Projektbeschreibung

Um die Produktqualität in komplexen, verketteten Fertigungsprozessen nachhaltig zu optimieren, werden datengetriebene Ansätze benötigt, die über reine Mustererkennung hinausgehen und tatsächliche Ursache-Wirkungs-Beziehungen identifizieren können. Konventionelle KI-Modelle stoßen hierbei oft an ihre Grenzen, da sie umfangreiche, hochwertige Datensätze voraussetzen und anfällig gegenüber Daten- und Konzeptdrift sind. Gleichzeitig erschwert die funktionale Trennung zwischen Datenwissenschaftlern und Domänenexperten eine effektive Nutzung vorhandener Analysemethoden.

Das Forschungsprojekt AQuIS erforscht eine Methodik zur datengetriebenen Qualitätsoptimierung durch die synergetische Kombination lokaler Open-Source-Sprachmodelle mit autonomen Agentensystemen. Im Kern steht die Entwicklung eines Multiagentensystems, das durch domänenspezifisch trainierte LLM-Agenten qualitätsbezogene Fragestellungen selbstständig analysiert und Six-Sigma-Verfahren auf Prozessdaten anwendet. Halluzinationen und Verzerrungen werden dabei systematisch durch Ensemble-Modelle, Self-Consistency-Checks und kontinuierliches Feedback minimiert. Eine ereignisgesteuerte Architektur ermöglicht die skalierbare Echtzeit-Verarbeitung heterogener Produktionsdaten, während eine intuitive Schnittstelle zur natürlichsprachlichen Qualitätsanalyse die Brücke zwischen Datenwissenschaftlern und Domänenexperten schlägt. Das interdisziplinäre Konsortium validiert das System in drei komplementären Anwendungsfeldern (Medizintechnik, Automotive-Elektronik und Zerspanungssoftware), wodurch branchenübergreifend übertragbare Methoden zur KI-gestützten Qualitätsoptimierung etabliert werden.