Mithilfe unserer KI-basierten LLM-Wiki-Lösung haben wir unserem Kunden aus dem Bankensektor dabei geholfen, Projekte schneller, präziser und mit geringerem Risiko abzuwickeln.
Sektor
Dienstleistung & Technologie
Die Herausforderung
Unser Kunde ist eine der führenden Banken Ungarns, bei der wir an einem Datenmigrationsprojekt mitgewirkt haben.
Unsere am Projekt beteiligten Experten mussten sich schnell einen Überblick über die Struktur und den Betrieb des betreffenden Systems verschaffen, obwohl die erforderlichen Informationen über verschiedene geschäftliche und technische Spezifikationen, Datenbankbeschreibungen und Entwicklerdokumentationen verstreut waren:
- Geschäftsprozesse in den geschäftlichen Spezifikationen,
- technische Umsetzung in den technischen Spezifikationen,
- Datenstrukturen in Datenmodellen und Datenbankschemata,
- sowie die eigentliche Umsetzung in Java-/SQL-Code und GitHub-Repositorys.
Dies stellt eine Herausforderung dar, da das bloße Lesen eines einzelnen Dokuments nicht ausreicht, um ein neues Thema zu verstehen. Man muss erkennen können, welche Daten ein Geschäftsprozess umfasst, mit welchen technischen Komponenten er verknüpft ist, in welchen Datenbanktabellen er vorkommt, welche Auswirkungen er auf das Berichtswesen hat und welche Risiken damit verbunden sein können.
Die Lösung
Um dieser Herausforderung zu begegnen, haben wir unsere KI-basierte LLM-Wiki-Lösung entwickelt, die bestehende Projektdokumentation in eine einheitliche, durchsuchbare und vernetzte Wissensdatenbank umwandelt. Das LLM Wiki verarbeitet die eingereichten Quellenmaterialien und ordnet sie in einer Wiki-ähnlichen Struktur, wobei es beispielsweise folgende Elemente voneinander trennt:
- Geschäftsprozesse,
- Datenbereiche,
- Datenmodelle,
- Entitäten,
- technische Komponenten,
- Probleme,
- Risiken,
- Zusammenfassungen der Quelldokumente
- sowie zugehörige methodische Beschreibungen.
Das Ergebnis ist eine strukturierte Wissensdatenbank: Für jedes beliebige Thema wird deutlich, aus welchen Dokumenten die Informationen stammen, mit welchen anderen Konzepten oder Komponenten sie verknüpft sind, welche Risiken aufgetreten sind und wo weitere Details zu finden sind.
Technologie
GitHub Copilot / VS Code
Die Ergebnisse
Dank des fertiggestellten LLM-Wikis
- lässt sich Zeit sparen, da jedes Thema wesentlich schneller überprüft werden kann;
- lassen sich Risiken bereits anhand der Spezifikationen frühzeitig erkennen, wodurch Zeit eingespart wird, die andernfalls für fehlerhafte Entwicklungs- und Testarbeiten aufgewendet würde;
- lassen sich Geschäftsregeln und technische Umsetzung besser aufeinander abstimmen;
- und schließlich werden auch die Analyse des Datenmodells und der Architektur vereinfacht.
