KI für schnellere Sicherheitsbewertungen
Intelligente Dokumentenanalyse für Gefahrgutbehälter.
Hunderte Anforderungen, tausende Nachweise und komplexe Abhängigkeiten: Die Sicherheitsbewertung von Gefahrguttransportbehältern ist anspruchsvoll und zeitaufwendig..
Jedes Transport- und Lagerfass muss als sicher nachgewiesen werden – gemäß Hunderten von Normen. Zeichnungen, Berechnungen und Prüfberichte werden Seite für Seite vollständig von Hand gegengeprüft. Für ein einziges Fass bedeutet das mehrere Jahre Arbeit. Zudem müssen alle diese Daten und regulatorische Anforderungen über zahlreiche Dokumente hinweg zusammengeführt und fachlich bewertet werden. An der BAM wird deshalb untersucht, wie Künstliche Intelligenz diese Informationen strukturiert erschließen und miteinander verknüpfen kann.
Das Ziel: Fachleute sollen weniger Zeit mit der Suche nach Informationen verbringen und mehr Zeit für das Prüfen und Bewerten haben.
Wenn eine kleine Änderung große Auswirkungen hat
Sicherheitsberichte für Gefahrguttransportbehälter enthalten Berechnungen, Tabellen, technische Zeichnungen, Versuchsergebnisse, Prüfprotokolle, Zertifikate sowie Anforderungen aus Normen und Regelwerken.
Die Herausforderung: Diese Informationen stehen nicht unabhängig nebeneinander. Sie beziehen sich auf dieselben Bauteile, Anforderungen und Sicherheitsnachweise, liegen aber in unterschiedlichen Dokumenten und Datenformaten vor.
Ändert sich beispielsweise eine Materialeigenschaft, ein Bauteil oder eine regulatorische Vorgabe, kann dies Auswirkungen auf zahlreiche weitere Teile der Sicherheitsbewertung haben. Diese Abhängigkeiten müssen erkannt, nachvollzogen und fachlich bewertet werden.
Viele Dokumente liegen bereits digital vor. Die Beziehungen zwischen ihren Inhalten sind jedoch häufig nicht maschinenlesbar. Sie müssen bislang von Fachleuten hergestellt werden.
Genau hier setzt das Projekt an.
Vom Dokument zum vernetzten Wissen
Ziel ist es, Informationen aus unterschiedlichen Quellen in einem strukturierten Wissensmodell zusammenzuführen.
Dabei werden beispielsweise Informationen aus Zeichnungen, Berechnungen, Versucsdaten, Sicherheitsberichten und Normen den jeweiligen Bauteilen und Anforderungen zugeordnet. So können Zusammenhänge sichtbar werden, die heute über zahlreiche Dokumente verteilt sind. Die KI soll verteilte Informationen einem gemeinsamen Kontext zuordnen und ihre Beziehungen nachvollziehbar machen.
Was macht die KI konkret?
Die Nachweise wie Zeichnungen, Berechnungen, Prüfkurven oder Materialdaten sind über verschiedene Dokumente und Formate verstreut und werden vom KI-Assistenten automatisch miteinander verknüpft. Die KI fasst das gesamte Paket zu einem strukturierten Modell zusammen. Strukturierte Daten bilden das Gerüst; Zeichnungen, Berichte, Berechnungen und Normen ergänzen es. Jede Komponente bringt ihre eigenen Daten mit: Tausende von Datensätzen, die jeweils präzise zugeordnet sind.
Verknüpfen: Informationen aus Berichten, Zeichnungen, Berechnungen, Versuchsdaten und Regelwerken zusammenführen.
Zuordnen: Informationen den jeweiligen Bauteilen, Anforderungen und Sicherheitsnachweisen zuordnen.
Änderungen erkennen: Sichtbar machen, welche Nachweise von einer Änderung betroffen sein können.
Nachvollziehbar machen: Jede Information mit ihrer Quelle – etwa Dokument, Version, Abschnitt und Seite – verknüpfen.
KI für eine digitale Qualitätsinfrastruktur
Der Use Case zeigt, dass vertrauenswürdige KI in sicherheitskritischen Prozessen mehr benötigt als ein leistungsfähiges Sprachmodell. Informationen müssen maschinenlesbar, strukturiert, eindeutig zuordenbar und mit ihren Quellen verknüpft sein. Gleichzeitig müssen Änderungen nachvollziehbar und sensible Daten sicher verarbeitet werden.
Hier treffen verschiedene Bausteine einer digitalen Qualitätsinfrastruktur aufeinander: maschinenlesbare Normen, strukturierte technische Daten, digitale Nachweise, sichere Dateninfrastrukturen und KI-gestützte Auswertungsmethoden. Perspektivisch können beispielsweise Smart Standards regulatorische Anforderungen direkt maschineninterpretierbar bereitstellen und so mit den zugehörigen Sicherheitsnachweisen verknüpft werden.
Forschung im Aufbau
Der Use Case befindet sich derzeit in einer frühen Forschungs- und Entwicklungsphase. Untersucht werden unter anderem Verfahren zur Informationsextraktion und Suche in komplexen technischen Dokumenten sowie der Aufbau eines nachvollziehbaren, quellenbasierten Wissensmodells. Dabei werden unterschiedliche Ansätze systematisch getestet und validiert.