Embedded Files
20.08.2026
⏳ 5 Minuten
Eines der Sexy Dinge in Deutschland ist ohne ein Tempolimit zu fahren. Wenn ich so schnell wie möglich Euphorie und Adrenalin spüren möchte, setze ich mich in ein Auto rein und wünsche mir das Gaspedal ohne Ende durchgedrückt zu halten. Jedoch führt eine kleine Fahrlässigkeit möglicherweise zu einem großen Unfall.
Zwar gibt es ein Notbremsassitenzsystem (AEBS), aber funktioniert dieses jedoch nicht in solch hohen Geschwindingkeiten.
Dies bewog mich dazu, mich mehr darüber zu informieren. Infolgedessen habe ich unter anderem interessenterweise Regelungen wie UNECE No. R152 und FMVSS 127 herausgefunden. Erstere gilt in der EU, während zweitere in den USA zu beachten ist. Die beiden Regelungen beinhalten spezifische Anforderungen, denen neu hergestellte Fahrzeuge jeweils entsprechen müssen.
Bei dem üblichen Fahrzeug-Entwicklungszyklus (VDLC) sind der Requirements Engineer und Compliance Manager mit diesen Regelungen beschäftigt. Einer interpretiert diese, um Anforderungen für Tests zu erstellen, während der andere Tests den Regelungen entsprechend überprüft.
Um diese Anforderungen zu erstellen, müssen die textlastigen Regelungen gelesen, interpretiert werden, wobei technische Informationen in juristischer Sprache verfasst sind, bei denen eine technische Kompetenz zum Verständnis erforderlich ist.
Plötzlitch ist mir eingefallen: “Warum sollten wir nicht die KI (Sprachmodelle) nutzen, um diese Arbeitsschritte zu automatisieren?“ Für die gewünschte Ausgabe benutzte ich den folgenden Prompt für die jeweilige Datei (UN No. 152 & FMVSS 127 PDFs) in den beiden Tools (Gemini & ChatGPT).
Datei
Für die Regelung UN No. 152 hat Gemini 46 Anforderungen erstellt, während ChatGPT 134 Anforderungen erstellt hat. Der Unterschied basiert u.a. auf Kontextfenster und der Kompetenz des Modells.
Für die Regelung FMVSS 127 hat Gemini 4 Anforderungen erstellt, wohingegen ChatGPT mehrere Schritte zum Verarbeiten brauchte. Gemini stößt dabei an seine Grenzen und liefert demnach kein zufriedenstellendes Ergebnis. ChatGPT hingegen schlägt eine Strategie vor, bei der mehrere Schritte zu befolgen sind, jedoch es mit Fehlern und Halluzinationnen zu rechnen wäre.
Aus diesem Grund, wollte ich eine Lösung entwickeln, die Chunking und API-Calls an Sprachmodellen nutzt.
Desweiteren gehe ich auf meine drei Versuche ein, wobei das Problem vollständig gelöst wird. Bei dem ersten Versuch entschied ich mich dazu, Chunking als Methode zu nutzen, da das amerikanische Dokument zu umfangreich war. Jedoch stellte ich mich damit vor die Herausforderung, dass das Dokument in einem Bildformat war und dementsprechend nicht verarbeitet (Parsing) werden konnte.
Um diese Herausforderung zu überwinden nutzte ich ein Pythonmodul names Docling. Mit dessen Hilfe wurden die PDFs zu Markdown Format umgewandelt. Zudem habe ich eine strukturbezogene Chunkingstrategie genutzt, um das Dokument nach Überschriften zu gliedern und durch die Aufteilung in mehreren Chunks zu zerkleinern.
Chunk zu Chunk wurden die Regelungen vom GPT-4o Modell des OpenAIs verabeitet, um die Anforderungen zu extrahieren. Mit meinem Ansatz bin ich zu folgenden Ausgaben gekommen: Für FMVSS 127 wurden 242 Anforderungen aus 953 Chunks extrahiert, während für UN R152 99 Anforderungen aus 140 Chunks abgeleitet wurden.
Da keine goldene Datensätze zur Bewertung vorhanden sind, ist es schwer Konkretes festzustellen, welche von ChatGPT bzw. Chunkingmethode für kleinere Texte wie UN R152 am besten passt. Die ChatGPT-Methode extrahierte inhaltlich vollständige Anforderungen, aber mit übermäßigen Textlängen. Dagegen extrahierte die Chunkingmethode zwar saubere und kürzere Textabschnitte, leidet aber unter fragmentierten Sätzen. Allerdings könnten diese Probleme durch optimale Chunking-Strategien behoben werden.
Für umfangreichere Texte wie FMVSS 127, ist selbverständlich die Chunkingmethode der eindeutige Gewinner.
Im Folgenden befinden sich der Code für die Implementierung von Chunkingstratgeie sowie die Ergebnisse: https://github.com/sunghill/information_extraction_regtech
Solche Automation ist wie verdeutlicht wertvoll, weil sie Zeitauftwand ersetzt. Allerdings ist zu beachten, dass nicht alles von der KI übernommen werden soll, sondern Compliance Managers und Requirements Engineers können sich mehr auf die Überprüfung konzentrieren. Demzufolge wird der Fahrzeugentwicklungszyklus verkürzt, wobei neue Technologien wie Kameras, Sensoren etc. schneller auf den Markt gebracht werden können.
PS: Ich möchte mich bei meinem Deutsch-Sprachlehrer Masuod Hossaini bedanken, da er mir geholfen hat, diesen Blog zu verfassen. Er ist ein Schauspieler mit Hintergrund in Regie und Kommunikation.
Page updated
Google Sites
Report abuse