النصوص التقنية غير المهيكلة تمثل مصدراً غنياً للمعرفة الهندسية تُستغل بشكل غير كافٍ في تحليل البيانات. على سبيل المثال، تُسجّل أوامر الصيانة (MWO) معلومات قيمة تُستخدم لتحديد ما تم إنجازه على الأصل ولماذا. تُعد البيانات في الحقول القصيرة النصية الخاصة بأوامر الصيانة غير مهيكلة، موجزة، وغنية بالمحادثة الفنية، مما يُعقّد قدرة كل من البشر والآلات على قراءتها. يكمن تحدينا في استخراج المعلومات التقنية بكفاءة من الحقل النصي القصير في أوامر الصيانة، ودمجها مع البيانات الموجودة في الحقول المهيكلة مثل التواريخ وموقع الوظيفة وماركة الأصل ونوعه. في هذا البحث، نقدّم حلّاً مبنياً على معالجة اللغة التقنية لحل هذه المشكلة. يُعد "إكيدنا" واجهة سهلة الاستخدام تُمكّن من إجراء استعلامات، وتحوّل بيانات الأصول التاريخية إلى شكل رسم معرفي (Knowledge Graph). يتم إنتاج هذا الرسم المعرفي بواسطة أداة "MWO2KG"، التي تستخدم التعلم العميق المدعوم ببيانات تدريب مُعلّمة لبناء رسوم معرفية تلقائيًا من النصوص التقنية غير المهيكلة، مدمجة مع البيانات من الحقول المهيكلة. تم اختبار الأدوات على بيانات أوامر الصيانة وبيانات تسجيل التأخير التي قدّمتها شركاء صناعيون. تُوفّر هذه الأدوات للمهندسين المختصين في الموثوقية وسيلة فعّالة للعثور على المعلومات في البيانات التاريخية للأصول، وذلك لتحليل أنماط الفشل والآثار الناتجة عنها، وتأكيد استراتيجيات الصيانة، وتحسين العمليات. يتوفر الكود المصدري لكلا الأداة على منصة GitHub بموجب ترخيص Apache 2.0.