Hybride Entscheidungsunterstützung in der Produktentstehung

Viele Anforderungen an technische Produkte treten erst zu einem späteren Zeitpunkt im Produktleben zu Tage: während der Produktnutzung, der Außerbetriebnahme oder der Materialrückführung. Dennoch müssen vor- und nachgelagerte Ressourcenverbräuche sowie zukünftig verfügbare Rezyklatmengen bereits während der Produktentstehung antizipiert und berücksichtigt werden.

Neue Konzepte sind erforderlich, um in der Produkt- und Produktionssystementwicklung mit schnell veränderlichen extremen Daten in unterschiedlichen Formaten umzugehen und zukünftig erforderliche Datenlagen rechtzeitig vorzubereiten: Welche Daten brauchen wir heute, welche morgen? Welche Informationen müssen wir zu welchem neuen Wissen aggregieren, um es in zukünftigen Entwicklungsprozessen zu berücksichtigen?

Die Produktentstehung gestaltet Kreislaufwirtschaft

Wer in der Produktentwicklung arbeitet, versteht sich als Problemlöser [1]. Man trägt die Gesamtverantwortung und gehört damit zu den zentralen Akteuren in der Gestaltung einer Kreislaufwirtschaft [2]. Wollen Unternehmen zukünftig klimaneutral werden, müssen Fachkräfte in der Produktentwicklung die Lebenszykluskomplexität [3] im eigenen Unternehmen, aber vor allem auch in vor- und nachgelagerten Prozessen bewusst beeinflussen [4, 5]. Wissen und Kompetenz sind ausschlaggebend dafür, dass ein Produkt zu einer Innovation wird [6]. Das Fundament dafür bilden Heuristiken, Methoden und Simulationen, die auf Daten, Informationen und Modellen basieren [7]. Damit beschränkt sich die Leistungsfähigkeit der Produktentstehung jedoch auf die Verarbeitung von modellierten Produkt- und Prozessdaten.

Ein PKW ist beispielsweise heute als Cyber-Physisches System (CPS) zu verstehen, das auf einem elektrifizierten Fahrzeugkonzept aufgebaut werden kann und mit anderen Elementen im Straßenverkehr im Sinne eines System-of-Systems interagiert (Bild 1). Für diesen PKW muss eine Baustruktur mit Blick auf das gesamte Produktleben – in Bild 1 dargestellt anhand des generischen Produktlebenszyklus (gPLC, siehe [8]) – festgelegt werden. Diese ist beispielsweise auch ausschlaggebend für die spätere Rezyklierung von Werkstoffen [9].

Der Austausch von Batterieelementen ist nur dann möglich, wenn die Demontage im Entwurf schon vorgesehen wird. Die Baustruktur muss entsprechend bereits mit dem Ziel von Nachhaltigkeit und Kreislauffähigkeit sowie im Kontext des Gesamtsystems gestaltet werden, in dem interdisziplinäre Abhängigkeiten bestehen [10].

Grenzen der Leistungsfähigkeit in der Entscheidungsfindung

Die Entscheidungssituation wird in Bild 1 durch sechs Aspekte von Komplexität detailliert, die die Grenzen der heutigen Leistungsfähigkeit exemplarisch zeigen:

• Die Baustruktur muss das Batteriesystem enthalten. Der erforderliche Bauraum hängt von der angestrebten maximalen Kapazität ab. Die Zielgröße ist unbekannt, realistische Ladezyklen und zukünftiges Fahrverhalten können nur von Fachleuten  geschätzt werden.
• Leichtbau reduziert den Energieverbrauch, Modularisierung erleichtert Demontage und Wiederverwendung. Energieeffizienz kann also im Widerspruch zur Ressourceneffizienz stehen. Während Leichtbau integrierte, auf den Einzelfall optimierte Strukturen fordert, ist Modularisierung nur durch standardisierte und damit im Einzelfall nie optimale Strukturelemente erreichbar. Die Mehrzieloptimierung erfordert Kompromisse.
• Neue Fertigungstechnologien werden parallel zur PKW-Entwicklung erforscht und zur Marktreife entwickelt. Die Reparatur defekter Batteriezellen mag heute noch nicht effizient sein, aber die entsprechende Technologie wird kontinuierlich weiterentwickelt. Deshalb sind Simulationsmodelle bisher nicht ausgereift genug, um Batterien instandhaltungsgerecht auszulegen.
• Die Vision nachhaltiger Produkte ist die vollständige Rezyklierbarkeit verwendeter Werkstoffe, ein Wandel von „Verbrauch“ zum reinen „Gebrauch“. In der Baustruktur werden Bauteile zu Baugruppen und zum Produkt verbunden. Verbundwerkstoffe ermöglichen Leichtbau-Lösungen. Das Rückgewinnen der Ausgangswerkstoffe erfordert aber prognostizierte Technologien, die jedoch noch keine Marktreife haben (hier im Bereich der Trennverfahren).
• PKW-Hersteller garantieren aktuell zumeist 70 % nutzbarer Akkukapazität nach 8 Jahren Betriebsdauer oder 160.000 km Laufleistung. Sicherheitsfaktoren gleichen fehlendes Wissen aus, da der Kapazitätsverlust in Bezug auf neue Batteriewerkstoffe (Lithium, Ersatz von Kobalt, Zink-Luft-Technik etc.) bisher nicht auf Lebensdauer validiert werden kann.
• Werden beispielsweise in der Kunststofffertigung Rezyklate beigemischt, ergeben sich mit der Zeit unkalkulierbare Mischverhältnisse von Körnern unterschiedlichen Alters. Die Erforschung von Auswirkungen auf die Prozessfähigkeit in der Produktion erfordert extrem aufwändige experimentelle Studien.

Diese Aspekte stehen beispielhaft für Grenzen der Leistungsfähigkeit, die durch zunehmende lebenszyklusbedingte Komplexität in Bezug auf Material- und Informationszirkularität [3, 8] bedingt sind. Konzepte wie die „Update-Factory“ [11] adressieren diese Herausforderung. Informationszirkularität für die Kreislaufwirtschaft muss für das Lernen aus dem Produktleben, aber auch für zunehmend angestrebte digitale Geschäftsmodelle bewusst gestaltet werden [8]. Die Leistungsfähigkeit wird dabei durch das Vorhandensein produktbezogener Informationen z. B. aus Wartungshistorie, Recyclingprozess, Digitaler Zwilling, Produktionsprozess und Entwicklungsiterationen bestimmt [8].

In der „Update-Factory“ sind beispielsweise Informationen aus der Zustandsüberwachung (Condition Monitoring) erforderlich für die Auswahl von Aufbereitungsmaßnahmen. Der klassische ingenieurwissenschaftliche Ansatz, derartige Informationen systematisch abzusichern und in Heuristiken und Simulationsmodellen zu verdichten (siehe z. B. [1, 12]), wird der Dynamik und geforderten Wandlungsfähigkeit zukünftiger Produkte nicht gerecht. Sie begrenzt entsprechend die Leistungsfähigkeit der gesamten Produktentstehung, von der Konzeptentwicklung bis hin zur Produktionsumsetzung.

Data Science und Künstliche Intelligenz bieten Potenzial

Um diese Grenzen der Leistungsfähigkeit bei der Entscheidungsfindung in der Produktentstehung zu überwinden, muss die Entscheidungsgüte bei gleichbleibendem Zeit- und Ressourceneinsatz erhöht werden. Data Science (DS) und Künstliche Intelligenz (KI) bieten das Potenzial, die Produktentwicklung zum Überwinden dieser Grenzen zu befähigen. In der Produktentwicklung etablierte Berechnungsverfahren wie Finite-Elemente-Analysen oder Fluiddynamik-Simulationen verbinden Domänenwissen aus der Mechanik und Grundlagen der Mathematik. Verfahren und Methoden der Data Science verbinden Fähigkeiten der Informatik und der Mathematik (insbesondere der Stochastik) mit dem Fachwissen jeweils betrachteter Domänen (siehe links in Bild 2, in Anlehnung an [13]).

Die DS bildet die Grundlage für Verfahren wie das Maschinelle Lernen oder das Schlussfolgern auf Ontologien. Derartige Verfahren können genutzt werden, um Maschinen Intelligenz zu verleihen – in Form von Künstlicher Intelligenz. Laut Expertenrat der Europäischen Kommission [14] bezieht sich Künstliche Intelligenz „auf Systeme, die intelligentes Verhalten zeigen, indem sie ihre Umgebung analysieren und – mit einem gewissen Maß an Autonomie – Maßnahmen ergreifen, um bestimmte Ziele zu erreichen.“

DS/KI können in datenbasierte Ansätze auf der einen Seite und wissensbasierte Ansätze auf der anderen Seite unterschieden werden [15] (rechts in Bild 2). Ausschlaggebend für eine Entscheidungsunterstützung ist nicht die Kategorisierung in DS und KI, sondern die neuen Fähigkeiten, die sich für Ingenieurinnen und Ingenieure in der Produktentstehung ergeben. Im Fokus stehen die Verfahren und Methoden, die einen grundlegend neuen Ansatz im Vergleich zu etablierten Ansätzen in der Produktentstehung bedeuten. Ziel ist dabei die Unterstützung des Menschen in dessen kognitivem Prozess im Sinne schwacher KI, nicht aber die Abbildung kognitiver Prozesse als Alternative zur menschlichen Intelligenz im Sinne starker Intelligenz (vgl. hybride Intelligenz [16]).

Chance und Herausforderung: Extreme Daten

Zentrale Anforderung mit Blick auf Daten und Informationen ist es, den Umgang mit extremen Daten (vgl. [17]) zu unterstützen. Extreme Daten werden hier verstanden als Daten, für die verschiedene Merkmale gleichzeitig wechselwirkend gelten. Großes Volumen, hohe Geschwindigkeit und große Vielfalt werden beispielsweise oft erst dadurch „extrem“, dass Daten verstreut vorliegen und unterschiedlich extreme Abweichungen in Werten aufweisen.

Vielfach handelt es sich um Daten, die sogar im Widerspruch zu bislang etablierten Ansätzen in der Produktentstehung stehen können: maschinell generierte Informationen im Entscheidungsprozess zu verwenden, der nach bisheriger Lehrmeinung abgesicherte und validierte Informationen erfordert (s. Bild 3). Im Vordergrund stehen hier nicht allgemeine Entscheidungsunterstützungssysteme [18], sondern die domänenspezifischen Herausforderungen in der Produktentstehung:

In der Produktentwicklung wird auf Heuristiken, Methoden, Modelle und Simulationen vertraut, die nach etablierten Standards erforscht und entwickelt wurden (s. oben). Daten müssen nach diesem Verständnis entlang der Wissenspyramide zu Informationen und Wissen verdichtet werden, bevor sie in Entscheidungen eingebunden werden. Diese Verdichtung kann als „Qualifizierung“ von Daten verstanden werden [19].

Sortierungs-, Berechnungs-, Optimierungs- und Beurteilungsverfahren beruhen im Gegensatz zum maschinellen Lernen auf diesem Verständnis. Auch Richtlinien und Standards sind Ergebnis einer solchen Qualifizierung, die in dem Fall durch Konsensbildung unter Fachpersonal  erfolgt und auf die sich Ingenieurinnen und Ingenieure in ihrem Handeln berufen können.

Um maschinell generierter Entscheidungsunterstützung folgen zu können, ist eine klare Assoziation von Verantwortung und Haftungsfragen bei der Interaktion von Mensch und KI-System erforderlich. Bei der Entscheidung, welches technische Konzept und welche konkrete technische Realisierung angestrebt wird, sind unterschiedliche Einflusselemente in Zukunft gleichermaßen zusammenzuführen: mathematische Auslegung nach Formel, technische Simulation und heuristische Regeln auf der einen Seite und Datenverfügbarkeiten über Nutzungssituationen im operationalen Betrieb sowie zusätzliche datentechnisch erfasste Randbedingungen wie Wetter, Umwelteinflüsse, gemessene Erschütterungen etc. auf der anderen Seite.

Ein Beispiel liefert die Luftfahrtindustrie: Flugzeugturbinen enthalten Turbinenschaufeln, die im Betrieb verschleißen und regelmäßig gewartet werden müssen. Im Betrieb wurde erkannt, dass der Verschleiß bei Flugstrecken über Indien signifikant höher als in anderen Lufträumen ist (siehe z. B. [20]). Es liegt in der Verantwortung der Produktentstehung, bezogen auf derartige Beobachtungen Entscheidungen über angepasste Wartungsintervalle, ein Flugverbot über Indien oder konstruktive Änderungen an den Bauteilen zu treffen – und damit über die Sicherheit der Flugzeugpassagiere mitzuentscheiden.

Neuer Ansatz: Hybride Entscheidungsunterstützung

Hybride Entscheidungsunterstützung beschreibt die synergetische Verbindung bislang verwendeter Methoden, Heuristiken, Modelle und Simulationen auf der einen sowie Verfahren und Methoden der Data Science und Künstlichen Intelligenz auf der anderen Seite. Der Wandel in der Produktentstehung, um eine derartige hybride Entscheidungsunterstützung verantwortungsvoll einzubinden, muss sich auf einzelne Schlüssel-Aktivitäten und deren Abhängigkeiten in der Produktentstehung beziehen. Dazu zählen das Verstehen eines Problems bzw. eines Innovationspotenzials, das Konstruieren und das Absichern gegenüber Anforderungen und Kundenbedürfnissen.

Entwicklerinnen und Entwickler müssen einerseits darin unterstützt werden, Lösungsräume einzugrenzen und damit Entwicklungsaktivitäten optimal zu fokussieren. Andererseits sollen sie befähigt werden, neue Lösungen kreativ zu erarbeiten und umzusetzen. Es lassen sich sechs vielversprechende Ansätze zur Steigerung der Ergebnisgüte in der Produktentstehung identifizieren:

• die Beherrschung der Komplexität von Anforderungen [21],
• die Einbindung von nutzungsbezogenen Informationen [22],
• das Aufspannen und die Erklärbarkeit von Lösungsräumen [23],
• die kontinuierliche virtuelle Prozessabsicherung [24],
• das effiziente Zusammenspiel von Mensch und Informationstechnik sowie
• die Teilautomatisierung von Tätigkeiten [25, 26].

Dabei muss eine Steigerung der Entscheidungsgüte immer auch mit einer Verbesserung der Vorhersagefähigkeit von Produkteigenschaften und Produktionsbedingungen (vgl. [27]) einhergehen. Dies gilt insbesondere in Bezug auf das Beispiel der Kreislauffähigkeit von Produkten im Sinne eines „Design-for-Circularity“ und der Nachhaltigkeit im Sinne eines „Design-for-Sustainability“. Diese müssen dabei als Eigenschaften sowohl von Produkt als auch von Prozess verstanden werden. Der konsequente Wandel weg vom Verbrauch von Ressourcen hin zum langlebigen Gebrauch von Produkten erfordert ein kontinuierliches Lernen mit Perspektive auf Produktion, Nutzung und Außerbetriebnahme von Produkten.

Extreme Daten müssen mittels DS/KI für die spezifischen Fragestellungen in der Produktentstehung nutzbar gemacht werden. Beispielsweise kann der Kapazitätsverlust von Batterien (Beispiel in Bild 4) mit zunehmender Lebensdauer erster Produkte im Markt immer verlässlicher abgeschätzt werden. Es sind jedoch Daten von extrem zahlreichen und global verteilten Systemen (Fahrzeugen) zu berücksichtigen, deren Qualität stark von den Umgebungsbedingungen, der Speicherung und ggf. dem Nutzungsverhalten abhängt.

Wandel in der Produktentstehung als Ziel

Kreislaufwirtschaft und Nachhaltigkeit rücken als Schlüssel zur Bewältigung komplexer Herausforderungen des Klimawandels immer stärker in den gesellschaftlichen Fokus. Voraussetzung ist der Aufbau von Fähigkeiten zur Entwicklung kreislauffähiger Produkte. Parallel dazu sind klare Tendenzen zu erkennen, welche Basis-Algorithmen, Technologien und darauf beruhende DS/KI-Verfahren und -Methoden in absehbarer Zeit einen ausreichenden Reifegrad erreichen werden.

Um kreislauffähige Produkte zu entwickeln, muss die Leistungsfähigkeit der Produktentstehung unter Einbeziehung zusätzlicher, digitaler Fähigkeiten erhöht werden. Dazu ist ein grundlegender Wandel in der Produktentstehung erforderlich. Dabei muss ein grundlegendes Verständnis der Verlässlichkeit und Wirkung geschaffen werden, damit im Ingenieurswesen stets gemäß geltender Regeln und Vorgaben verantwortungsvoll gehandelt wird. Das DFG-Schwerpunktprogramm 2443 schafft ab 2024 die Grundlagen, um Entwicklungsingenieurinnen und -ingenieure von Produkt und zugehörigem Produktionssystem zu befähigen, Verfahren und Methoden der DS/KI zur Gestaltung kreislauffähiger Produkte einzusetzen.

Dieser Beitrag entstand im Programmausschuss „DFG Schwerpunktprogramm 2443 – Hybrid Decision Support in Product Creation (Hybride Entscheidungsunterstützung in der Produktentstehung)“.

Das könnte Sie auch interessieren

Digital Competence Lab (DCL) für die Logopädie Konzeption einer Lernplattform zur Förderung digitaler Handlungskompetenzen Anika Thurmann , Antonia Weirich , Kerstin Bilda, Fiona Dörr , Lars Tönges

Die digitale Transformation des Gesundheitswesens verändert die logopädische Versorgung nachhaltig. Smarte Technologien und Künstliche Intelligenz (KI) eröffnen neue Möglichkeiten, um die Qualität der Therapie zu sichern, Versorgungsengpässe zu adressieren und Patienten stärker in Übungsprozesse einzubinden. Gleichzeitig erweitern diese Entwicklungen das Rollenverständnis von Logopäden, die neben ihrer therapeutischen Kernaufgabe zunehmend digitale Systeme als unterstützende Werkzeuge einsetzen. Aufbauend auf einer Machbarkeitsstudie zur KI-gestützten Anwendung ISi-Speech-Sprechen im Realsetting der Parkinson-Komplextherapie (PKT) werden in diesem Beitrag zentrale Herausforderungen der Implementierung smarter Technologien skizziert.

Industry 4.0 Science | 42. Jahrgang | 2026 | Ausgabe 1 | Seite 110-118 | DOI 10.30844/I4SD.26.1.110

Angewandte KI für die menschenzentrierte Montage Ein ethisch fundierter Ansatz zur Gestaltung von Arbeitsplätzen Tadele Belay Tuli , Michael Jonek , Sascha Niethammer, Henning Vogler, Martin Manns

Künstliche Intelligenz (KI) kann die Montage verbessern, indem sie menschliche Bewegungen vorhersagt und den Arbeitsplatz entsprechend gestaltet. Mithilfe probabilistischer Modelle wie der Gaußschen Mischmodelle (GMMs) antizipieren KI-Systeme die Bewegungen des Bedieners, um die Koordination mit Robotern zu verbessern. Diese Vorhersagesysteme werfen jedoch ethische Bedenken hinsichtlich Sicherheit, Fairness und Datenschutz gemäß EU AI Act auf. Dieser Artikel stellt eine Methode vor, die probabilistische Bewegungsmodellierung mit ethischer Bewertung mittels Z-Inspection® integriert. Eine Fallstudie unter Verwendung des Werkerassistenzsystem zeigt, wie multimodale Sensorik (Bewegung, Blick) und interpretierbare Modelle eine vorausschauende Unterstützung ermöglichen. Der Ansatz geht von der ethischen Bewertung zu einer ethisch informierten Arbeitsgestaltung über und liefert übertragbare Prinzipien sowie eine konfigurierbare Bewertungsmatrix.

Industry 4.0 Science | 42. Jahrgang | 2026 | Ausgabe 1 | Seite 60-68 | DOI 10.30844/I4SD.26.1.60

Mitbestimmungsdialoge zur humanzentrierten KI-Einführung Dialogisches Verfahren der Entwicklung einer betriebsspezifischen Mitbestimmungspraxis Manfred Wannöffel , Fabian Hoose , Alexander Ranft, Claudia Niewerth , Dirk Stüter

Im Rahmen des vom Bundesministerium für Forschung, Technologie und Raumfahrt (BMFTR) geförderten regionalen Kompetenzzentrums „humAIne“ wurde mit dem Instrument der Mitbestimmungsdialoge ein Verfahren entwickelt, mit dem ein gemeinsames Verständnis über die komplexen Herausforderungen bei der Einführung von Künstlicher Intelligenz (KI) zwischen Management, Beschäftigten und Interessenvertretungen schrittweise im Dialog erarbeitet wird. Erfahrungen aus Projektpartnerbetrieben – wie Doncasters Precision Castings-Bochum GmbH (DPC) – zeigen exemplarisch auf, wie mit den Mitbestimmungsdialogen nicht nur rechtlich verbindliche Regelungen zu einer handhabbaren, betrieblich verankerten, nachhaltigen Praxis der Mitbestimmung bei KI entwickelt, sondern zugleich auch kontinuierliche Qualifizierungsprozesse für alle beteiligten Akteursgruppen im Sinne des Art. 4 und 5 des EU AI Act angestoßen werden.

Industry 4.0 Science | 42. Jahrgang | 2026 | Ausgabe 1 | Seite 92-98 | DOI 10.30844/I4SD.26.1.92

Regulierung von humanzentrierter KI in Betrieben Die HUMAINE Muster-Betriebsvereinbarung Alexander Ranft, Fabian Hoose , Claudia Niewerth , Mathias Preuß, Manfred Wannöffel

Die Einführung von Systemen der Künstlichen Intelligenz (KI) in Betrieben stellt neue Anforderungen an Regulierung und Mitbestimmung. Mit dem EU AI Act gelten seit 2025 verbindliche Vorgaben, die national mit dem Betriebsverfassungsgesetz (BetrVG) verknüpft werden müssen. Das regionale Kompetenzzentrum HUMAINE hat hierzu eine Muster-Betriebsvereinbarung KI (MBV KI) nach § 77 BetrVG entwickelt, die betriebliche Mitbestimmungsrechte stärkt und die europäische Regulierungspraxis praxisnah umsetzt. Flankiert durch Mitbestimmungsdialoge ermöglicht die MBV KI eine betriebsspezifische Anpassung für einen verantwortungsvollen und humanzentrierten KI-Einsatz. Der Beitrag zeigt am Beispiel ausgewählter Teile der MBV KI, wie eine Rahmen-Betriebsvereinbarung KI konkret gestaltet werden kann und diskutiert die Übertragbarkeit auch auf Betriebe ohne Betriebsrat. Die so vorgestellte MBV KI leistet einen Beitrag zur nachhaltigen, sozialpartnerschaftlich abgesicherten Gestaltung der ...

Industry 4.0 Science | 42. Jahrgang | 2026 | Ausgabe 1 | Seite 14-21 | DOI 10.30844/I4SD.26.1.14

Vorstufen der GenAI-Governance durch Managementkommunikation Explorative Ergebnisse aus kleinen und mittleren Unternehmen (KMU) im Ruhrgebiet Niklas Obermann , Uta Wilkens , Antonia Weirich , Matthias E. Cichon , Jürgen Mazarov , Bernd Kuhlenkötter

Die Implementierung generativer künstlicher Intelligenz (GenAI) stellt neue Anforderungen an die GenAI-Governance. Dieser Beitrag präsentiert explorative Ergebnisse dazu, wie KMU aus dem Ruhrgebiet GenAI einsetzen, Risiken wahrnehmen und mit ethischen Herausforderungen umgehen. Die Daten stammen aus einer Befragung von 56 KMU und einer regionalen Fallstudie. Während institutionalisierte Governance-Mechanismen fehlen, können kommunikative Praktiken des Managements in der frühen Phase der GenAI-Implementierung als Ersatz dienen und sollten als wichtiger Vorläufer für die Entwicklung einer Governance-Struktur angesehen werden, insbesondere in KMU.

Industry 4.0 Science | 42. Jahrgang | 2026 | Ausgabe 1 | Seite 6-13 | DOI 10.30844/I4SD.26.1.6

KI-Ethik im Multi-Stakeholder-Umfeld in der Radiologie Implikationen für eine integrierte Technik- und Arbeitsplatzgestaltung Valentin Langholf , Alexander Ranft, Lena Will, Robin Denz , Johannes Schwarz , Majd Syoufi, Pavlos Rath-Manakidis, Marc Kämmerer, Marcus Kremers, Axel Mosig , Uta Wilkens , Jörg Wellmer

Die Radiologie muss an der Schnittstelle mit anderen medizinischen Disziplinen unter Zeitdruck hervorragende diagnostische Qualität liefern. Künstliche Intelligenz (KI)-Anwendungen in diesem Umfeld müssen eine optimale Anomalie-Detektion in hochauflösenden, dreidimensionalen Bilddatensätze liefern und im Rahmen der Mensch-Maschine Befund-Co-Kreation den ethischen Anforderungen einer responsible AI genügen. Wir haben entlang eines komplexen Anwendungsfalls ein modulares System entwickelt, das (i) die Weiterentwicklung der Anomalieerkennung, (ii) die Erweiterung der KI-Befunde um diagnostische und therapeutische Konsequenzen, (iii) eine Metrik zur Messung der KI/menschlichen Ko-Kreation, (iv) die Analyse der Einstellung von Radiologen zur KI-Unterstützung und (v) die arbeitsplatzspezifische Implementierung von KI-Anwendungen umfasst. Alle Module werden im Hinblick auf die FUTURE-AI-Ethik-Konsenskriterien diskutiert. Dieser integrierte Technologie- und Arbeitsgestaltungsansatz kann ...

Industry 4.0 Science | 42. Jahrgang | 2026 | Ausgabe 1 | Seite 136-143 | DOI 10.30844/I4SD.26.1.136