgebung erkannt“, erklärte Srinivas Lingam, Corporate Vice President und General Manager der Network, Edge und AI Group von Intel, gegenüber VentureBeat. „Sie hatten Schwierigkeiten mit halbleiterspezifischer Terminologie, dem Kontextverständnis aus Geräteprotokollen und der Argumentation in komplexen Situationen mit mehreren Variablen und Ausfallzeiten.“

Intel implementiert die Plattform von Articul8, um das zu entwickeln, was Lingam als „Manufacturing Incident Assistant“ bezeichnet – ein intelligentes, auf natürlicher Sprache basierendes System, das Ingenieuren und Technikern hilft, Ausfallzeiten von Geräten in den Fertigungsstätten von Intel zu diagnostizieren und zu beheben. Die Plattform verarbeitet mithilfe domänenspezifischer Modelle sowohl historische als auch Echtzeit-Fertigungsdaten, darunter strukturierte Protokolle, unstrukturierte Wiki-Artikel und interne Wissensdatenbanken. Sie unterstützt die Teams von Intel bei der Ursachenanalyse (RCA), empfiehlt Korrekturmaßnahmen und automatisiert sogar Teile der Arbeitsauftragserstellung.

Auswirkungen auf die KI-Strategie von Unternehmen

Die Methodik von Articul8 stellt die Annahme in Frage, dass Allzweckmodelle mit RAG alle Anforderungen der Unternehmens-KI in Fertigungs- und Industriekontexten erfüllen können. Die Leistungsunterschiede zwischen spezialisierten und allgemeinen Modellen legen nahe, dass technische Führungskräfte domänenspezifische Lösungen für missionskritische Anwendungen in Betracht ziehen sollten, bei denen Präzision unverzichtbar ist.

Da KI in industriellen Umgebungen vom Experimentierstadium in die Produktion übergeht, kann dieser spezialisierte Ansatz einen schnelleren ROI für hochwertige Anwendungsfälle liefern, während allgemeine Modelle weiterhin breitere, weniger spezialisierte Anforderungen erfüllen.