GenAI-Apps mit Mendix entwickeln – schnell, sicher, skalierbar

Seit 2005 hilft Mendix, ein Siemens-Unternehmen und die führende Plattform für das agentische Unternehmen, tausenden Organisationen dabei, die Hürden klassischer Softwareentwicklung zu überwinden. Teams mit sehr wenig Programmiererfahrung entwickeln und deployen intelligente Anwendungen in hoher Geschwindigkeit und Skalierung. Gleichzeitig unterstützt Mendix IT-Abteilungen dabei, technische Schulden abzubauen und den Entwicklungszyklus zu verschlanken. So demokratisiert Mendix den Zugang zu neuen Technologien – so kann jeder, überall, KI-gestützte Apps bauen, um die drängendsten geschäftlichen Herausforderungen zu lösen.

Datenanalyse. GenAI befähigt nicht-technische Anwender, Datenanalysen durchzuführen, indem sie Fragen in natürlicher Sprache in analytische Abfragen gegen strukturierte Datenquellen übersetzt. Das beschleunigt die eigenständige, explorative Datenanalyse, da keine traditionellen Programmiersprachen mehr nötig sind, um Erkenntnisse zu gewinnen.

Prognosen. Noch fortschrittlichere Fähigkeiten sind mit Machine Learning (ML) möglich, das sich einsetzen lässt, um Prognosen zu entwickeln und die Ergebnisse und Zielkonflikte zwischen verschiedenen Logistikentscheidungen zu bewerten. Managed-ML-Dienste, die sich mit Mendix integrieren lassen, bringen dafür einen breiten Satz an Werkzeugen zusammen und ermöglichen leistungsstarkes, kostengünstiges ML für praktisch jeden Anwendungsfall. Nutzer bauen, trainieren und deployen ML-Modelle im großen Maßstab – mit Werkzeugen wie Notebooks, Debuggern, Profilern, Pipelines und MLOps in einer integrierten Entwicklungsumgebung (IDE).

Entscheidungsunterstützung. Mit Mendix und Managed-ML-Diensten kann ein Unternehmen Planungs- und Ausführungsdaten seiner Lieferkette mit externen Datenquellen wie Wetter, Verkehr und Wirtschaftsindikatoren kombinieren, um eine voll funktionsfähige Entscheidungsunterstützungs-Engine zu bauen. Supply-Chain-Manager und Logistikkoordinatoren nutzen die Engine, um die Resilienz zu erhöhen, indem sie potenzielle Risiken und Störungen erkennen, bevor diese die Profitabilität beeinträchtigen. Die Engine kann außerdem Empfehlungen zur Optimierung von Zeitplänen und Routen generieren – basierend auf Prioritäten des Nutzers wie Liefergeschwindigkeit, Kraftstoffkosten und CO₂-Emissionen.

• Nahtlose Anbindung an mehrere Datenquellen
• Vereinfachte Zusammenarbeit über Qualitätsprozesse hinweg, während das Kern-QMS sauber bleibt
• Aufbau von Qualitäts-Tracking-Anwendungen, um die Schwächen fehleranfälliger, manueller Prozesse zu beheben
• Teilen von Qualitätsmanagement-Daten mit Lieferanten
• Individualisierung von Anwendungen an die Bedürfnisse und Praktiken der Belegschaft

GenAI-gestützter virtueller Assistent. Qualitäts- und Produktionsmanager können einen KI-Assistenten (virtueller Assistent und Chatbot) nutzen, um per natürlicher Sprache Daten-Erkenntnisse aus verschiedenen Quellen zu extrahieren. Das reduziert die Notwendigkeit, sich durch Dashboards zu klicken, und erlaubt nicht-technischen Anwendern, rasch nützliche Informationen zu gewinnen, für die sonst IT-Unterstützung nötig wäre. Der Assistent kann zudem zeitraubende manuelle Aufgaben übernehmen – etwa Labels aus Bildern oder Videofeeds extrahieren, um Felder in einem Ticket automatisch zu befüllen. Der Manager kann den Assistenten anschließend bitten, das Ticket in eine bestimmte Datenbank oder ein System wie das QMS zu importieren. Der Assistent kann sogar eine beschreibende Bildunterschrift erstellen, sodass Prüfer oder Wartungstechniker eine Vorstellung vom Problem haben, bevor sie es physisch sehen.

Inspektionen mittels Computer Vision. Cloud-basierte Bild- und Videoanalyse-Dienste machen es einfach, fortschrittliche Computer-Vision-Fähigkeiten in jede Anwendung zu integrieren – gestützt auf bewährte Deep-Learning-Technologie und ohne ML-Expertise. Über eine einfache API lassen sich Bild- oder Videodateien rasch analysieren. Ein Kunde kann Mendix nutzen, um solche Dienste in eine individuelle QM-Anwendung zu integrieren – mit Echtzeit-Videofeed oder Standbildern von Produkten der Fertigungslinie. Die visuelle Inspektions-App lässt sich dann trainieren, potenzielle Abweichungen wie Schweißnahtfehler zu erkennen.