LLM-gestützte Entscheidungsunterstützung für AGVs

Der Einsatz autonomer mobiler Roboter (AMRs) und Automated Guided Vehicles (AGVs) nimmt in der modernen Industrie und Logistik stetig zu. Aufgrund der Vielzahl an verfügbaren Modellen und der unterschiedlichen technischen Spezifikationen fällt die Auswahl eines geeigneten AGVs für spezifische Anwendungsfälle jedoch oft schwer. Traditionelle Entscheidungsprozesse basieren auf manuellen Recherchen und Expertenwissen, was zeitaufwendig und fehleranfällig sein kann. Der Einsatz von Large Language Models (LLMs) bietet hier eine vielversprechende Möglichkeit, technische Daten automatisiert zu extrahieren und mit den individuellen Anforderungen abzugleichen.

Zielsetzung

Ziel dieser Arbeit ist die Entwicklung eines LLM-gestützten Systems zur Entscheidungsunterstützung bei der Auswahl von AGVs. Durch automatisierte Web-Scraping-Techniken sollen technische Daten von Hersteller-Websites extrahiert, strukturiert und mithilfe eines LLMs ausgewertet werden. Das System soll Anwendern ermöglichen, Anforderungen an AGVs zu definieren, die mit den extrahierten Daten abgeglichen werden, um fundierte Kaufempfehlungen zu geben. Die entwickelte Methodik wird abschließend durch den Vergleich mit Experteneinschätzungen validiert.

Projektplan

1. Festlegung von AGV-Herstellern
   • Identifikation relevanter Hersteller von autonomen mobilen Robotern (AMRs/AGVs).
   • Auswahl derjenigen mit öffentlich zugänglichen technischen Daten (Webseiten, PDFs, Produktkataloge).
2. Festlegung der zu extrahierenden Parameter
   • Definition der wichtigsten technischen Spezifikationen (z. B. Traglast, Akkulaufzeit, Navigationstechnologie, Geschwindigkeit).
   • Einteilung in Pflicht- und optionale Parameter zur besseren Vergleichbarkeit.
3. Web-Scraping: Sammlung von AGV-Daten
   • Automatisiertes Abrufen von Herstellerseiten, Datenblättern und Dokumentationen (HTML, PDFs, TXT).
   • Speicherung der Rohdaten in einer strukturierten Datenbank für die Weiterverarbeitung.
4. Extraktion der benötigten Parameter mittels LLM
   • Verarbeitung der gesammelten Rohdaten mit einem LLM zur gezielten Extraktion der relevanten technischen Merkmale.
   • Umwandlung unstrukturierter Textdaten in eine einheitliche, tabellarische Form.
5. LLM-Matching von extrahierten Daten mit Use-Case-Anforderungen
   • Nutzer gibt Anforderungen (z. B. Lagerlogistik, Traglast, Umgebung) vor.
   • LLM gleicht Anforderungen mit den extrahierten AGV-Daten ab und gibt eine Empfehlung basierend auf Ähnlichkeit und Gewichtung.
6. Validierung: Vergleich des LLM-Matchings mit Experten-Matching
   • Gegenüberstellung der LLM-basierten Empfehlungen mit Experteneinschätzungen.
   • Optimierung der Matching-Logik durch Feedback und Anpassung von Gewichtungsfaktoren.

Dieses Video zeigt grundlegend wie Schritt 3 und 4 funktionieren können:

https://www.youtube.com/watch?v=Osl4NgAXvRk

Kontakt: