KI-unterstützte Fertigungsplanung |
Extraktion von Expertenwissen aus historischen Daten für optimierte Effizienz und Fehlervermeidung
| Zeitschrift | Industry 4.0 Science |
| Ausgabe | 40. Jahrgang, 2024, Ausgabe 5, Seite 74-80 |
| Open Access | 10.30844/I4SD.24.5.74 |
| Literatur | Teilen | Zitieren | Download |
Abstract
Keywords
Artikel
Flexible Planung und Anpassungsfähigkeit sind für Unternehmen von entscheidender Bedeutung, um in der dynamischen globalen Marktlandschaft von heute erfolgreich zu sein. Eine hohe Planungsqualität ist ein entscheidender wirtschaftlicher Faktor insbesondere im Zusammenhang mit manuellen Arbeitsplätzen, die nach wie vor eine wichtige Rolle spielen. KI-gestützte Assistenzsysteme bieten eine vielversprechende Lösung, indem sie Expertenwissen extrahieren und Lösungen für komplexe Probleme vorschlagen. Der Beitrag stellt ein Konzept für ein umfassendes KI-basiertes Assistenzsystem zur Erstellung von Arbeitsplänen vor.
Die zunehmende Globalisierung der Märkte und der daraus resultierende Wettbewerbsdruck erfordern für produzierende Unternehmen einen möglichst effizienten Einsatz von Ressourcen, um langfristig bestehen zu können [1]. Der Druck des Marktes und der Gesetzgebung in Bezug auf nachhaltigere Produkte und Betriebsabläufe verschärft diese Entwicklung noch. Ein prominentes Beispiel ist die Automobilindustrie, die durch die Umstellung auf batterieelektrische Fahrzeuge vor disruptiven Veränderungen steht.
Insbesondere an Hochlohnstandorten wie Deutschland [2], wo die Arbeitskosten die Gesamtkosten erheblich beeinflussen, wird die Effizienz der Ressourcennutzung noch entscheidender. Darüber hinaus machen manuelle Tätigkeiten nach wie vor einen wesentlichen Teil der Wertschöpfung in produzierenden Unternehmen aus, während sie einen hohen Anteil der anfallenden Kosten beitragen. Eine detaillierte Planung der überwiegend manuellen Arbeitsinhalte ist daher erforderlich [3]. Vor dem Hintergrund des digitalen und ökologischen Wandels entstehen neue Hürden, die einen ganzheitlichen Ansatz notwendig machen, insbesondere im Hinblick auf die Einhaltung der sich wandelnden rechtlichen und marktwirtschaftlichen Anforderungen und die Integration nachhaltiger Praktiken von Beginn des Produktlebenszyklus an.
Um diese Herausforderungen zu bewältigen, setzen produzierende Unternehmen verschiedene Werkzeuge ein, wie z. B. Systeme Vorbestimmter Zeiten, um manuelle Prozesse zu analysieren und zu beschreiben [4]. Solche Systeme ermöglichen es den Planern, Arbeitsprozesse als eine Abfolge von standardisierten Handlungen zu beschreiben, für die Ausführungszeiten auf der Grundlage von Standardleistungen zugewiesen werden können. Dies ermöglicht eine vorausschauende Prozessplanung und die Ermittlung von Verbesserungen. Unter diesen Systemen hat sich in Deutschland und vielen anderen Industriestaaten vor allem MTM (Methods-Time Measurement) durchgesetzt [5]. Die Nutzung von MTM für eine detaillierte Betrachtung erfordert Fachwissen und erheblichen Aufwand, den viele Unternehmen nicht ausreichend abdecken können [6, 7].
Dieser Artikel stellt ein neuartiges Konzept für ein KI-gestütztes Assistenzsystem zur Erstellung von Arbeitsplänen vor. Zunächst erörtert er kurz den konventionellen Prozess der Fertigungsplanerstellung und identifiziert mögliche Anwendungen für ein Assistenzsystem. Dann beschreibt er das KI-Assistenzsystem als Ansatz bei der Entwicklung solcher Systeme, gefolgt von einer näheren Betrachtung der Herausforderung, Qualitätsmetriken zu definieren, um Trainingsdaten zu sammeln und das endgültige Modell zu bewerten. Schließlich werden die ersten Ergebnisse der Entwicklung dieser Qualitätsmetriken vorgestellt.
Aktuelle Situation
Die Fertigungsplanung beruht derzeit weitgehend auf manuellen Prozessen, bei denen die Prozessplaner Pläne auf der Grundlage von Produktspezifikationen, historischen Plänen für ähnliche Produkte und Methoden wie Methoden-Time Measurement (MTM) erstellen, wie in Bild 1. Dieser Ansatz, der auf den Erfahrungen der einzelnen Planer in der Vergangenheit beruht, ist fehleranfällig, insbesondere in dynamischen Planungsumgebungen.
Die Qualität dieser Pläne hängt oft von den individuellen Erfahrungen der Planer ab, was zu Schwankungen und potenziellen Verschlechterungen führt, wenn unterschiedliche Lösungen aus vergangenen Projekten integriert werden. Diese Variabilität kann sich darin äußern, dass verschiedene Planer identische Prozesse auf leicht unterschiedliche Art und Weise analysieren und beschreiben, was das Fehlerrisiko bei der Kombination von Teilen dieser Pläne erhöht. Darüber hinaus kann der Rückgriff auf historische Pläne versehentlich veraltete gesetzliche oder betriebliche Richtlinien enthalten, was eine gründliche Überprüfung des endgültigen Plans erforderlich macht, um seine aktuelle Relevanz und Genauigkeit sicherzustellen [8].
Die Nutzung von Künstlicher Intelligenz und Maschinellem Lernen für die Fertigungsplanung erweist sich als vielversprechende Lösung [9, 10, 11]. Sie ermöglicht es Maschinen, neue Lösungen für komplexe Probleme zu finden, indem sie aus Beispieldatensätzen lernen und dabei das menschliche Lernen imitieren. In den letzten Jahren sind große Sprachmodelle (LLMs) [12] als leistungsfähige Werkzeuge entstanden, die vielversprechende Ergebnisse zeigen, insbesondere wenn sie auf neue und unbekannte Aufgaben angewendet werden [13].
Überblick über die KI-Unterstützung System für die Fertigungsplanerstellung
Das vorgeschlagene KI-Assistenzsystem besteht aus den drei Hauptkomponenten „Plausibilitätsprüfung“, „Kausalanalyse“ und generativen „Lösungsvorschlägen“, wie in Bild 2.
Die Komponente „Plausibilitätsprüfung“ verwendet eine Kombination aus regelbasierten und auf Maschinellem Lernen (ML) basierenden Methoden, um Fehler in Arbeitsplänen zu erkennen. Diese Kombination bietet einen umfassenden Ansatz zur Plausibilitätsprüfung: regelbasierte Prüfungen stellen die Einhaltung expliziter Richtlinien sicher, während die auf Maschinellem Lernen basierende Analyse implizites Wissen erfasst.
Die „Kausalanalyse“ erleichtert das Verständnis der eigentlichen Ursachen. Dazu liefert das System Erklärungen und Vorschläge für Abhilfemaßnahmen, die es den Planern ermöglichen, Probleme zu lösen und ein erneutes Auftreten zu verhindern. Darüber hinaus können die Planer falsch erkannte Fehler identifizieren und kennzeichnen, um die zukünftige Fehlererkennung zu verbessern. „Lösungsvorschläge“ rationalisieren den Prozess der Identifizierung ähnlicher historischer Produkte und entsprechender Arbeitspläne. Sie unterstützen die Planer aktiv, indem sie Prozessbeschreibungen und Analysevorschläge auf der Grundlage von Benutzereingaben und Kontextinformationen generieren.
Die Kombination der Komponenten „Plausibilitätsprüfung“ und „Kausalanalyse“ gewährleistet eine hohe Qualität der Eingangsdaten für das Training des Assistenzsystems. Die im regelbasierten Modell enthaltenen Regeln sind für Fachexperten leicht verständlich und können bei veränderten Anforderungen schnell angepasst werden. Das ML-Modell kann iterativ um differenziertere Planqualitäten ergänzt werden, indem Expertenfeedback im Betrieb integriert wird.
Das generative KI-Modell wird anhand von Daten trainiert, die überprüft und verfeinert wurden, was zu einem generativen Modell führt, das in der Lage ist, qualitativ hochwertige Arbeitspläne zu erstellen, die nicht nur innovativ, sondern auch in der praktischen Realität der Fertigungsplanung verankert sind. Durch die Integration der aus der Plausibilitätsprüfung abgeleiteten Erkenntnisse und Standards wird das generative Modell in die Lage versetzt, die Komplexität der Fertigungsplanung zu bewältigen.
Durch die Sicherstellung der Datenqualität, die Festlegung von Standards für die Planqualität und die Ermöglichung flexibler Plananpassungen kann das System die Effizienz und Effektivität von Fertigungsplanungsprozessen erheblich steigern. Dieser fortschrittliche Ansatz für die Fertigungsplanung verspricht, Abläufe zu rationalisieren, Fehler zu reduzieren und das volle Potenzial historischer Daten und des Expertenwissens für die Erstellung optimaler Arbeitspläne zu nutzen.
Entwicklung von Qualitätsmetriken für Arbeitspläne
Da Modelle für maschinelles Lernen anhand von Beispielen trainiert werden, ist ein qualitativ hochwertiger Trainingsdatensatz erforderlich, um korrekte Modellvorhersagen zu gewährleisten. Dieser Datensatz muss eine große Menge an gut geschriebenen Arbeitsplänen enthalten, die den Qualitätsanforderungen entsprechen. Um die Qualität der im Trainingsdatensatz enthaltenen Arbeitspläne zu gewährleisten und das Training und die Evaluierung eines Assistenzsystems für die Fertigungsplanerstellung zu erleichtern, müssen Qaulitätsmetriken für die resultierenden Pläne vorhanden sein. Solche quantitativen Metriken sind von entscheidender Bedeutung, um die Datenqualität zu gewährleisten und sicherzustellen, dass die erstellten Pläne nützlich sind und flexible Anpassungen ermöglichen.
Historische Arbeitspläne sind zwar verfügbar, aber es mangelt ihnen an konsistenten Qualitätsmaßstäben und sie werden häufig sowohl in der Planungs- als auch in der Produktionsphase bearbeitet. In Ermangelung quantitativer, annotierter Datensätze stellt die Entwicklung eines generativen Modells für MTM-Analysen und Prozessbeschreibungen eine besondere Herausforderung dar [14]. Da die Qualität der Trainingsdaten einen direkten Einfluss auf die Robustheit und die Generalisierungsfähigkeiten von KI-Modellen hat, können ungenaue oder unzuverlässige Daten Rauschen in den Trainingsprozess einbringen, was die Fähigkeit des Modells, aussagekräftige Muster zu erlernen und genaue Vorhersagen zu treffen, beeinträchtigt und damit seine Wirksamkeit in realen Anwendungen gefährdet [15].
Quantitative Qualitätsmaße sind nicht nur für die Auswahl von Trainingsdaten entscheidend, sondern auch für die Bewertung der Leistung von KI-Modellen, die auf diesen Daten trainiert wurden [16]. Ohne verlässliche Metriken ist es schwierig, die Effektivität der Modelle zu beurteilen, was ihren Einsatz in der Praxis behindert. Um eine hohe Qualität der generierten Pläne zu gewährleisten, muss eine Reihe von Kriterien oder Plausibilitätsprüfungen festgelegt werden, mit denen die Angemessenheit und Durchführbarkeit der vom Modell generierten Pläne bewertet werden kann.
Um einen quantitativen Qualitätsmaßstab für Arbeitspläne zu erhalten, wird in diesem Artikel ein duales Plausibilitätsprüfungswerkzeug vorgestellt, das aus einer regelbasierten Stufe sowie einem ergänzenden künstlichen neuronalen Netz besteht. Die regelbasierte Bewertung nutzt etablierte MTM-Standards, Unternehmensrichtlinien und andere feste Regeln, um sicherzustellen, dass die generierten Pläne explizite Mindestanforderungen erfüllen. In ähnlicher Weise wird ein künstliches neuronales Netz eingesetzt, um nuancierteres, implizites Wissen zu erfassen und anzuwenden, das möglicherweise nicht in expliziten Regeln kodifiziert ist.
Der Umfang und die Qualität des Trainingsdatensatzes für das System zur Plausibilitätsprüfung wird durch ein Tool zur Ursachenanalyse erweitert, das ebenfalls sowohl regelbasierte als auch künstliche neuronale Netzkomponenten enthält. Dieses Tool ergänzt die Fehlererkennung, indem es potenzielle Gründe für festgestellte Fehler aufzeigt und Verbesserungsmöglichkeiten vorschlägt. Es bereichert die Analyse durch die Integration zusätzlicher Datentypen, wie z. B. Produktinformationen, und ermöglicht so ein ganzheitlicheres Verständnis des jeweiligen Falls.
Das Zusammenspiel zwischen den Plausibilitätsprüfungen und der Ursachenanalyse ist dynamisch und iterativ, was eine kontinuierliche Verbesserung der Trainingsdaten gewährleistet. Dieser synergetische Ansatz stellt sicher, dass das System nicht nur Fehler effizienter identifiziert und korrigiert, sondern auch den Benutzern die Möglichkeit gibt, Feedback zu geben, um beide Modelle zu verbessern.
Aufbauend auf der Integration von Plausibilitätsprüfungen und Ursachenanalysen wird ein methodischer Ansatz zur Entwicklung eines qualitativ hochwertigen Trainingsdatensatzes und zum Modelltraining entwickelt. Dieser Prozess nutzt die iterative Beschriftung, die durch ständiges Feedback von Planungsexperten angereichert wird, um sicherzustellen, dass die Trainingsdaten ständig verfeinert werden, wobei die Erkenntnisse aus den direkten Eingaben der Nutzer verwendet werden. Durch aktives Lernen wird der Fokus der Beschriftungsbemühungen auf die kritischsten Datenpunkte gelenkt, wodurch die Nutzung der Ressourcen optimiert wird.
Experimentelle Bewertung quantitativer Qualitätsmaßstäbe
Eine empirische Bewertung eines regelbasierten Plausibilitätsscores wurde anhand der Daten eines deutschen Automobilherstellers durchgeführt. Diese Bewertung beinhaltete die Zusammenstellung relevanter Regelwerke durch Sichtung verschiedener Quellen, darunter MTM-UAS-Schulungsunterlagen, unternehmensspezifische Richtlinien und Standards für die Fertigungsplanerstellung. Auch durch Gespräche mit Planungsexperten wurden Erkenntnisse gewonnen. Das Regelwerk umfasst ca. 20 Regeln unterschiedlicher Abstraktionsebenen, die in vier Kategorien eingeteilt sind.
Die erste Kategorie, „Allgemeine Prozessbeschreibung“, stellt sicher, dass der Prozess mit ausreichender Zuverlässigkeit beschrieben wird. Die zweite Kategorie „Anwendung des MTM-Regelsatzes“ konzentriert sich auf die korrekte Anwendung des MTM-Systems (z. B. Verwendung des richtigen MTM-Baukastensystems, Analyse des ersten Entfernungsbereichs für eine Aufnahme- und Ablageaktion nach einer Körperbewegung). Die Regeln in der dritten Kategorie „Anwendung von Standardzeitwerten“ stellen sicher, dass internen Standardzeitwerten der Vorzug gegeben wird, wenn sie anwendbar sind. Die letzte Kategorie, „Standardisierte Vorgangsbeschreibung“, umfasst Regeln zur Einhaltung eines standardisierten Schemas für Freitextbeschreibungen.
Ein Prototyp des auf der Regel basierenden Plausibilitätsprüfungswerkzeugs, das auf dem definierten Regelsatz basiert und eine Teilmenge dieser Regeln abdeckt, wurde entwickelt. Um die Produktionsumgebung nicht zu beeinträchtigen und schnelle Entwicklungszyklen zu ermöglichen, wurde eine eigenständige Python-Anwendung auf der Basis der Dash-Bibliothek entwickelt und in einer separaten Analyseumgebung eingesetzt. XML-Daten wurden verwendet, um Daten aus dem proprietären Manufacturing Execution System in das Tool zu importieren. Dieses Tool wurde dann in einer Fallstudie eingesetzt, die sich auf den Montageprozess der Mittelkonsole an verschiedenen Arbeitsplätzen für elf Fahrzeugmodelle in fünf Fabriken konzentrierte. Das regelbasierte Modell identifizierte automatisch Diskrepanzen, die anschließend manuell zur Validierung überprüft wurden.
Bild 3 zeigt eine visuelle Darstellung des Prototyps des Tools. Das Tool ermöglicht das Hochladen von Arbeitsplänen, gefolgt von einer automatischen Ausführung der regelbasierten Bewertung. Die Anwendung zeigt oben auf der Seite eine Übersichtstabelle an, in der potenzielle Regelverstöße aufgelistet sind, während ein daneben liegendes Tortendiagramm die Verteilung veranschaulicht. Die Benutzer können bestimmte Probleme untersuchen, indem sie einen Eintrag aus der Übersichtstabelle auswählen, der eine detaillierte Aufschlüsselung des betreffenden Verstoßes zeigt.
Der untere Teil der Oberfläche bietet dann eine umfassende Ansicht der MTM-Analyse sowie textliche Beschreibungen des betroffenen Vorgangs und der damit verbundenen Tätigkeiten, die ein ganzheitliches Verständnis des Kontextes ermöglichen. Schließlich kann der Benutzer das Tool überstimmen, indem er den identifizierten Verstoß mit einem Klick auf eine entsprechende Schaltfläche unterhalb der Detailansicht ablehnt.
Bei der Bewertung wurde deutlich, dass die Regeln empfindlich reagieren und streng ausgelegt sein müssen, um relevante Verstöße in den Arbeitsplänen zuverlässig zu erkennen. Diese Sensibilität führte jedoch häufig zu einer hohen Anzahl von falsch-positiven Ergebnissen, bei denen das System Probleme anzeigte, die keine tatsächlichen Verstöße waren, so dass eine weitere manuelle Überprüfung zur Bestätigung ihrer Relevanz erforderlich war. Nach der manuellen Überprüfung wurden etwa ein Drittel der automatisch ermittelten Probleme abgelehnt.
Zukunftsperspektiven
Es zeigte sich, dass die Regeln zwar als grundlegende Basis für die Bewertung von Arbeitsplänen dienen, aber nur eine grobe Einschätzung der Qualität des Plans liefern können. Die komplexen Zusammenhänge von Arbeitsprozessen können durch diese Regeln nicht vollständig erfasst werden. Diese Einschränkung macht sich besonders in Szenarien bemerkbar, die ein differenziertes Verständnis des Arbeitsablaufs und der beteiligten Aufgaben erfordern.
Ein anschauliches Beispiel für diese Komplexität ist die Anwendung scheinbar einfacher Regeln, wie die Analyse des Entfernungsbereichs nach einer Körperbewegung. Das Testen solcher Regeln erwies sich als schwierig, da Arbeitspläne oft reale Prozesse auf abstrakte Weise beschreiben und nicht immer einer chronologischen Struktur folgen. Folglich müssen Heuristiken verwendet werden, um die Pläne zu interpretieren, was die komplizierte Natur der Übersetzung von realen Prozessen in strukturierte, regelbasierte Bewertungen weiter unterstreicht.
Mit Blick auf die Zukunft birgt die Kombination von KI und Fertigungsplanung ein immenses Potenzial für die Bewältigung komplexer Herausforderungen. Während die regelbasierte Auswertung eine solide Grundlage bietet, verspricht die Erweiterung der Fähigkeiten des Maschinellen Lernens Unternehmen in die Lage zu versetzen, komplizierte Zusammenhänge zu erschließen und zusätzliche Datenquellen effektiv zu nutzen. Mit diesem vielschichtigen Ansatz können Unternehmen nicht nur ihre betrieblichen Abläufe optimieren, sondern auch nachhaltige und widerstandsfähige Geschäftspraktiken angesichts künftiger Herausforderungen entwickeln.
Zusammenfassend lässt sich sagen, dass die KI-gestützte Fertigungsplanung mit „Plausibilitätsprüfung“, „Kausalanalyse“ und „Lösungsvorschlägen“ einen transformativen Ansatz zur Bewältigung der aktuellen Herausforderungen darstellt. Durch die Nutzung von KI zur Extraktion von Expertenwissen aus historischen Daten können Unternehmen ihre Effizienz steigern, Fehler minimieren und sich schnell an veränderte Umstände anpassen. Da sich Unternehmen in einer zunehmend komplexen und dynamischen Landschaft bewegen, ist die Integration von KI in Fertigungsplanungsprozesse nicht nur ein Wettbewerbsvorteil, sondern eine strategische Notwendigkeit für den Aufbau nachhaltiger und agiler Abläufe im digitalen Zeitalter.
Literatur
[1] Abele, E.: Zukunft der Produktion. Herausforderungen, Forschungsfelder, Chancen. München 2011.[2] Statista: Durchschnittseinkommen in Europa. URL: https://de.statista.com/statistik/daten/studie/183571/umfrage/bruttomonatsverdienst-in-der-eu, Abrufdatum 19.04.2022.
[3] Scholer, M.: Wandlungsfähige und angepasste Automation in der Automobilmontage mittels durchgängigem modularem Engineering. Am Beispiel der Mensch-Roboter-Kooperation in der Unterbodenmontage. 2018.
[4] Shell, R. L.: Arbeitsmessung: Prinzipien und Praxis 1986.
[5] MTM Association e.V.: MTM-UAS Lehrgangsunterlage. Hamburg 2019.
[6] Deuse, J.; Busch, F.: Zeitwirtschaft in der Montage. In: Lotter, B.; Wiendahl, H.-P. (Eds.): Montage in der industriellen Produktion. Ein Handbuch für die Praxis mit 18 Tabellen. Berlin, Heidelberg 2012.
[7] Finsterbusch, T.; Petz, A.; Faber, M.; Härtel, J.; Kuhlang, P.; Schlick, C. M.: A Comparative Empirical Evaluation of the Accuracy of the Novel Process Language MTM-Human Work Design. In: Advances in Ergonomics of Manufacturing: Managing the Enterprise of the Future 490 (2016), S. 147-155.
[8] Russell, S.; Norvig, P.: Artificial Intelligence, Global Edition: A Modern Approach. London 2021.
[9] Deuse, J.; Stankiewicz, L.; Zwinkau, R.; Weichert, F.: Automatic Generation of Methods-Time Measurement Analyses for Assembly Tasks from Motion Capture Data Using Convolutional Neuronal Networks – A Proof of Concept. In: Nunes, I. L. (Hrsg): Advances in Human Factors and Systems Interaction. Proceedings of the AHFE 2019 International Conference on Human Factors and Systems Interaction, July 24-28, 2019, Washington D.C., USA. 2020.
[10] Albrecht Borsdorf; Fabian Nöhring; Peter Kuhlang: Automatisierte Erstellung von MTM-Analysen: Ergebnisse einer Machbarkeitsstudie zur KI-gestützten, textbasierten Datenauswertung. In: Zeitschrift für wirtschaftlichen Fabrikbetrieb 117 (2022) 10, S. 651-654.
[11] Jansing, S.; Moehle, R.; Brockmann, B.; Deuse, J.: Die hybride Analyse als Multiplikator im Bereich der Bewegungsökonomie durch maschinelle Lernverfahren und regelbasiertes Wissen. In: Human Factors and Simulation 83 (2023).
[12] Vaswani, A.; Shazeer, N.; Parmar, N.; Uszkoreit, J.; Jones, L.; Gomez, A. N.; Kaiser, Ł.; Polosukhin, I.: Attention is All you Need. In: Advances in Neural Information Processing Systems 30 (2017).
[13] Brown, T.; Mann, B.; Ryder, N.; Subbiah, M.; Kaplan, J. D.; Dhariwal, P.; Neelakantan, A.; Shyam, P.; Sastry, G.; Askell, A.; Agarwal, S.; Herbert-Voss, A.; Krueger, G.; Henighan, T.; Child, R.Ramesh, A.; Ziegler, D.; Wu, J.; Winter, C.; Hesse, C.; Chen, M.; Sigler, E.; Litwin, M.; Gray, S.; Chess, B.; Clark, J.; Berner, C.; McCandlish, S.; Radford, A.; Sutskever, I.; Amodei, D.: Language Models are Few-Shot Learners. In: Advances in Neural Information Processing Systems 33 (2020), S. 1877-901.
[14] Erohin, O.; Schallow, J.; Deuse, J.; Klinkenberg, R.: Application of data mining to predict assembly time in early phases of product emergence: 43rd International Conference on Computers and Industrial Engineering (CIE) 2013.
[15] Schulte, L.; Killich, N.; Deuse, J.; Meierhofer, F.: Autonome Qualitätsprüfung 4.0. Reduzierung von Pseudofehlern in der Leiterplattenfertigung durch die Integration von Maschinellem Lernen. In: Industrie 4.0 Management 37 (2021) 6, S. 52-56.
[16] Deuse, J.; Schmitt, J.: Industrial Data Science – Nutzen künstlicher Intelligenz für die Produktion. In: KANBrief (2019) 4, S. 12.
Ihre Downloads
Potenziale: Management
Lösungen: Produktionsplanung
Das könnte Sie auch interessieren
