Het project Graph-Driven Intelligence is een gezamenlijk onderzoeksinitiatief van TNO-ESI en Philips IGT Systems. Het richt zich op het aanpakken van de toenemende complexiteit van cyber-fysieke systemen door een methode te ontwikkelen die heterogene engineeringsdata integreert in een AI-ondersteund raamwerk voor systeeminzicht en modularisatie.

Methodologie en Technische Innovatie

Het project ontwikkelt een methodologie die gebruikmaakt van ontologieën, kennisgrafen en Large Language Models (LLMs) om code, modellen, documentatie en runtime-data te verenigen in een gedeelde semantische ruimte. Dit maakt geautomatiseerde analyse, interactieve visualisaties en traceerbaarheid van scenario’s naar implementatie mogelijk. De aanpak ondersteunt capability-based design en functionele ontkoppeling, en vermindert de afhankelijkheid van handmatige analyse en schaarse experts. De resultaten omvatten prototypes voor ontologieconstructie, visualisatietools en interactie-inferentie, geïntegreerd in het Renaissance-platform.

Industriële Validatie en Brede Impact

De methodologie wordt gevalideerd aan de hand van praktijkgerichte use cases van Philips, zoals het Fluoroscopy-scenario, wat de toepasbaarheid en schaalbaarheid in de industrie aantoont. Het project sluit aan bij de HTSM Systems Engineering Roadmap en draagt bij aan nationale transities, met name de digitale transitie in de hightechsector. Het biedt oplossingen voor uitdagingen zoals het tekort aan gekwalificeerd personeel, complexiteit over de levenscyclus van systemen en de behoefte aan kostenefficiënte engineering. Door AI-ondersteunde systeemanalyse mogelijk te maken, versterkt het project de innovatiekracht en concurrentiepositie van de Nederlandse hightechindustrie.