Sprachmodell-unterstützte formale Wissensrepräsentation für die Aufbereitung Regelungstechnischer Inhalte mit Interaktiver Semantischer Ebene

Zusammenfassung

Das Wissensmanagement und der Wissenstransfer im Bereich der Regelungstechnik werden durch fachspezifische Notationen, Konventionen und Begriffe erschwert. Gleichzeitig sind traditionelle Publikationsformen (PDF) nur begrenzt durchsuchbar. Formale Wissensrepräsentation unter Nutzung von Wissensgraphen bietet vielversprechende Lösungen für diese Probleme, ist aber typischerweise mit erheblichem manuellen Aufwand verbunden. In diesem Beitrag präsentieren wir einen halbautomatischen Prozess, um Wissen aus technischen Dokumenten zu extrahieren und zu formalisieren, unter der Zuhilfenahme eines Sprachmodells (LLM). Ein LaTeX-Dokument wird zunächst in ein strukturiertes Zwischenformat (FNL – Formal Natural Language) umgewandelt unter Nutzung eines Sprachmodells sowie anschließender händischer Kontrolle. Das Zwischenprodukt wird dann automatisch in das Python-basierte Framework zur Wissensrepräsentation PyIRK konvertiert. Mit diesem lassen sich komplexe semantische Zusammenhänge ausdrucksstark modellieren. Als Anwendungsdemonstration wird der resultierende Wissensgraph mit dem originalen Quelldokument verknüpft, um dieses mit einer interaktiven semantischen Ebene auszustatten, die dem Leser bei Bedarf Erklärungen und Kontextinformationen liefert. Dieser Ansatz demonstriert, wie Sprachmodelle den Vorgang der Wissensformalisierung massiv beschleunigen können und dabei Transparenz und Nachvollziehbarkeit des Wissens erhalten bleiben.