Module voor het analyseren van ongestructureerde gegevens

Geothermische centrales genereren grote hoeveelheden ongestructureerde tekstgegevens, zoals rapporten, logboeken en technische documentatie. Deze bevatten waardevolle contextuele kennis, maar die laat zich moeilijk efficiënt doorzoeken. Hiervoor heeft het Gemini-project een zogeheten ‘Retrieval Augmented Generation’ (RAG)-workflow ontwikkeld die is geïntegreerd in de digital twin.

Geautomatiseerd zoeken

Met het RAG-systeem kunnen operators en analisten via een op chat gebaseerde interface zoekopdrachten uitvoeren in documentverzamelingen. Hierdoor kunnen ze relevante informatie snel ophalen, zonder handmatig te hoeven zoeken. De workflow zet documenten om in tekst, verdeelt ze in fragmenten, slaat ze op als vectoren en bewaart ze in een ChromaDB-vector-database. Bij zoekopdrachten van gebruikers worden de meest relevante fragmenten opgehaald. Een large language model (LLM) gebruikt deze om antwoorden te genereren die strikt gebaseerd zijn op de brondocumenten. Dit voorkomt ‘hallucinaties’.

Betrouwbare kennis

Het systeem is volledig gebouwd op open source-tools, zoals Ollama, ChromaDB en Docker. Het ondersteunt flexibele implementatie op lokale omgevingen en in de cloud, waaronder Azure. Een eventuele koppeling met eigen Azure OpenAI-modellen voorziet waar nodig in hoge prestaties, tegen extra gebruiksvergoedingen. Al met al biedt de oplossing een transparante en betrouwbare manier om operationele kennis uit ongestructureerde gegevens te halen. Dit verbetert de besluitvorming en het behoud van kennis en legt tegelijkertijd een solide basis voor toekomstige RAG-uitbreidingen.