Engineering-Leitfaden

Sind Ihre Engineering-Daten bereit für KI?

Engineering-Daten sind für KI geeignet, wenn ein Workflow die passenden Informationen mit genügend Lifecycle-Kontext und Governance erhält, um sie für seine konkrete Aufgabe zuverlässig einzuordnen und zu verwenden. Dazu können führende Quellen, Beziehungen, Herkunft, Versionskontext, Zugriffskontrollen und klare Aktionsgrenzen gehören.

Mit einer konkreten Engineering-Aufgabe beginnen

Engineering-Daten sind auch deshalb verteilt, weil Fachdisziplinen spezialisierte Werkzeuge benötigen. KI-Eignung setzt nicht voraus, jedes Dokument und jeden Datensatz in einem Repository zusammenzuführen. Beginnen Sie mit einer begrenzten Aufgabe: einem Testentwurf, der Prüfung einer geänderten Anforderung oder der Suche nach relevantem Engineering-Wissen.

Halten Sie Eingabe, erwartetes Ergebnis, Datenverantwortung, Prüfer und erlaubte Folgeaktion fest. Strukturierte Datensätze und Dokumente können gleichermaßen wichtig sein. Eine funktionierende Verbindung liefert noch nicht automatisch die nötige Beziehungsbedeutung oder Nutzungsberechtigung.

Checkliste für KI-fähige Engineering-Daten

Dokumentieren Sie für jeden Bereich einen Nachweis, eine verantwortliche Person und offene Arbeiten. Bewerten Sie den ausgewählten Workflow statt einen pauschalen KI-Reifegrad zu berechnen.

Checkliste für KI-fähige Engineering-Daten
BereichZu klärende FragenHilfreicher Nachweis
QuellverantwortungWelches System führt den Datensatz? Sind Duplikate kontrolliert?Zuordnung der führenden Quellen und Umgang mit Duplikaten
IdentitätSind Datensätze über Werkzeuge hinweg erkennbar? Sind Kennungen stabil genug?Beispielkennungen und Referenzen
BeziehungenSind Anforderungs-, Test-, Produkt- und Änderungsbeziehungen explizit und maschinenlesbar?Geprüftes Beispiel der benötigten Beziehungskette
Version/KonfigurationWelcher Stand gilt? Reicht eine Referenz oder ist eine vollständige Baseline nötig?Beispielreferenz und gegebenenfalls Baseline-Anforderung
HerkunftSind Quelle und generiertes Ergebnis unterscheidbar?Quellreferenzen und Herkunft geprüfter Ergebnisse
ZugriffWelche Konten gelten? Braucht es Benutzerrechte? Was darf das Modell nicht erhalten?Zugangsumfang, Benutzerrechte und ausgeschlossene Daten
Schreiben/GovernanceNur lesen, Entwürfe erstellen oder zurückschreiben? Welche Aktionen brauchen Freigabe?Erlaubte Operationen und festgelegte Freigabegrenze
FeedbackWie wird Feedback erfasst, ohne stillschweigend Engineering-Fakten zu ändern?Prüf- und Überarbeitungsprozess mit Trennung von Vorschlag und angenommenem Ergebnis

Beispiel: aus Anforderungen Testentwürfe erstellen

Illustrativer Ablauf, kein zusätzlicher Kundeneinsatz: Ein Team nutzt ein ALM-System wie Polarion, AroTrace, AroAgent und eine freigegebene Engineering-Wissensquelle zur Vorbereitung von Testkandidaten.

Vor der Generierung wählt das Team Identität und Inhalt der Anforderung, relevante verknüpfte Informationen sowie die Wissensquelle aus. Es legt Testformat und vorgesehene Traceability-Beziehung fest. Versions- und Zugriffsanforderungen werden für diesen konfigurierten Workflow geklärt.

AroAgent erstellt einen Kandidaten. Ein Engineer prüft und überarbeitet ihn. In diesem Beispiel erfolgt das konfigurierte Zurückschreiben erst nach der erforderlichen Freigabe. Ein generierter Testfall ist ein Entwurf oder eine Testdefinition, kein Nachweis einer bestandenen Verifikation. Ausführungsergebnisse benötigen eigene Herkunfts- und Zustandsinformationen.

  • Eingabe: ausgewählte Anforderung und aufgabenrelevanter Kontext.
  • Wissen: freigegebenes Referenzmaterial mit festgelegtem Suchumfang.
  • Ergebnis: editierbarer Testkandidat in der vereinbarten Struktur.
  • Entscheidung: annehmen, überarbeiten oder verwerfen.
  • Folgeaktion: freigegebenes Erstellen und Verknüpfen im zuständigen System.

Aus der Prüfung den nächsten Schritt ableiten

Die Ergebnisse können sich überschneiden. Ein Team kann zugleich Integrationsarbeit und klarere Freigabegrenzen benötigen.

Aus der Prüfung den nächsten Schritt ableiten
ErgebnisBedeutungNächster Schritt
Bereit für einen begrenzten KI-WorkflowWesentlicher Kontext und Governance sind für diese Aufgabe verfügbar.Begrenzte Evaluation mit Abnahmekriterien und menschlicher Prüfung; Bereitschaft garantiert keine Ergebnisgenauigkeit.
Integrations- oder Kontextarbeit erforderlichInformationen sind vorhanden, aber verteilt oder unzureichend verknüpft.Quellidentität, benötigte Beziehungen und Zustandsreferenzen vor einer Ausweitung klären.
Governance muss festgelegt werdenZugriffs- oder Aktionsgrenzen sind noch unklar.Zulässige Eingaben, erlaubte Operationen und Prüfverantwortung vor der Aktivierung festlegen.

Von der Datenprüfung zur vernetzten Architektur

Ein Digital Thread verbindet die in der Checkliste identifizierten Beziehungen. Die Engineering-Kontextschicht erklärt, wie diese Beziehungen und Quellverantwortlichkeiten für Anwendungen und KI nutzbar werden.

AroTrace kombiniert ausgewählte Synchronisation, Beziehungen und konfigurierte Orchestrierung. AroAgent nutzt ausgewählten Kontext für begrenzte Workflows. Integrationspfad und Freigabemuster werden passend zur geprüften Aufgabe gewählt.

Engineering AI im produktiven Einsatz

Produktiver Einsatz

Hamilton Robotics

Kontextbezogene Engineering AI mit Polarion

Hamilton Robotics nutzt AroTrace und AroAgent mit Polarion zur KI-gestützten Testgenerierung. Engineering-Wissensquellen, die Überarbeitung anhand von Engineering-Feedback und Rückverfolgbarkeit unterstützen den Workflow. Die Engineers prüfen die Ergebnisse und behalten die Kontrolle.

Zum Praxisbericht von Hamilton

Häufige Fragen

Sind vernetzte Engineering-Daten automatisch KI-fähig?

Nein. Eine Verbindung allein klärt weder die Beziehungsbedeutung noch relevante Versionen, erlaubte Nutzung oder Abnahmekriterien.

Brauchen wir eine vollständige Konfigurationsbaseline?

Das hängt von der Entscheidung ab. Prüfen Sie, ob eine Versionsreferenz genügt oder ein kontrollierter Stand mehrerer Artefakte nötig ist. Beides ist nicht gleichbedeutend.

Können wir mit rein lesender KI beginnen?

Eine lesende oder auf Entwürfe begrenzte Evaluation kann den Aktionsumfang reduzieren. Sie benötigt dennoch passende Zugriffsrechte, Quellkontext und eine Prüfung der Ergebnisse.

Trainiert Feedback automatisch das Modell?

Das darf nicht vorausgesetzt werden. Legen Sie fest, ob Feedback einen Entwurf überarbeitet, den Workflow verbessert oder einem anderen freigegebenen Zweck dient. Diese Entscheidung ist von der Verantwortung für Quelldaten zu trennen.

Architektur im Gespräch

Ihre Engineering-AI-Architektur besprechen

Welche Systeme führen Ihre Anforderungen, Produktdaten, Softwareentwicklung, Verifikation und Ihr technisches Wissen? Gemeinsam ordnen wir den Kontext für einen KI-Workflow ein und prüfen, wo Verknüpfung, Synchronisation oder Orchestrierung nötig ist.

Architektur besprechen