Einführung der ersten Generation von Agenten auf Basis von Aras InnovatorEdge

Der Inhalt dieser Seite wurde automatisch von einem Drittanbieter übersetzt.

Skalierbare agentische Intelligenz für Ihren Digital Thread bereitstellen

Anfang dieser Woche stellte Aras InnovatorEdge AI als Teil eines erweiterten Serviceportfolios vor, das auf dem Aras InnovatorEdge-Framework basiert. Edge AI ermöglicht es Aras-Kunden, ihr Engineering-KI-Programm zu skalieren, indem sie den reichen Kontext ihres Digital Thread nutzen und gleichzeitig ein praxisnahes Governance-Modell bereitstellen, das fortlaufende Compliance, Nachverfolgbarkeit und den Schutz geistigen Eigentums sicherstellt.

Wir freuen uns, die erste Reihe von Agenten und agentischen Services vorzustellen, die auf Edge AI basieren und jedem Aras Innovator®-Kunden unmittelbaren Mehrwert bieten – unter Nutzung der Tatsache, dass Edge-Cloud-Services mit jeder Version von Aras Innovator integriert werden können, ob als SaaS oder auf privater Infrastruktur gehostet. Gleichzeitig dienen sie als Bausteine für weitere Agenten und können im Sinne des Aras-Anspruchs an Anpassungsfähigkeit so konfiguriert werden, dass sie den spezifischen Anforderungen unserer Community in den vielen Märkten und Produktlebenszyklusphasen gerecht werden, in denen Aras Innovator eingesetzt wird.

Edge AI und Edge-AI-Agenten werden zentrale Themen auf der ACE 2026 sein, wenn wir das Leitmotiv Adaptive Intelligence und unsere Vision für die Zukunft des PLM erkunden – geprägt von einem intelligenten Digital Thread, einer KI-nativen Benutzererfahrung und disruptiver Agilität im Umgang mit Veränderungen. Sie können sich hier für die Veranstaltung registrieren.

Diese erste Generation von Edge-AI-Agenten lässt sich in zwei Kategorien einteilen: 1) Konversationsagenten, die über die in Innovator integrierte Aras AI Assistant-Konsole verfügbar sind, und 2) Task-Assistenten, die von einem Benutzer oder beim Eintreten einer bestimmten Bedingung ausgelöst werden, um definierte Workflows oder Analysen auszuführen. Die folgende Abbildung vergleicht diese Interaktionsmuster mit weiteren Ansätzen, die in einer KI-nativen PLM-Umgebung ebenfalls an Bedeutung gewinnen werden.

Neue Erkenntnisse aus Ihrem Digital Thread gewinnen

Die neuen Konversationsagenten, integriert in den Aras AI Assistant, konzentrieren sich auf Discovery – im Einklang mit dem Discover-Enrich-Amplify-Framework, das wir zur Segmentierung agentischer PLM-Services verwenden.

Analytics and Insights Agent

Der Analytics and Insights Service erweitert die Fähigkeiten des Aras AI Assistant, indem er Ingenieuren und PLM-Anwendern ermöglicht, analytische Fragen – also Fragen mit klaren quantitativen oder booleschen Antworten – in natürlicher Sprache per Text oder Sprache zu stellen und die benötigten Produktdaten schnell abzurufen, ohne Aras Markup Language (AML), SQL oder komplexe Suchsyntax beherrschen zu müssen. Der Analytics and Insights Agent nutzt den Natural Language Analytics (NLA)-Service von InnovatorEdge AI, um die Nutzerintention in präzise Abfragen zu übersetzen, und liefert die Ergebnisse in einer Form zurück, die Entscheidungsprozesse unterstützt. Wenn Analysen einbezogen werden, kann er die Ergebnisse aggregieren und auswerten sowie Diagramme, Trends und zusammenfassende Kennzahlen erstellen, um die Interpretation zu erleichtern. In diesem Modus greift der Agent nicht auf eine separate Wissensdatenbank zurück, sondern hilft Anwendern, bessere Fragen zu stellen und Antworten schneller zu nutzen.

Knowledge Analysis Agent

Der Knowledge Analysis Service, ebenfalls in die Konversationsoberfläche des Aras AI Assistant eingebettet, nutzt eine einzigartige Implementierung von GraphRAG – achten Sie auf kommende Artikel und ACE-Sessions zu Aras ThreadRAGTM. Er baut auf einer fortschrittlichen semantischen Suchfunktion auf, um in Innovator verwaltete Wissensbestände zu analysieren, darunter Dokumente, Abbildungen und andere unstrukturierte oder teilstrukturierte Datenquellen, und relevante digitale Informationen zur Benutzeranfrage zu identifizieren. Dabei erkennt er auch implizite Beziehungen, die nicht explizit in PLM-Strukturen modelliert sind, etwa Verbindungen zwischen einem Dokument und zahlreichen referenzierten Teilenummern, selbst wenn diese Beziehungen nie formal angelegt wurden. Das ermöglicht reichhaltigere Konversationen entlang des Digital Thread, da Nutzer Fragen stellen können, die Bedeutung, Verknüpfung und Kontext erfordern – nicht nur reines Abrufen von Informationen. Der Knowledge Analysis Service wurde mit dem Verständnis entwickelt, dass sich Inhalte im Laufe der Zeit verändern. Die Analyse von Beziehungen muss daher im zeitlichen Kontext erfolgen, etwa welche Anforderungen Designentscheidungen für eine Produktversion beeinflusst haben, die heute im Feld ausgefallen ist – obwohl sie vor zehn Jahren entwickelt wurde.

Kontext und Verbindungen in Ihrem Digital Thread anreichern

Die neuen aufgabenbezogenen Agenten zielen darauf ab, Ihren Digital Thread anzureichern, indem sie neue strukturierte Daten aus digital verknüpften Informationen ableiten oder extrahieren und „belegbare Beziehungen“ schaffen, die künftig genutzt werden können. Diese Task-Assistenten werden von Nutzern ausgelöst oder in umfassendere Workflows eingebettet. In der Praxis handelt es sich um überwachte oder teilüberwachte Services, bei denen der Agent neue Beziehungen vorschlägt, die von menschlichen Anwendern geprüft und anschließend im Digital Thread verankert werden.

Requirements Ingestion Agent

Der Requirements Ingestion Agent verarbeitet Quelldokumente in PDF-, Excel- und Word-Formaten, identifiziert darin enthaltene Anforderungen und überführt den Rohtext in strukturierte Anforderungen innerhalb von Aras Requirements Engineering. Das zentrale Ergebnis ist Standardisierung: Inhalte werden von ihrer Darstellung getrennt, und konsistente Anforderungstypen werden durchgesetzt, sodass Teams mit Anforderungen als governancefähigen Objekten arbeiten können, statt mit formatierten Textblöcken. Dadurch verlagert sich der menschliche Aufwand von mühsamer Transkription hin zu Validierung und fachlicher Intention, wo Expertenwissen entscheidend ist. Zudem unterstützt der Agent Ähnlichkeitsanalysen über mehrere Importe hinweg, sodass Teams neu eingelesene Anforderungen mit bestehenden vergleichen, Duplikate erkennen und tatsächlich neue Inhalte identifizieren können.

Smart Variant Agent

Der Smart Variant Agent analysiert große Mengen von Stücklisten (BOMs) und erstellt ein Variantenmodell mit Merkmalen, Optionen und Regeln, aus dem konfigurierte BOMs generiert werden können. Er kann zudem unterstützende Dokumente wie Kataloge und Bestellformulare einbeziehen, um die Begriffswelt zu erlernen, mit der Produkte verkauft und konfiguriert werden – etwas, das sich oft nicht allein aus der BOM-Struktur erschließt. Das ist entscheidend, da die geschäftliche Bedeutung einer Konfiguration – etwa was eine Racing- von einer Offroad-Variante unterscheidet – häufig in Dokumentationen und nicht in reinen Teilelisten verankert ist. Das Ergebnis ist ein praxisnaher Übergang von einer „engineered-to-order“-Komplexität zu einer „configure-to-order“-Disziplin, basierend auf bestehenden Produktstrukturen und der Sprache des Unternehmens.

BOM Assistant Agent

Der BOM Assistant trägt der Realität Rechnung, dass kritische Produktstrukturdaten häufig in Tabellen, PDFs und anderen Formaten aus unterschiedlichen Quellen eintreffen – insbesondere in der Zusammenarbeit mit Lieferanten. Der Agent leitet ab, wie eingehende Daten auf die korrekte PLM-Struktur abzubilden sind, indem er hierarchische Einrückungen, Ebenenkennzeichnungen und weitere Konventionen interpretiert, um die Daten in eine standardisierte Struktur innerhalb von Aras Innovator zu überführen. Das reduziert manuellen Mapping-Aufwand und Nacharbeit, wenn das Ursprungsformat nie für einen sauberen Import vorgesehen war. Gleichzeitig schafft es die Grundlage für Lifecycle-Workflows, etwa um Unterschiede zwischen einer Rev-A-BOM und einer vom Lieferanten bereitgestellten Rev-B-BOM zu erkennen, sodass Teams gezielt Deltas anwenden können, statt komplette Strukturen wiederholt neu zu importieren.

KI im PLM skalieren – pragmatisch bleiben

Jeder dieser Agenten adressiert einen anhaltenden Reibungspunkt im Enterprise-PLM: schneller Antworten aus Produktdaten gewinnen, Bedeutung und implizite Beziehungen entlang des Digital Thread erkennen, unstrukturierte Anforderungen in governancefähige Objekte überführen, den Übergang von engineered-to-order zu configure-to-order beschleunigen und BOM-Eingaben normalisieren, die selten in perfekter Form eintreffen.

Ebenso wichtig ist, dass es sich nicht um isolierte Punktlösungen handelt, die tief in die Anwendungslogik einer bestimmten PLM-Software eingebettet sind. Das InnovatorEdge / InnovatorEdge AI-Framework stellt sicher, dass sie als operative Fähigkeiten bereitgestellt, gesteuert, überwacht und weiterentwickelt werden können, während sich reale Produktentwicklungsumgebungen verändern. Über intelligente Automatisierung, Sprachverständnis, Integration generativer KI und leistungsfähige Data-Science-Methoden hinaus wird der wahre Wert agentischer KI im PLM von Wiederholbarkeit, Vertrauen und Skalierbarkeit über Teams, Programme, Lieferanten und Lebenszyklusphasen hinweg abhängen. PLM-Verantwortliche müssen eng mit Digital-Transformation- und KI-Teams zusammenarbeiten, um die Kraft der KI zu nutzen, ohne ein paralleles Universum entkoppelter, nicht skalierbarer Entscheidungsprozesse zu schaffen.

Diese erste Generation von Agenten adressiert sehr konkrete PLM-Anwendungsfälle. Gleichzeitig soll sie Impulse für den Markt setzen. Mit dem weiteren Ausbau des InnovatorEdge AI-Ökosystems ist es unser Ziel, Kunden und Partnern eine governancefähige Grundlage zu bieten, um Agenten zu entwickeln und einzusetzen, die im Digital Thread mit derselben Disziplin agieren, die Unternehmen bereits vom PLM erwarten.