Referenzarchitektur für Demonstratoren Maschinellen Sehens |
Zur Unterstützung einer humanzentrierten Einführung von KI in Industrieunternehmen
| Zeitschrift | Industry 4.0 Science |
| Ausgabe | 41. Jahrgang, 2025, Ausgabe 5, Seite 152-160 |
| Open Access | https://doi.org/10.30844/I4SD.25.5.152 |
| Literatur | Teilen | Zitieren | Download |
Abstract
Keywords
Artikel
Künstliche Intelligenz verstehen, anwenden und übertragen
Künstliche Intelligenz (KI) gilt als Schlüsseltechnologie der industriellen Transformation. Insbesondere Anwendungen des Maschinellen Sehens bieten Potenzial für Automatisierung und Prozessoptimierung in der industriellen Produktion [1]. Eine aktuelle Studie des Fraunhofer ISI zeigt jedoch, dass KI bislang nur in etwa 16 % der Betriebe im verarbeitenden Gewerbe Deutschlands produktiv eingesetzt wird [2]. Ursächlich dafür sind oftmals die wahrgenommene Komplexität, etwa durch schwer verständliche KI-Funktionsweisen, mangelnde technische Expertise oder Unsicherheit bei der Umsetzung von KI-Anwendungen [3]. Hinzu kommen interne Widerstände gegenüber der Integration von KI in Unternehmen, beispielsweise ausgelöst durch Ängste vor Arbeitsplatzverlust oder dem Gefühl, Kontrolle über Prozesse abzugeben [4].
Ein humanzentrierter Ansatz kann dazu beitragen, interne Widerstände abzubauen, indem Mitarbeitende frühzeitig in Entwicklungs- und Gestaltungsprozesse eingebunden werden [5]. Erste kleinere Umsetzungsprojekte können darüber hinaus die Akzeptanz von KI im Unternehmen fördern, die Mitarbeitenden schrittweise an den praktischen Einsatz von KI-Technologien heranführen und somit weitere Anwendungen von KI im Unternehmen maßgeblich beschleunigen [2].
Der vorliegende Beitrag stellt eine modular aufgebaute Referenzarchitektur für KI-Demonstratoren vor, die auf kostengünstiger Hardware und Open-Source-Komponenten basiert. Ziel ist es, durch eine anschauliche und offensichtlich nachvollziehbare Machine Vision Anwendung den Zugang zu KI-Technologien zu erleichtern, Berührungsängste abzubauen und durch ein didaktisch strukturiertes Vorgehen gezielt Kompetenzen in einem geschützten Lernraum aufzubauen, sodass eine eigenständige Übertragung auf eigene betriebliche Prozesse und Anwendungsfälle möglich wird. Mittels eines Design Science Research Ansatzes werden sowohl die technische Architektur als auch ein begleitender didaktischer Orientierungsrahmen entwickelt und in drei realen Anwendungsszenarien evaluiert.
Demonstratoren zur humanzentrierten Einführung von Künstlicher Intelligenz
Im Kontext organisationaler Transformation, wie etwa bei der Einführung von KI, gewinnt erfahrungsbasiertes Lernen zunehmend an Bedeutung [6]. Der Lernzyklus nach Kolb [7] bietet hierfür ein fundiertes Modell, das Lernen als Prozess mit zyklisch zu durchlaufenden Phasen beschreibt. Nachhaltiges Lernen entsteht demnach durch eigenständige Erfahrung, Reflexion und schrittweise Abstraktion [8]. Übertragen auf die betriebliche KI-Einführung bedeutet dies: Mitarbeitende entwickeln ein tieferes Verständnis für datengetriebene Systeme, wenn sie deren Funktionalität nicht nur theoretisch kennen, sondern praktisch erproben und reflektieren können.
Komplexe Technologien wie KI werden bei mangelnder Transparenz ihrer Funktionsweise häufig als „Black Box“ wahrgenommen [9]. Erfahrungsbasiertes Lernen kann jedoch dabei helfen, Unsicherheiten im Umgang mit KI abzubauen und technologische sowie kognitive Hemmnisse zu überwinden [10]. In der betrieblichen Realität fehlt es jedoch oft an Raum für solche Lernprozesse. Effizienzdruck, geringe personelle Ressourcen und fehlende Freiräume können systematisches Experimentieren verhindern [11].
Demonstratoren nehmen in der Technikentwicklung eine zentrale Rolle ein. Sie sind nicht nur technische Artefakte, sondern fungieren als Brücken zwischen Theorie und Anwendung [12]. Als Funktionsmuster machen sie technologische Konzepte in konkreten, oft vereinfachten Anwendungsszenarien erfahrbar. Sie dienen der Visualisierung von Funktionsprinzipien, der Validierung von Konzepten sowie der Kommunikation in Innovationsprozessen, insbesondere in frühen Entwicklungsphasen. [13]
Im Kontext von KI-Anwendungen gewinnen Demonstratoren weiter an Bedeutung. Sie ermöglichen ein klares Verständnis der komplexen Funktionsweisen von KI-Algorithmen und gestalten gleichzeitig erlebbare Use Cases. Werheid et al. [14] zeigen beispielhaft ein tragbares, kostengünstiges Computer-Vision-System zur Fehlererkennung und Bestandsverwaltung, das über Open-Source-Software und Transfer Learning realisiert wurde. Die Evaluation dieses Demonstrators belegt zudem, dass diese Einstiegshürden senken und das Vertrauen in KI stärken können.
Allerdings bilden viele existierende Demonstratoren nur vorgegebene Use Cases ab, ohne Nutzenden die Möglichkeit zu geben, eigene Problemstellungen zu bearbeiten. Infolgedessen kann der Erkenntnisgewinn häufig oberflächlich bleiben [15], was ein vertieftes Kompetenzlernen deutlich einschränkt. Zudem wird der interaktive didaktische Anspruch vielfach vernachlässigt, dabei könnte gerade durch eine gezielte didaktische Gestaltung ein nachhaltiger Lern- und Aneignungsprozess wirksam gefördert werden. [16]. Im Sinne einer humanzentrierten Einführung von KI ist es von zentraler Bedeutung, dass Mitarbeitende KI-Systeme nicht nur akzeptieren, sondern aktiv verstehen, kritisch reflektieren und mitgestalten können [17]. Daher sollten entsprechende Demonstratoren nicht lediglich als Proof-of-Concept dienen, sondern als interaktive, didaktisch fundierte Lernräume konzipiert sein.
Gestaltung einer Referenzarchitektur mithilfe des Design Science Research-Ansatzes
Der vorliegende Beitrag fokussiert sich auf eine humanzentrierte Perspektive und präsentiert eine Referenzarchitektur für Demonstratoren des Maschinellen Sehens, die ein exploratives, reflektiertes und partizipatives Lernen bei der KI-Einführung unterstützen. Zur Entwicklung einer praxisnahen Lösung wurde das Design Science Research (DSR) Vorgehensmodell nach Vaishnavi und Kuechler [18] gewählt. DSR ermöglicht die iterative Entwicklung innovativer Artefakte durch Problemanalyse, Entwicklung und Evaluation und eignet sich besonders für eine gestaltungsorientierte Forschung [19].
In der Awareness of Problem-Phase wurde auf Basis einschlägiger Literatur ein vertieftes Verständnis für bestehende Barrieren, wie fehlendes Domänenverständnis, Unsicherheit im Umgang mit datengetriebenen Systemen und fehlende Akzeptanz, entwickelt. Daraus wurden im nächsten Schritt Anforderungen an eine Referenzarchitektur und kontextuelle Bedingungen abgeleitet. Die Suggestion-Phase fokussierte die konzeptionelle Ausarbeitung eines Lösungsansatzes.
Die Referenzarchitektur für industrielle KI-Systeme nach Oks et al. [20] diente als ordnungsgebender Bezugsrahmen. Ergänzend wurde ein an Kolb [7] orientiertes Anwendungsvorgehen entwickelt, das eigenständige Lernerfahrungen mit KI fördern soll. In der Development-Phase wurden auf Basis des CRISP-DM-Modells [21] drei Konfigurationen der Referenzarchitektur prototypisch umgesetzt, die digitale und physische Komponenten kombinieren und unterschiedliche Use Cases adressieren. Die Evaluation-Phase zielte auf die Prüfung der Wirksamkeit in realitätsnahen Nutzungsszenarien ab. Beobachtbare Lernprozesse, Feedback der Nutzenden und die Anschlussfähigkeit an betriebliche Kontexte dienten als Kriterien.
In der Conclusion-Phase wurden theoretische und praktische Implikationen reflektiert. Die Ergebnisse zur entwickelten Referenzarchitektur sowie zur didaktischen Anwendung zielen darauf ab, einen Beitrag zur weiteren Forschung zu leisten und Impulse für die Praxis zu geben.
Konzept und Umsetzung der Referenzarchitektur
Das entwickelte Gesamtkonzept einer Referenzarchitektur (Bild 1) verfolgt das Ziel, einen niedrigschwelligen Lern- und Experimentierraum für KI-Anwendungen im Unternehmenskontext bereitzustellen. Im Mittelpunkt stehen dabei technische Einfachheit, eine intuitive Bedienbarkeit ohne Vorkenntnisse sowie die unmittelbare Anwendbarkeit im betrieblichen Umfeld.
![Bild 1: Konzept der Referenzarchitektur für Demonstratoren des Maschinellen Sehens (Darstellung in Anlehnung an Oks et al. [20])](https://industry-science.com/wp-content/uploads/2025/09/Arnold_Bild1-1024x848.png)
Nicht nur im Konzept (Bild 1), sondern auch in der Umsetzung (Bild 2) besteht die physische Struktur aus einem kompakten Trägerrahmen (1) mit integrierter Stromversorgung (4), der alle Systemkomponenten versorgt und über eine lichtabschirmende Verkleidung (5) verfügt. Diese Abschirmung schützt vor externen Störeinflüssen und kann zugleich für Marketing-Zwecke genutzt werden. Ein optischer Sensor (7) in Form einer handelsüblichen Webcam ist zentral montiert und ermöglicht Bildaufnahmen bei standardisierten Lichtverhältnissen durch eine integrierte aktive Lichtquelle (6).
Die Objektauflage (2) ist höhenverstellbar, um den Abstand zum optischen Sensor im Hinblick auf die Bildqualität und Fokussierung je nach Use Case optimieren zu können. Als Human-Machine-Interface (HMI) dient ein Tablet-PC (3). Über diesen erfolgen Bildaufnahme und sonstige Interaktion mit der Auswertungssoftware (8). Der verwendete YOLO-Algorithmus erlaubt die Echtzeit-Klassifikation von Objekten [22] und bildet den funktionalen Kern der KI-Anwendung. Die gesamte Hardware ist mobil und somit auch außerhalb von Werkhallen, etwa auf Messen oder in Schulungen, einsetzbar.
Die Architektur ist dabei modular: Komponenten wie Kamera, Beleuchtung und Trägerrahmen können aufwandsarm ausgetauscht, erweitert und auf den jeweiligen Anwendungskontext angepasst werden. Die Software wird zudem initial in partizipativen und moderierten CRISP-DM-Workshops [21] auf spezifische Anwendungsfälle der Stakeholdergruppen zugeschnitten. In diesen Workshops entwickeln die Nutzenden domänenspezifische Anforderungen, bauen Akzeptanz gegenüber der Technologie auf und stärken ihre Gestaltungs- und Handlungskompetenz im Umgang mit KI.
Didaktische Begleitung zur Einführung Künstlicher Intelligenz
Ein zentrales Ziel dieses Beitrags ist es, die Einführung von KI-Systemen humanzentriert zu gestalten. Dies erfordert mehr als funktionale Technologien. Anwendende Personen müssen aktiv in Lern- und Gestaltungsprozesse eingebunden werden. Eigenständiges Experimentieren, Modifizieren und Anwenden sind wichtige Elemente, um funktionale Kompetenzen, aber auch Vertrauen und systemisches Verständnis zu fördern. Hierfür braucht es einen didaktischen Orientierungsrahmen.
Als theoretische Grundlage dient der Lernzyklus nach Kolb [7], der den Lernprozess als Zyklus in vier Phasen beschreibt: konkrete Erfahrung, reflektierende Beobachtung, abstrakte Konzeptualisierung und aktives Experimentieren. Im Kontext industrieller KI-Einführung stößt dieser Zyklus jedoch durch die separierten Lernräume zwischen Lernkontext (Demonstrator) und realem Anwendungskontext (Praxis) an Grenzen. Daher wird Lernzyklus nach Kolb auf die folgenden drei ineinandergreifende Zyklen erweitert (Bild 3):
- Lernen in der Praxis: Mitarbeitende sammeln Erfahrungen im betrieblichen Alltag, reflektieren diese, abstrahieren Erkenntnisse und leiten neue Handlungsmuster ab. Einschränkungen ergeben sich durch fehlende Freiräume.
- Lernen mit dem Demonstrator: Im geschützten Raum können abstrahierte Problemstellungen aus der Praxis risikofrei erprobt und reflektiert werden. Der Demonstrator fungiert hier als technisches Lernlabor.
- Transferzyklus: Erkenntnisse aus einem Zyklus werden metakognitiv reflektiert und in einen anderen Zyklus transferiert. So entsteht eine dynamische Lernspirale, die technische und didaktische Weiterentwicklung verzahnt.
![Bild 3: Zirkulärer Lernprozess und beispielhafte Anwendungspfade im Zusammenspiel von Praxis und Demonstrator (in Anlehnung an den Lernzyklus nach Kolb [7])](https://industry-science.com/wp-content/uploads/2025/09/Arnold_Bild3-1024x432.png)
Konfiguration der Referenzarchitektur
Die Anwendbarkeit der entwickelten Referenzarchitektur wird im Folgenden anhand von drei praxisnahen Einsatzszenarien (A, B, C) aufgezeigt. Die dabei durchlaufenen Phasen der Lernzyklen sind ebenfalls in Bild 3 dargestellt.
Im ersten Anwendungsfall wird der Demonstrator zur visuellen Qualitätsprüfung einer Montagebaugruppe eingesetzt. Diese ist hier ein verstellbarer Flaschenverschluss, bei dem häufig fehlerhafte Montagen auftreten. Ziel war die Umsetzung einer automatisierten, konsistenten Fehlerklassifikation zur Unterstützung manueller Prüfprozesse.
Gemäß CRISP-DM-Modell [21] wurden gemeinsam mit dem Fachpersonal relevante Fehlerklassen identifiziert, Bilddaten erzeugt und manuell annotiert. Bereits in der ersten Entwicklungsphase konnte die Auswertungssoftware fehlende Bauteile zuverlässig erkennen. Weitergehende Tests zeigten jedoch, dass auch falsch montierte Bauteile berücksichtigt werden müssen. Das Modell wurde daraufhin um zusätzliche Klassen erweitert. Eine Anpassung des physischen Aufbaus bzw. der Hardware war entsprechend des beschriebenen Konzepts nicht notwendig. Besonders hervorzuheben ist der anschließende erfolgreiche Transfer in die reale Produktionsumgebung: Die Softwarekomponente wurde in eine bestehende Linie integriert und durch betriebliche Auftragsdaten ergänzt, so dass ein Soll-Ist-Abgleich der Produktkonfiguration ermöglicht wird.
Der erste Anwendungsfall zeigt, dass die entwickelte Referenzarchitektur sowohl technisch anschlussfähig als auch anpassungsfähig an betriebliche Prozesse ist. Die erfolgreiche Integration der Softwarekomponente in eine reale Produktionsumgebung belegt das Potenzial zur eigenständigen Übertragung auf unternehmensspezifische Anwendungsfälle. Darüber hinaus verdeutlicht der iterative Entwicklungsprozess den didaktischen Mehrwert des Demonstrators als lernförderlichen Experimentierraum.
Der zweite Use Case befasst sich mit der KI-gestützten Optimierung von Schneidprozessen in der Zerspanung. Ziel war es, durch optische Spananalysen eine datenbasierte Grundlage zur Anpassung von Schneidparametern zu schaffen. Der Fokus lag auf der Klassifikation von Spanformen zur Ableitung von Empfehlungen für Vorschub, Schnitttiefe und Drehzahl.
Gemäß CRISP-DM-Modell wurden Spanformen gezielt erzeugt, dokumentiert und auf Basis etablierter Typologien [23] annotiert. Ergänzt um domänenspezifisches Wissen diente das Material dem Training der Auswertungssoftware. Erste Tests zeigten grundlegende Funktionalität, jedoch auch technische Einschränkungen: Die Bildfrequenz und -qualität des standardmäßig verwendeten optischen Sensors begrenzt bei hohen Prozessgeschwindigkeiten die Funktionsfähigkeit der Auswertungssoftware. Diese technischen Einschränkungen erfordern weitere Anpassungen des Demonstrators, bevor eine praxistaugliche Anwendung unter realen Prozessbedingungen gewährleistet werden kann.
Der zweite Anwendungsfall bestätigt die Eignung der entwickelten Referenzarchitektur als Lern- und Experimentierraum zur domänenspezifischen Erprobung von KI-Anwendungen. Durch die Kombination aus optischer Datenerfassung, domänenbezogener Annotation und der Anwendung des CRISP-DM-Modells konnten grundlegende Funktionalitäten aufwandsarm demonstriert werden. Die identifizierten technischen Limitationen unterstreichen jedoch die Notwendigkeit einer modularen Anpassbarkeit der Referenzarchitektur.
Der dritte Use Case adressiert die betriebliche Ausbildung der Mechatronik mit dem Ziel, Lernprozesse durch ein KI-gestütztes Feedbacksystem zur Bewertung von Lötverbindungen zu unterstützen. In technischen Ausbildungsberufen erfolgt diese Bewertung bislang direkt durch Ausbildende. Im Falle großer Kohorten ist die Möglichkeit der Prüfung somit begrenzt. Zudem kann die selbstständige Prüfung mittels digitaler Assistenten mögliche Barrieren abbauen.
Basierend auf der Referenzarchitektur wurde ein Demonstrator entwickelt, der Fehlerbilder wie „Kaltlötstelle“ oder „Brückenbildung“ automatisch klassifiziert. Hierzu wurden reale Lötverbindungen korrekt, aber auch fehlerhaft erzeugt, fotografiert und auf Basis anerkannter Kriterien (z. B. IPC-A-610) annotiert. Im Unterschied zu klassischen Automatisierungsanwendungen steht hier nicht die Effizienz, sondern die Lernunterstützung der Auszubildenden im Vordergrund. Der Demonstrator fungiert somit als Grundlage eines didaktisch gestalteten Lernraums.
Der dritte Anwendungsfall bestätigt eindrücklich das Potenzial der entwickelten Referenzarchitektur zur Gestaltung didaktisch fundierter Lernräume. Der Demonstrator zur Bewertung von Lötverbindungen verdeutlicht, wie KI-basierte Machine-Vision-Systeme nicht nur technische Funktionalität, sondern auch pädagogischen Mehrwert stiften können. Durch die unmittelbare Rückmeldung an Auszubildende wird ein interaktiver, metakognitiv förderlicher Lernprozess und somit die Auseinandersetzung mit KI am Beispiel der konkreten Ausbildungsinhalte initiiert.
Diskussion und Zusammenfassung der Ergebnisse
Der vorliegende Beitrag adressiert die Lücke zwischen technologischem Potenzial und realer Anwendung als zentrales Hemmnis der industriellen KI-Einführung.
Mit der Entwicklung einer modularen Referenzarchitektur für KI-Demonstratoren im Bereich des Maschinellen Sehens wurde ein praxisnaher Lösungsansatz geschaffen. Die Architektur zeichnet sich durch einfache Bedienbarkeit, Mobilität, Erweiterbarkeit und didaktische Offenheit aus. In drei prototypischen Anwendungsfällen – Qualitätsprüfung, Spananalyse und betriebliche Ausbildung – konnte die technische Funktionsfähigkeit und Übertragbarkeit demonstriert werden. Dabei ist zu berücksichtigen, dass die vorgeschlagene Referenzarchitektur nicht für jeden Anwendungsfall unmittelbar geeignet sein muss. Ihr modularer Aufbau ermöglicht jedoch eine flexible Anpassung an spezifische Anforderungen, beispielsweise im Hinblick auf abweichende Abmessungen, unterschiedliche technische Ausstattung oder die Integration zusätzlicher Funktionen und Elemente.
Die didaktische Begleitung basiert auf multiplen Lernzyklen nach Kolb [7], die sowohl Lernen in der Praxis als auch am Demonstrator vorsehen. Dieser strukturierte Ansatz fördert nicht nur den Wissensaufbau, sondern auch die Akzeptanz und Mitgestaltung der Technologie auf Seiten der Anwender.
Gleichzeitig zeigen sich Limitationen: Die Evaluation erfolgte qualitativ und kontextgebunden. Eine breitere empirische Validierung steht noch aus. Zudem gilt es, die Übertragbarkeit des Konzepts auf dynamische Prozesse zu überprüfen. Für die weitere Forschung ergeben sich daraus relevante Implikationen: Künftig müssen Wirkungsanalysen auf breiter Datenbasis erfolgen und die Plattform um branchenspezifische Funktionen erweitert werden. Auch die Integration in digitale Lernumgebungen, etwa über Lernplattformen oder digitale Zwillinge, birgt Potenzial. Insgesamt unterstützt dieser Beitrag die humanzentrierte Einführung von KI. Die Ergebnisse verbinden technische Demonstration mit didaktischem Anspruch und schaffen einen Rahmen für partizipatives, erfahrungsbasiertes Lernen im digitalen Wandel der Arbeitswelt.
Die Autoren erklären, dass sie finanzielle Unterstützung für die Forschung, Autorschaft und Veröffentlichung dieses Artikels erhalten haben. Diese Arbeit wurde im Rahmen des Kompetenzzentrums HUMAINE durchgeführt, das vom Bundesministerium für Forschung, Technologie und Raumfahrt (BMFTR) im Rahmen des Programms “Zukunft der Wertschöpfung – Forschung zu Produktion, Dienstleistung und Arbeit“ gefördert und vom Projektträger Karlsruhe (PTKA) begleitet wird (Förderkennzeichen: 02L19C200). Zusätzlich möchten die Autoren Simon Weingarten, Henning Oberc, Tom Nowak, Tobias Moser, Marius Knott und Tobias Schmelter ihren aufrichtigen Dank für die wesentlichen Beiträge zur Entwicklung und kontinuierlichen Verfeinerung der initialen Ausarbeitung der in diesem Papier vorgestellten Demonstratoren aussprechen.
Dies ist ein Originalbeitrag. Die englische Übersetzung finden Sie unter der DOI: 10.30844/I4SE.25.5.146
Literatur
[1] Fahle, S.; Prinz, C.; Kuhlenkötter, B.: Systematic review on machine learning (ML) methods for manufacturing processes – Identifying artificial intelligence (AI) methods for field application. In: Procedia CIRP – 53rd CIRP Conference on Manufacturing Systems (2020), S. 413–418.[2] Heimberger, H.; Jäger, A.; Maloča, S.: Künstliche Intelligenz in der Produktion (2024).
[3] Oldemeyer, L.; Jede, A.; Teuteberg, F.: Investigation of artificial intelligence in SMEs: a systematic review of the state of the art and the main implementation challenges. In: Management Review Quarterly (2024), S. 1-43.
[4] Golgeci, I.; Ritala, P.; Arslan, A.; McKenna, B.; Ali, I.: Confronting and alleviating AI resistance in the workplace: An integrative review and a process framework. In: Human Resource Management Review 35 (2025) 2, S. 1-18.
[5] Berretta, S.; Tausch, A.; Kluge, A.; Peifer, C.: The Job Perception Inventory: considering human factors and needs in the design of human-AI work. In: Frontiers in psychology 14 (2023), S. 1–25.
[6] Sahni, R.; Chilton, L. B.: Beyond Training: Social Dynamics of AI Adoption in Industry (2025), S. 1-10.
[7] Kolb, D. A.: Experimental learning. Experience as the source of learning and development. Englewood Cliffs, N.J. 1984.
[8] Kolb, A. Y.; Kolb, D. A.: Learning Styles and Learning Spaces: Enhancing Experiential Learning in Higher Education. In: Academy of Management Learning & Education 4 (2005) 2, S. 193–212.
[9] von Eschenbach, W. J.: Transparency and the Black Box Problem: Why We Do Not Trust AI. In: Philosophy & Technology 34 (2021) 4, S. 1607–1622.
[10] Capelo, C.; Silva, A. L.: Optimising the Learning Potential of Simulations Through Structural Transparency and Exploratory Guidance. In: Simulation & Gaming 51 (2020) 4, S. 498–523.
[11] Baabdullah, A. M.: The precursors of AI adoption in business: Towards an efficient decision-making and functional performance. In: International Journal of Information Management 75 (2024), S. 1-26.
[12] Bobbe, T.; Opeskin, L.; Lüneburg, L.-M.; Wanta, H.; Pohlmann, J.; Krzywinski, J.: Design for communication: how do demonstrators demonstrate technology? In: Design Science 9 (2023), S. 1-25.
[13] Moultrie, J.: Understanding and classifying the role of design demonstrators in scientific exploration. In: Technovation 43-44 (2015), S. 1–16.
[14] Werheid, J.; Münker, S.; Klasen, N.; Hamann, T.; Abdelrazeq, A.; Schmitt, R. H.: Demonstrating computer vision to small‐ and medium‐sized enterprises in manufacturing: Toward overcoming costs and implementation challenges. In: Engineering Reports 6 (2024) 11, S.1-12.
[15] Grabinger, R. S.; Dunlap, J. C.: Rich environments for active learning: a definition. In: Research in Learning Technology 3 (1995) 2, S. 5-34.
[16] Abele, E.; Chryssolouris, G.; Sihn, W.; Metternich, J.; ElMaraghy, H.; Seliger, G.; Sivard, G.; ElMaraghy, W.; Hummel, V.; Tisch, M.; Seifermann, S.: Learning factories for future oriented research and education in manufacturing. In: CIRP Annals 66 (2017) 2, S. 803–826.
[17] Haipeter, T.; Wannöffel, M.; Daus, J.-T.; Schaffarczik, S.: Human-centered AI through employee participation. In: Frontiers in artificial intelligence 7 (2024), S. 1-13.
[18] Vaishnavi, V.; Kuechler, W.: Design science research methods and patterns. Innovating information and communication technology, Second edition. Boca Raton 2015.
[19] Gregor, S.; Hevner, A. R.: Positioning and Presenting Design Science Research for Maximum Impact. In: MIS Quarterly 37 (2013) 2, S. 337–355.
[20] Oks, S. J.; Jalowski, M.; Fritzsche, A.; Möslein, K. M.: Cyber-physical modeling and simulation: A reference architecture for designing demonstrators for industrial cyber-physical systems. In: Procedia CIRP 84 (2019), S. 257–264.
[21] Shearer, C.: The CRISP-DM model: the new blueprint for data mining. In: Journal of data warehousing 5 (2000) 4, S. 13–22.
[22] Lee, J.; Hwang, K.: YOLO with adaptive frame control for real-time object detection applications. In: Multimedia Tools and Applications 81 (2022) 25, S. 36375–36396.
[23] Abdelnasser, E.; El-Sanabary, S.; Nassef, A.; Barakat, A.; Elkaseer, A.: Influence of Technological Parameters on Chip Formation and Chip Control in Precision Hard Turning of Ti-6Al-4V. In: Micromachines 14 (2023) 10, S.1-19.
Ihre Downloads
Das könnte Sie auch interessieren
