LLM-assisted Data Structuring and Analysis for Improving Aircraft Maintenance.

Lufttüchtigkeitsanweisungen (Airworthiness Directives) sind ein wesentlicher Bestandteil der Flugsicherheit, werden jedoch in der Regel als komplexe, halbstrukturierte PDF-Dokumente veröffentlicht. Mit der zunehmenden Anzahl und Komplexität dieser Dokumente erweist sich eine manuelle Analyse zunehmend als unzureichend, um eine rechtzeitige und konsistente Einhaltung der Vorschriften sicherzustellen. Bestehende Ansätze scheitern häufig an der hohen Variabilität in Struktur, Terminologie und Inhalt der Anweisungen, was eine skalierbare Automatisierung erschwert. Diese Vielfalt unterstreicht die Notwendigkeit flexiblerer und kontextsensitiver Methoden, insbesondere von Large Language Models (LLMs), die in der Lage sind, regulatorische Texte mit höherer Präzision und Anpassungsfähigkeit zu interpretieren und zu strukturieren.Diese Arbeit befasst sich mit der Transformation unstrukturierter regulatorischer Daten in ein zuverlässiges, standardisiertes und maschinenlesbares Format. Unter Verwendung des Design-Science-Research-Ansatzes wurde eine LLM-basierte Extraktionspipeline entwickelt,die Prompt-Engineering-Techniken – wie Few-Shot Learning und Chain-of-Thought Reasoning – mit einem kontrollierten JSON-Schema kombiniert, um Konsistenz und Genauigkeit sicherzustellen. Die daraus entwickelte Lösung ermöglicht eine strukturierte und überprüfbare Extraktion von Anwendbarkeitsinformationen aus komplexen Lufttüchtigkeitsanweisungen und zeigt messbare Verbesserungen in Genauigkeit, Zuverlässigkeit und Verarbeitungseffizienz im Vergleich zu manuellen Methoden.Eine vergleichende Evaluation wurde in drei experimentellen Varianten durchgeführt: (1) einer manuellen Baseline-Analyse durch Menschen, (2) einem LLM ohne Guidance (Zero-Shot) und (3) einem LLM mit Guidance (Few-Shot, schema-basiert). Die manuelle Baseline diente als Referenz für die Genauigkeit nicht-expertengestützter Extraktion (57,7%) und für die Vollständigkeit der manuellen Verarbeitung. Das ungeleitete LLM erreichte eine Genauigkeit von 54,5%, was die Grenzen unstrukturierter Generierung regulatorischer Daten verdeutlicht. Im Gegensatz dazu zeigte das geführte LLM, unterstützt durch Schema-Kontrolle und Few-Shot-Prompting, eine deutliche Leistungssteigerung mit einer Genauigkeit von 93,84% und einer Reduktion der durchschnittlichen Verarbeitungszeit um über 90% gegenüber manuellen Methoden – bei einer Bearbeitungsdauer von etwa12,4 Sekunden pro Dokument.Diese Arbeit zeigt, dass ein gezieltes Schema-Design und durchdachtes Prompt Engineering die Zuverlässigkeit und Interpretierbarkeit von LLM-Ergebnissen in stark regulierten Domänen erheblich verbessern können. Durch die Umwandlung komplexer Lufttüchtigkeitsanweisungen in konsistente, maschinenlesbare Daten ermöglicht der Ansatz eine schnellere, transparentere und überprüfbare Verarbeitung regulatorischer Informationen.Die Ergebnisse bestätigen nicht nur die Machbarkeit einer LLM-gestützten Datenstrukturierung,sondern verdeutlichen auch ihr Potenzial, die Konsistenz von Compliance-Prozessen in der Luftfahrtwartung und darüber hinaus zu stärken.