Wir freuen uns, ein umfangreiches Upgrade der KI-gestützten Defektklassifizierung auf der Railnova Plattform ankündigen zu können. Diese Verbesserung bringt ein erhöhtes Niveau an Intelligenz und Benutzerfreundlichkeit für die Klassifizierung von Defekten innerhalb des Wartungszyklus, mit Hilfe von Large Language Models (LLMs) und Multi-Agenten-KI-Systemen.
Intelligentere KI, reibungslosere Abläufe
Funktionale Strukturhierarchien sind für eine qualitativ hochwertige Wartungsplanung unerlässlich, aber ihre Komplexität erschwert oft die Nutzung. Mit diesem Release können Flottenmanager und Wartungspersonal Defekte nun schneller und präziser kategorisieren, ohne sich durch unzählige Dropdown-Menüs zu kämpfen.
Was ist neu?
Echtzeit-Vorschläge durch LLM-basierte KI
Sobald Defektdetails eingegeben werden, zeigt die KI die 5 relevantesten Kategorien an. Die Vorschläge aktualisieren sich dynamisch mit jeder zusätzlichen Information als Orientierungshilfe und Qualitätskontrolle.
Kontextbezogene Interaktion in Schlüsselmomenten
Die Kategorisierung erscheint nun als eigenes Panel bei der Erstellung (falls berechtigt) und erneut beim Abschluss eines Defekts, mit aktualisierten KI-Vorschlägen auf Basis von REX-Hinweisen (Return of Experience).
Unterstützung von Benutzerrollen und Workflows
Nicht alle Nutzer müssen Defekte kategorisieren oder hat den technischen Hintergrund dafür. Die Railnova-Plattform ermöglicht es Nutzern ohne technisches Fachwissen, die Erstkategorisierung zu überspringen, wodurch die Datenqualität erhalten bleibt aber gleichzeitig der Arbeitsaufwand reduziert wird.
Leistungsstarke Analysen weiterhin möglich
Der gesamte Wartungsverlauf sowie Klassifizierungsdaten bleiben exportierbar und integrierbar, ergänzt durch aussagekräftige Pareto-Diagramme zu Immobilisierungszeiten und Service-Auswirkung.
UI-Verbesserungen
Ein neues Panel für die Kategorisierung erscheint beim Erstellen oder Abschließen einer Störmeldung, mit klaren, KI-basierten Ein-Klick-Vorschlägen. Diese Funktion ist auf Klarheit und Effizienz getrimmt.
Verfügbarkeit
Dieses Feature steht ab sofort allen Kunden mit einem AI Defect Classification Abonnement zur Verfügung. Hast du Interesse in dieses Modul und möchtest erfahren, wie KI deine Defekt-Workflows rationalisieren kann, dann kontaktiere uns unter sales@railnova.eu.
Warum es wichtig ist
Dieses Upgrade unterstützt gezielt die ECM2-Funktion (Wartungsentwicklung), indem es die Qualität und Konsistenz der Klassifizierungen verbessert. Es erleichtert die Erkennung von Defekttrends, die Reduzierung von Ausfallzeiten und die effizientere Planung von Interventionen.
Bleib dran für weitere Updates: Wir investieren weiterhin in KI-gesteuerte Funktionen, die den gesamten Lebenszyklus der Instandhaltung im Schienenverkehr verbessern.
Wie die Railnova-KI für intelligentere Klassifizierung sorgt
Die KI-gestützte Defektklassifizierung von Railnova verwendet ein Large Language Model (LLM), das auf Eisenbahnbegriffe spezialisiert ist, um die Beschreibungen der Störmeldungen zu analysieren und die 5 relevantesten Kategorien vorzuschlagen. Anfangs liegt die Genauigkeit bei neuen Kategorien bei 50%, steigt aber durch Nutzerfeedback auf bis zu 90%.
Mehrsprachige Unterstützung
Die KI versteht Störmeldungen, die auf Englisch, Deutsch, Französisch, Niederländisch und Italienisch verfasst sind, und ist damit europaweit einsetzbar. Sie liefert unabhängig von der Sprache des Technikers präzise Vorschläge.
Eisenbahn-Fachwissen
Im Gegensatz zu allgemeinen KI-Modellen wurde dieses Modell mit echten Eisenbahn-Störmeldungen, Handbüchern und Wartungsdaten trainiert. Es versteht spezifische Bahnbegriffe und Unterscheidungen wie „Drehgestellgeräusch“ gegenüber „Kompressorausfall“.
Lernen durch Benutzerfeedback
Jedes Mal, wenn ein Benutzer eine Klassifizierung bestätigt oder ändert, lernt die KI dazu und verbessert sich. Diese Feedbackschleife hilft der KI, ihre Vorschläge zu verfeinern, insbesondere bei seltenen oder ungewöhnlichen Störmeldungen.
Standard- und individuelle Kategorien
Railnova bietet sofort einsetzbare, optimierte Standardkategorien. Darüber hinaus können Benutzer auch mit dem Railnova-Team zusammenarbeiten, um benutzerdefinierte Kategorien zu definieren, die auf ihre speziellen Bedürfnisse zugeschnitten sind, wobei die KI-Leistung erhalten bleibt.
Leistung und Verbesserung
Die Leistungsfähigkeit wird anhand von Metriken wie der Häufigkeit der korrekten Kategorieidentifikation innerhalb der Top 5 Vorschläge, der Benutzerakzeptanzrate und der Abdeckung der Kategorien bewertet. Vorläufige Ergebnisse deuten auf eine Genauigkeit von 90% für den Hauptvorschlag in häufig auftretenden Kategorien hin, wobei kontinuierlicher Verbesserung durch iteratives Lernen aus Nutzerinteraktionen erzielt wird.