Eine KI ist nur so gut wie ihre Datenbasis
Kaum eine Technologie verändert derzeit so schnell, wie wir Informationen suchen, aufbereiten und nutzen. Wer eine KI zu unternehmensinternen Sachverhalten befragt, macht dabei oft folgende Beobachtung: Die Antworten klingen überzeugend, sind aber nicht direkt nachvollziehbar. Informationen liegen verstreut in Präsentationen, Tabellen und Textdokumenten vor, teils veraltet, teils widersprüchlich. Die KI muss interpretieren und gewichten, und am Ende bleibt offen, woher eine Aussage stammt und ob sie zum Zeitpunkt der Frage noch stimmt. Für Fragen des Alltags kann das ausreichen. Für Entscheidungen mit größerer Tragweite reicht diese Basis nicht.
Ein SysML-v2-Modell bietet eine andere Ausgangslage. Es beschreibt Elemente, ihre Eigenschaften und ihre Beziehungen zueinander in einer präzise definierten Sprache. Was im Modell steht, hat eine feste Bedeutung. Die KI muss Zusammenhänge dann nicht aus Fließtext erraten, sie kann sie im Modell nachlesen. Ihre Antworten lassen sich auf konkrete Modellelemente zurückführen, und das ist der Kern von Nachvollziehbarkeit für den Menschen, der mit der KI arbeitet.
Dieser Beitrag knüpft an unsere Reihe zum modellbasierten Arbeiten im Unternehmen an. Das Thema, ob ein zentrales Modell mit eigenverantwortlich arbeitenden Teams konkurriert oder sie unterstützt, behalten wir im Auge und greifen es in einem der nächsten Beiträge auf. Das KI-Thema haben wir vorgezogen, weil der Einsatz von KI derzeit viele Unternehmen beschäftigt.
Warum SysML v2?
Strukturierte Daten kann man auch anders ablegen, etwa in einer Graphdatenbank. Für die Arbeit in der Systementwicklung bringt SysML v2 aber eine Reihe von Eigenschaften mit, die für diese Anwendung von großem Vorteil sind:
- Ein Standard mit definierter Semantik. Elemente, Beziehungen und ihre Bedeutung sind festgelegt und nicht von einem einzelnen Werkzeug abhängig.
- Eine textuelle Notation. Sie ist für Menschen lesbar, lässt sich wie Quellcode versionieren und vergleichen und kann von einer KI direkt verarbeitet werden.
- Eine standardisierte Schnittstelle. Modelle lassen sich über eine definierte API abfragen und ändern, nicht nur in einem Werkzeug öffnen.
- Ein Modell für Mensch und Maschine. Dieselbe Beschreibung, die ein Team für Architektur und Anforderungen nutzt, dient auch als Datenbasis für KI-Werkzeuge. Es entsteht keine zweite, parallel gepflegte Wissensbasis.
- Konzepte für Technik. Anforderungen, Komponenten, Schnittstellen und Varianten sind Teil der Sprache und müssen nicht nachgebaut werden.
Das Team als System beschrieben
Um die Gedanken greifbar zu machen, betrachten wir weder ein Flugzeug noch eine Maschine, sondern etwas, das jedes Unternehmen kennt: ein Team. Auch ein Team ist ein System. Es besteht aus Elementen, die miteinander in Beziehung stehen und interagieren, und es liefert Ergebnisse, die dem Unternehmen einen Mehrwert bringen.
Wir beschreiben das Team aus drei Blickwinkeln. Menschen bringen Fachwissen und Können mit, jeweils mit einem Skill-Level. Rollen beschreiben, was ein Projekt braucht: ein Fachgebiet und ein Mindest-Skill-Level, unabhängig davon, wer die Rolle gerade ausfüllt. Ein Projekt bringt beides zusammen. Es kennt seine Rollen und sein Team, und jedes Teammitglied übernimmt dort eine Rolle. Damit lassen sich Fragen aus allen Perspektiven beantworten, aus der Sicht der Menschen und aus der Sicht der Aufgaben. Das Beispiel ist bewusst stark vereinfacht, es geht uns um das Prinzip.
Ein Blick ins Modell
SysML v2 bietet neben der grafischen auch eine textuelle Notation. Der folgende Ausschnitt zeigt, wie wenig nötig ist, um Menschen, Rollen, Skills und Projekte miteinander zu verknüpfen. Beide Teile des Beispiels stehen in einer Datei. Zuerst definieren wir die Begriffe, mit denen wir ein Team beschreiben:
package TeamModel { public import ScalarValues::*; enum def SkillLevel { enum basic; enum advanced; enum expert; } enum def Domain { enum modeling; enum requirementsEngineering; enum testing; } attribute def Skill { attribute domain : Domain; attribute level : SkillLevel; } attribute def Role { doc /* Contribution to a project, independent of the person */ attribute name : String; attribute requiredDomain : Domain; attribute requiredSkill : SkillLevel; } part def Person { attribute name : String; role : Role; attribute skills : Skill[*]; } part def Project { attribute name : String; attribute roles : Role[*]; ref part team : Person[*]; } }
Eine Rolle ist hier eine reine Beschreibung: Sie legt fest, welches Fachgebiet und welches Skill-Level verlangt werden. Wer sie übernimmt, steht nicht in der Rolle selbst. Das Projekt verweist auf seine Teammitglieder (ref part team), die Personen bleiben also eigenständige Elemente und werden nicht im Projekt neu angelegt. Anschließend beschreiben wir ein konkretes Team mit einem fiktiven Beispiel:
package ExampleTeam { public import TeamModel::*; part anna : Person { :>> name = "Anna Example"; attribute skillModeling :> skills : Skill { :>> domain = Domain::modeling; :>> level = SkillLevel::expert; } } part peter : Person { :>> name = "Peter Example"; attribute skillReqEngineering :> skills : Skill { :>> domain = Domain::requirementsEngineering; :>> level = SkillLevel::advanced; } } part projectAlpha : Project { :>> name = "Alpha"; attribute systemArchitect :> roles : Role { :>> name = "System Architect"; :>> requiredDomain = Domain::modeling; :>> requiredSkill = SkillLevel::expert; } attribute requirementsEngineer :> roles { :>> name = "Requirements Engineer"; :>> requiredDomain = Domain::requirementsEngineering; :>> requiredSkill = SkillLevel::advanced; } attribute testEngineer :> roles { :>> name = "Test Engineer"; :>> requiredDomain = Domain::testing; :>> requiredSkill = SkillLevel::basic; } teammember1 :> team = anna { :>> role = systemArchitect; } teammember2 :> team = peter { :>> role = requirementsEngineer; } } }
Auch ohne Modellierungserfahrung lässt sich das Prinzip erkennen: Anna Example hat im Fachgebiet Modeling das Skill-Level „expert“ und übernimmt im Projekt Alpha die Rolle des System Architect. Diese Rolle verlangt genau das: Modeling auf Level „expert“. Peter Example arbeitet im selben Projekt als Requirements Engineer und bringt das dafür verlangte Level „advanced“ mit. Die Rolle des Test Engineer ist dagegen niemandem zugeordnet, und auch das ist eine Information im Modell. Die Rolle wird dabei nicht an der Person festgelegt, sondern bei der Zuordnung zum Projekt. Dieselbe Person könnte in einem anderen Projekt eine andere Rolle übernehmen. Jede dieser Aussagen ist ein eigenes Modellelement mit fester Bedeutung. Auf genau diese Elemente greift die KI zu, wenn wir ihr im nächsten Schritt Fragen stellen.
Von einfachen Fragen zu Zusammenhängen
Nun kommt die KI ins Spiel. Wir beginnen mit Fragen, die sich nachschlagen lassen:
- Welches Skill-Level hat Anna Example im Fachgebiet Modeling?
- In welchem Projekt arbeitet sie, und welche Rolle übernimmt sie dort?
Spannender werden Fragen, die mehrere Beziehungen verbinden:
- Welche Rollen im Projekt Alpha sind aktuell nicht besetzt, und wer im Team käme dafür infrage?
- Erfüllt jede Person die Anforderungen ihrer Rolle, sowohl beim Fachgebiet als auch beim Skill-Level?
Im Alltag sind selbst die einfachen Fragen oft zeitaufwändig. Wer sie klären will, sucht in mehreren Quellen und fragt bei Kolleginnen und Kollegen nach. Mit dem Modell als Datenbasis kann die KI direkt auf die hinterlegten Informationen zugreifen und die Modellelemente nennen, auf denen ihre Antwort beruht. Damit lässt sich die Antwort prüfen. Stimmt etwas nicht, liegt die Ursache im Modell und kann dort behoben werden, sodass künftig alle davon profitieren.
Eine wichtige Einschränkung gehört dazu: Das Modell macht die Datenbasis eindeutig, es nimmt der KI aber nicht ab, die Frage richtig zu verstehen und die Antwort sauber zu formulieren. Fehler sind damit nicht ausgeschlossen. Der Unterschied liegt darin, dass man sie finden kann, weil jede Aussage auf ein Modellelement verweist.
Vom Team zum technischen System
Das Team ist nur ein Beispiel, um das Prinzip darzustellen. Dasselbe Vorgehen funktioniert bei technischen Systemen, hier in einem kleinen Ausschnitt:
package ExampleDevice { part def Sensor; part def Controller; requirement def MaxLatency { doc /* The reaction time shall not exceed 50 ms */ } part def Device { part sensor : Sensor; part controller : Controller; connect sensor to controller; requirement latency : MaxLatency; satisfy latency by controller; } }
Statt nach dem Skill-Level einer Person fragt man nun zum Beispiel: Welche Komponenten sind von der Anforderung MaxLatency betroffen? Welche Teile berührt eine Änderung am Controller? Welche Varianten eines Produkts verwenden eine bestimmte Baugruppe? Die Struktur ist dieselbe: Elemente, Eigenschaften und Beziehungen in einer präzisen Sprache, auf die Menschen und KI zugreifen können. Gerade in regulierten Umfeldern ist diese Rückverfolgbarkeit von Anforderung zu Umsetzung ohnehin gefordert, die KI kann sie nutzen, statt sie neu aufzubauen.
Was man dabei bedenken sollte
Ein Modell als KI-Datenbasis wirft auch organisatorische Fragen auf. Wer darf welche Teile des Modells sehen, und welche KI darf darauf zugreifen? Wo liegt das Modell, und verlassen Inhalte das Unternehmen? Bei unserem Beispiel kommt hinzu, dass Angaben zu Fähigkeiten einzelner Personen in Unternehmen ein sensibles Thema sind. Wir verwenden sie hier nur, um das Prinzip zu zeigen. Zugriffsrechte, Vertraulichkeit und der Umgang mit personenbezogenen Daten sind eigene Themen, die vor einem Einsatz im Unternehmen geklärt werden müssen.
Fazit
Eine KI kann nur so verlässlich antworten, wie die Daten sind, auf die sie sich stützt. Ein SysML-v2-Modell schafft dafür gute Voraussetzungen: klare Semantik, eindeutige Beziehungen und Rückverfolgbarkeit bis zur Quelle. Am Beispiel des Teams haben wir gesehen, dass sich Menschen, Rollen und Projekte im Modell beschreiben lassen und dass eine KI daraus Fragen nachvollziehbar beantworten kann. Dasselbe Prinzip trägt bis zu technischen Systemen mit Anforderungen, Komponenten und Schnittstellen. Wer sein System, sein Programm oder sein Unternehmen modellbasiert beschreibt, schafft damit nicht nur eine gemeinsame Basis für Menschen, sondern auch für die KI-Werkzeuge, die uns zunehmend im Arbeitsalltag unterstützen.