Watsonx.ai Anwendungsfall

Das Job Plan Automation-System nutzt die Toolsuite von IBM watsonx.ai, um Arbeitspläne innerhalb von IBM Maximo. Das System nimmt große Mengen unstrukturierter Betriebsdaten auf — wie Gerätehandbücher, Hinweise von Technikern und Wartungsaufzeichnungen — und verwendet diese Daten, um detaillierte, kontextbezogene Arbeitspläne zu empfehlen oder zu erstellen.
‍

Das Hauptziel besteht darin, zu demonstrieren, wie die Erstellung und Verbesserung von Arbeitsplänen in Maximo mithilfe von watsonx.ai automatisiert werden kann.
‍

Die folgende Bildsequenz, Abbildungen 1 bis 4, zeigt, wie der Watsonx Assistant verwendet werden kann, um über eine Konversationsschnittstelle mit der Wartungsdokumentation zu interagieren. In diesem Beispiel, das in der folgenden Abbildungsfolge dargestellt ist, fragt ein Benutzer den Assistenten nach Anweisungen zur Bremsanleitung. Der Assistent ruft relevante Informationen aus einem Dokument ab, das zuvor auf Watson Discovery hochgeladen wurde. Auf diese Weise können die zugrunde liegenden Large Language Models (LLM) bei der Erstellung ihrer Antwort auf den Inhalt des Handbuchs zugreifen und ihn verstehen. Sobald der Assistent die Anweisungen erteilt hat, bietet er dem Benutzer außerdem die Option, anhand der abgerufenen Informationen automatisch einen Arbeitsplan zu erstellen, der über eine Maximo-API basiert.
‍

‍

Architektur auf hohem Niveau

Die Implementierung integriert IBM watsonx.ai Services über einen zwischengeschalteten Microservice in die Maximo Application Suite. Dieser Microservice erleichtert das Abrufen von Informationen aus der angegebenen Datenquelle und automatisiert die Erstellung von Arbeitsplänen auf der Grundlage der Antwort des LLM.
‍

Systemkomponenten

1. Benutzereingabe über Watsonx Assistant - Benutzer interagieren mit dem System über den Watsonx-Assistenten, der für Dialog und Interaktion konzipiert ist, indem sie Fragen stellen oder Arbeitspläne in natürlicher Sprache anfordern.
2. Aktionsrahmen - Hinter den Kulissen lösen diese Eingaben vordefinierte Aktionen aus, die Antworten orchestrieren, indem sie Daten aus mehreren Quellen abrufen, die alle importiert und in Watsonx Assistant ausgeführt werden.
3. Watson Discovery - Dies konzentriert sich auf das Suchen und Abrufen relevanter Informationen aus Dokumenten. Es wird verwendet, um unstrukturierte Dokumente aufzunehmen und zu analysieren und wichtige Informationen zu extrahieren, sodass sie vom Watsonx-Assistenten abgefragt werden können.
4. watsonx.ai Studio - Studio soll LLMs bereitstellen und Inhalte auf der Grundlage der Benutzeraufforderungen und Daten generieren. Wenn eine Verarbeitung natürlicher Sprache oder eine strukturierte Generierung erforderlich ist, werden die mit Watson Discovery extrahierten Informationen über watsonx.ai Studio an ein LLM weitergegeben. Die Optionen für die LLMs in watsonx.ai sind:
   
   1. Granit: Das firmeneigene Basismodell von IBM, das für KI-Aufgaben auf Unternehmensebene konzipiert wurde, wobei der Schwerpunkt auf Vertrauen, Transparenz und domänenspezifischer Leistung liegt.
   2. Lama: Entwickelt von Meta, optimiert für Effizienz und Leistung bei offenen Recherchen und allgemeinen Sprachaufgaben.
   3. Mistral: Entwickelt von Mistral AI, bekannt für seine leichten, leistungsstarken Modelle mit offenem Gewicht, die für Geschwindigkeit und Einsatzflexibilität optimiert sind.
      
      Es besteht auch die Möglichkeit, Ihr eigenes Modell von HuggingFace, einer Open-Source-Plattform für LLMS, zu importieren.
5. Datenerweiterung und -integration - Das System umfasst Erweiterungen für Watson Discovery, Watson Assistant und die Maximo-API, die eine nahtlose Kommunikation zwischen den Komponenten ermöglichen.
6. Microservices für Geschäftslogik - Eine schlanke Microservice-Ebene verarbeitet Eingaben, formatiert Anfragen und bereitet POST-Aufrufe an Maximo Manage-APIs vor. Diese Ebene fungiert als Brücke zwischen KI-Ausgaben und der internen Struktur von Maximo.
7. Datenbankinteraktion - Der Microservice kann bei Bedarf auch direkt mit der Manage Database über JDBC interagieren, um vorhandene Jobplandaten zu validieren oder abzurufen. Diese Implementierung war jedoch nicht in dem in der Übersicht gezeigten Beispiel enthalten.
8. Maximo Manage - Schließlich werden die Arbeitspläne entweder über eine API in Maximo hochgeladen oder verwendet, um Aktionen in Maximo Manage vorzuschlagen, wo die Planer sie überprüfen und genehmigen können.

‍

IBM Cloud-Dienste

Alle Watsonx-Dienste finden Sie auf cloud.ibm.com. Sie können auch auf anderen Plattformen wie AWS gehostet werden, aber in diesem Beispiel wird alles in der IBM Cloud gehostet. Klicken Sie im IBM Cloud-Dashboard auf das Navigationsmenü, wie in Abbildung 6 unten dargestellt.
‍

Wählen Sie im Navigationsmenü die Option Ressourcenliste aus, wie in Abbildung 7 unten dargestellt.
‍

In der Ressourcenliste sehen Sie eine Dropdownoption für KI/maschinelles Lernen, wie in Abbildung 8 unten zu sehen, die Ihnen Dienste von IBM wie Watson Discovery, Watsonx Assistant und watsonx.ai Studio zeigt. Dies sind die Tools, auf die in der verwiesen wird Architektur auf hohem Niveau Abschnitt oben.
‍

Wichtige Erkenntnisse

Dieser Anwendungsfall zeigt, wie KI dazu beitragen kann, die Erstellung von Arbeitsplänen in Maximo zu vereinfachen und zu beschleunigen. Mithilfe der Tools von watsonx.ai kann das System große Mengen an technischen Informationen — wie Handbüchern, Technikernotizen und Wartungsaufzeichnungen — durchsuchen und diese in nützliche, detaillierte Arbeitspläne umwandeln. Anstatt Dokumente manuell zu durchsuchen, können Benutzer einfach über den KI-Assistenten Fragen stellen. Es ruft die richtigen Informationen ab, versteht sie mithilfe von KI und bietet an, automatisch einen Arbeitsplan zu erstellen.
‍

Hinter den Kulissen arbeiten mehrere leistungsstarke Tools zusammen: Watson Discovery hilft dem Assistenten, Dokumente zu verstehen, watsonx.ai Studio generiert intelligente Antworten mithilfe von LLMs und Maximo APIs verbinde alles mit dem System. Es ist alles darauf ausgelegt, den Prozess einfacher, schneller und genauer zu machen. Dieses Beispiel konzentriert sich zwar auf das Verständnis von Wartungsanweisungen und die Erstellung von Arbeitsplänen, aber derselbe Ansatz könnte auch in anderen Bereichen verwendet werden — und ist somit ein guter Ausgangspunkt für die Verwendung AI im täglichen Betrieb.