Wie setzt man LLMs produktiv ein, wenn generische Prompts und All‑in‑One‑Ansätze scheitern? Im Rahmen eines Projekts bei Daimler Truck haben wir gelernt, dass punktuelle LLM‑Bausteine in einer klassischen ETL‑Strecke oft robuster, erklärbarer und näher an den Anforderungen sind. Der Vortrag zeigt, wie tabellarische Änderungsdaten in prägnante Management‑Zusammenfassungen transformiert werden – und welche Prinzipien sich für industrielle NLP‑Anwendungen bewährt haben.

Zielpublikum: KI/GenAI-Entwickler:innen, Anforderungsmanagement, Enterprise-Data-Engineers, Automotive Stakeholder
Voraussetzungen: Grundwissen large language models, Verständnis für industrielle, domänenspezifische Anforderungen (insb. automotive)
Level: Basic

Extended Abstract:

Der Industriekontext stellt spezielle Anforderungen an KI‑Systeme: hohe Verlässlichkeit, klare Nachvollziehbarkeit und domänenspezifische Präzision. Im Projekt mit Daimler Truck verarbeiten wir komplexe technische Änderungsmeldungen und erzeugen daraus kompakte Management‑Zusammenfassungen. Schnell wurde deutlich, dass generische LLM‑Summaries die fachliche Tiefe und die impliziten Domänenbezüge nicht zuverlässig treffen.

Statt die gesamte Verarbeitung einem Sprachmodell oder mehreren Agenten zu überlassen, haben wir daher eine klassische ETL‑Pipeline entwickelt, die LLMs gezielt dort einsetzt, wo natürliche Sprache echten Mehrwert schafft: Verdichtung technischer Langtexte, Vereinheitlichung von Bezeichnungen oder Zusammenführung ähnlicher Änderungsinhalte. Die fachlich kritischen Schritte - Matching, Labeling, Strukturierung und Kontextaufbereitung - bleiben deterministisch und schaffen Vertrauen in Inhalt und Vollständigkeit.

Der Vortrag zeigt die zugrunde liegenden Architekturprinzipien, typische Stolpersteine im Anforderungsmanagement bei der Verwendung generativer KI und warum es sich (manchmal!) lohnt, Domänenwissen in ETL‑Logik, statt in Prompts zu verankern. Zudem geben wir Einblicke in Methoden zur Qualitätsbewertung und diskutieren, wie sich der Ansatz perspektivisch skalieren lässt – über zusätzliche Bauteilvarianten und weitere Bereiche hinweg. Das Ergebnis: Ein praxistauglicher, stabiler und erweiterbarer Ansatz für industrielles NLP.