Kompetenzsicherung für die Verifikation und Validierung von Simulationsmodellen

Die simulationsgestützte Analyse von Produktions- und Logistiksystemen hat sich branchenübergreifend bewährt [1]. Damit für die Planung und den Betrieb von Produktions- und Logistiksystemen belastbare Ergebnisse durch den Simulationseinsatz erzielt werden können, ist die Sicherstellung der Gültigkeit und Glaubwürdigkeit der verwendeten Informationen, Daten und Modelle unerlässlich.

Allerdings zeigt eine durchgeführte Befragung [2] in der Fachgruppe „Simulation in Produktion und Logistik“ der Arbeitsgemeinschaft Simulation (ASIM), dass Verifikation und Validierung (V&V) in der Praxis zumeist pragmatisch (i. e. nur bedingt systematisch/durchgängig) durchgeführt werden – simulationsprojektbezogene Belange erfordern zudem oftmals einen zügigen Erkenntnisgewinn, sodass die Sicherstellung der Gültigkeit zum Teil eher als zweitrangig angesehen wird. Dies ist jedoch riskant, da hierdurch nicht erkannte Fehler in den Simulationsmodellen (und somit auch in den Ergebnissen) vorliegen können, die zu Fehlentscheidungen führen und zu einem späteren Zeitpunkt behoben werden müssen.

Gleichwohl ist festzustellen, dass auch die Anwendung der ereignisdiskreten Simulation in Produktion und Logistik Veränderungen im Zusammenhang mit dem demographischen Wandel [3] sowie den Einsatzbereichen im Systemlebenszyklus unterliegt, welche die Entwicklung und Nutzung von Assistenzen (vgl. [3]) motivieren. Wenzel et al. [3] zeigen die Bandbreite an Assistenzformen (z. B. digitale Assistenzsysteme) für den Simulationseinsatz auf.

Diese Assistenzen sollen einerseits bei der Durchführung von Aufgaben im Zusammenhang mit dem Simulationseinsatz operativ unterstützen und andererseits die Kompetenz von Simulationsexperten sichern. Die Autoren zeigen, dass die Verfügbarkeit derartiger Assistenzen im Kontext der V&V noch nicht auf einem vergleichbaren Stand ist wie bspw. bei der Modellbildung oder der Experimentphase (siehe [4] für die Phasen einer Simulationsstudie).

Für die Auswahl und Anwendung geeigneter V&V-Techniken (zu den Techniken vgl. [5]) sowie die Bewertung der Gültigkeit der Informationen, Daten und Modelle ist jedoch umfassende fachspezifische Kompetenz notwendig. Der vorliegende Beitrag setzt an dieser Stelle an und analysiert mithilfe von literaturbasierten und empirisch evaluierten User Storys, welche Anforderungen an eine KI-gestützte Assistenz für die V&V von Simulationsmodellen in Produktion und Logistik zu stellen sind. Dabei wird untersucht, welche Funktionen notwendig sind, um die intrinsische V&V eines Simulationsmodells (i. e. die Überprüfung der Konsistenz, Vollständigkeit und Plausibilität des Modells „in sich“) sowie die V&V gegen die Aufgabenspezifikation (i. e. die Eignung des Modells für den geplanten Zweck) operativ zu unterstützen.

Weiterhin adressiert dieser Beitrag neben der Sicherung der vorhandenen methodischen und fachspezifischen Kompetenzen der Simulationsexperten durch den KI-Einsatz im Kontext der V&V auch die Identifikation KI-systembezogener Rahmenbedingungen als grundlegende technologische Voraussetzungen für den industriellen Praxiseinsatz.

Begriffseinordnung und wissenschaftliche Abgrenzung

Für den Simulationseinsatz in Produktion und Logistik hat sich ein systematisches Simulationsvorgehensmodell [6] etabliert, in dem, ausgehend von der Zielbeschreibung, die Phasen Aufgabendefinition, Systemanalyse, Modellformalisierung, Implementierung sowie Experimente und Analyse durchlaufen werden. Die Ergebnisse der jeweils vorherigen Phasen (i. e. die Informationen, Daten und Modelle) stellen die Grundlage für die Bearbeitung der sich jeweils anschließenden Phase dar.

V&V betreffen die Überprüfung aller Phasenergebnisse im Hinblick auf die Korrektheit (Gegenstand der Verifikation; i. e. „Ist das Phasenergebnis richtig?“) sowie die Eignung in Bezug auf die definierten Untersuchungsziele (Gegenstand der Validierung; i. e. „Ist es das richtige Phasenergebnis?“) (vgl. [7, 8]).
V&V können intrinsisch oder phasenübergreifend erfolgen. Bei der intrinsischen Überprüfung stehen u. a. die Plausibilität, Vollständigkeit und Konsistenz eines Phasenergebnisses ohne die Berücksichtigung der anderen Phasenergebnisse im Fokus.

Die phasenübergreifende V&V fokussiert die Überprüfung der richtigen Transformation eines Phasenergebnisses aus einem vorherigen Phasenergebnis. Im Rahmen dieses Beitrags werden ausschließlich die intrinsische V&V des ausführbaren Modells sowie seine Überprüfung gegen die Aufgabenspezifikation thematisiert. Für diese stehen verschiedene V&V-Techniken (Testverfahren) zur Verfügung, die sich hinsichtlich ihrer Anwendbarkeit und Objektivität voneinander unterscheiden [5].

Dieser Beitrag setzt sich mit Anforderungen an eine KI-gestützte Assistenz bei der Durchführung von V&V-Aktivitäten auseinander. Ziel ist die Kompetenzsicherung der Simulationsexperten im Bereich V&V. Der Kompetenzbegriff weist in der einschlägigen Literatur kein einheitliches Verständnis auf, wird darin jedoch teils ausführlich diskutiert (z. B. in [9]).

Im Rahmen dieses Beitrags wird Kompetenz als ein um eine situative Anwendungsbereitschaft erweitertes Wissen in Bezug auf die V&V von Simulationsmodellen aufgefasst, das in Form von Skills (Fähigkeiten und Fertigkeiten) beim Simulationsexperten internalisiert ist; die situative Anwendungsbereitschaft vereint die Kenntnis über V&V-Techniken (Wissen) mit der Kenntnis im Umgang mit diesen Techniken (Erfahrung) in Bezug auf eine konkrete Anwendungssituation (Beurteilbarkeit/Urteilsvermögen). Während die Kompetenzentwicklung auf die kontinuierliche Erweiterung und den systematischen Aufbau neuer, bisher nicht vorhandener Fähigkeiten abzielt [10, 11], fokussiert die Kompetenzsicherung (bzw. der Kompetenzerhalt) die Bewahrung und methodische Festigung bereits existierender Kompetenzen im laufenden Betrieb.

Eine solche Sicherung ist insbesondere in automatisierten und digitalisierten Arbeitsumgebungen von hoher Relevanz [12]. Da operative Routinetätigkeiten zunehmend von Softwaresystemen übernommen werden (z. B. automatisierter Konsistenzcheck von Simulationsmodellen), drohen Kompetenzen in der Praxis seltener abgerufen zu werden und folglich in Vergessenheit zu geraten [12]. Um diesem schleichenden Kompetenzverlust entgegenzuwirken, wird in diesem Beitrag die Konzepierung einer KI-gestützten Assistenz verfolgt. Assistenz umfasst, dem Verständnis von Wenzel et al. [3] folgend, u. a. rechnerbasierte Werkzeuge zur Aufwandsreduzierung. Im Rahmen dieses Beitrags ist eine KI-gestützte Assistenz ein rechnerbasiertes Werkzeug, das KI-Modelle einsetzt. Die Entwicklung einer derartigen Assistenz kann entsprechend der Begriffsdefinition als Softwareentwicklung aufgefasst werden.

Bei der Softwareentwicklung erfolgt typischerweise eine Anforderungsanalyse, um die Ziele und Bedürfnisse der Nutzer zu identifizieren [13]. Dazu wird zunächst eine Stakeholderanalyse durchgeführt, welche die Identifizierung der relevanten Personenkreise und deren Ziele umfasst. Für die identifizierten Personenkreise werden die relevanten Funktionen der zu entwickelnden Software ermittelt. Hierfür werden Anwendungsfälle (Use Cases) definiert, die in Form von sogenannten User Storys als strukturierte Aussagen mit folgendem Aufbau formuliert werden: „[Rolle] möchte [Funktion], um [Nutzen] zu erhalten“.

Diese User Storys dienen anschließend als Grundlage für die softwaretechnische Umsetzung. Im Rahmen dieses Beitrags wird eine solche Anforderungsanalyse für eine KI-gestützte Assistenz zur V&V von Simulationsmodellen durchgeführt.

Vorgehen der Anforderungsanalyse für die KI-gestützte Assistenz

Für die KI-gestützte Assistenz zur V&V von Simulationsmodellen sind insbesondere jene Experten relevant, die Simulationsmodelle erstellen, verifizieren und validieren. Das methodische Vorgehen zur Ermittlung der funktionalen und nicht-funktionalen Anforderungen an die KI-gestützte Assistenz folgt einem zweistufigen Prozess: Im ersten Schritt werden die User Storys deduktiv durch die Autoren auf Basis ihrer Kompetenz im Bereich der V&V entwickelt.

Als funktional-methodische Grundlage dient der eingangs definierte Zweck der KI-gestützten Assistenz, welcher die Unterstützung einerseits bei der Durchführung der intrinsischen V&V des Simulationsmodells und ihrer Überprüfung gegen die Aufgabenspezifikation (Bild 1: E1-E6) und andererseits bei der Kompetenzsicherung (Bild 1: K1-K7) leisten soll. Der Fokus dieser Anforderungen liegt primär auf der Sicherung der V&V-Kompetenz bei den Simulationsexperten, nicht auf einer progressiven Kompetenzentwicklung oder dem Erwerb gänzlich neuer V&V-Kompetenzen – eine durchgängige Trennung von Kompetenzsicherung und -entwicklung wird jedoch als unzweckmäßig angesehen und daher nicht durch die User Storys gewährleistet.

Die User Storys betreffen die Anwendung von V&V-Techniken; sie sind jedoch alleinstehend nicht hinreichend, da der KI-Einsatz inhärente Anforderungen umfasst, die in Form von sogenannten User Storys für systembezogene Rahmenbedingungen (Bild 1: R1-R3) abgebildet sind. Sie umfassen technische und rechtliche Anforderungen, die für den produktiven Einsatz im industriellen Umfeld notwendig sind. Die Formulierung der User Storys erfolgt in einer – im Hinblick auf die Struktur – modifizierten Ich-Form („Ich möchte [Funktion], um [Nutzen] zu erhalten“), um die spezifische Rolle bewusst offenzuhalten. Im zweiten Schritt, der Evaluation der User Storys durch Simulationsexperten, können auf Grundlage der Selbsteinschätzung der Befragten verschiedene Erfahrungsgruppen gebildet werden. Dadurch lassen sich gegebenenfalls statistisch signifikante Unterschiede im Antwortverhalten identifizieren.

User Storys für den V&V-Einsatz

Dieser Bereich fokussiert sich auf die fachlich-methodische Unterstützung bei der Durchführung der V&V. So wird der Anwender bei der Auswahl einer für seine konkrete Aufgabenspezifikation geeigneten V&V-Technik unterstützt (E1). Durch die automatisierte Überprüfung der Modellkonsistenz und -plausibilität (E3) sowie der Zweckmäßigkeit des Modells (E2) wird die Fehleranfälligkeit reduziert und die Experten werden von Routineaufgaben entlastet. Die Relevanz liegt hierbei in einer Verbesserung der Durchführung von Simulationsstudien sowie einer methodischen Erweiterung des V&V-Einsatzes durch Hinweise auf selten genutzte Techniken (E4 und E5) und eine automatisierte, normgerechte Dokumentation (E6).

Bild 1: Übersicht der User Storys.

User Storys für die Kompetenzsicherung

Die User Storys zur Kompetenzsicherung rücken die didaktische Interaktion zwischen dem Menschen und der KI in den Mittelpunkt. Ziel ist, dass die Simulationsexperten aktiv in den Problemlösungsprozess eingebunden werden (K3) und nicht nur die KI-Empfehlungen unreflektiert übernehmen. Durch interaktive, modellbezogene Befragungen (K1), vorgeschlagene simulationsmodellbezogene Prompts (K2) und Korrekturmaßnahmen (K5) sowie die Bereitstellung von Erklärungen, die auf Normen und Handbüchern basieren (K4, K6 und K7), wird eine nachhaltige Kompetenzsicherung gefördert. Die Relevanz dieser Kategorie ergibt sich aus der Notwendigkeit, blindes Vertrauen in KI-Systeme zu verhindern und die Urteilsfähigkeit der Simulationsexperten durch Erklärbarkeit der KI-Empfehlungen langfristig zu sichern.

User Storys für systembezogene Rahmenbedingungen

Diese Kategorie definiert die notwendigen technischen und rechtlichen Rahmenbedingungen für den produktiven Einsatz einer KI-Assistenz im industriellen Umfeld. Im Fokus stehen der Schutz von Betriebsgeheimnissen und die Einhaltung von Compliance-Richtlinien durch einen strikten Datenschutz bei sensiblen modell- und personenbezogenen Daten (R1). Zudem adressieren die User Storys die Anforderungen an die Skalierbarkeit (i. e. weiterhin ein performantes Antwortverhalten bei großen Modellen; R2) und die Werkzeugunabhängigkeit (R3). Die Relevanz dieser Rahmenbedingungen ist kritisch für die Akzeptanz des Systems, da nur ein performantes, werkzeugunabhängiges und sicheres System in der Anwendung bestehen kann.

Evaluation der User Storys

Ziel der Evaluation ist, die theoretisch abgeleiteten User Storys im Hinblick auf ihre fachliche Korrektheit und ihre Relevanz im industriellen Kontext abzusichern. Dazu wird eine anonyme expertengestützte Online-Befragung mittels der Software LimeSurvey unter den Mitgliedern der ASIM-Fachgruppe „Produktion und Logistik“ durchgeführt (vgl. [2]).

Die Umfrage besteht aus vier Teilen. Im ersten Teil sollen die Befragten sich anhand ihrer Berufserfahrung sowie ihres aktuellen Arbeitsbereichs (i. e. Dienstleistung, Forschung oder Industrie) einordnen. Zudem sollen sie einschätzen, ob der V&V-Einsatz in der Praxis pragmatisch erfolgt und der Einsatz einer KI-gestützten Assistenz zur V&V von Simulationsmodellen in Produktion und Logistik sinnvoll ist. Diese Einschätzung erfolgt anhand einer vierstufigen Likert-Skala („stimme zu“, „stimme eher zu“, „stimme eher nicht zu“, „stimme nicht zu“), ergänzt um die Antwort „weiß nicht“.

Der zweite Teil umfasst eine duale Matrixfrage, um die 16 User Storys in Bezug auf die Zweckmäßigkeit einer derartigen Funktion und den Nutzen für die Sicherung der eigenen V&V-Kompetenz zu bewerten. Die Befragten beurteilen jede User Story ebenfalls anhand der beschriebenen vierstufigen Likert-Skala. Darüber hinaus besteht bei jeder zu bewertenden User Story auch die Möglichkeit, diese nicht zu bewerten („weiß nicht“). Durch diesen Aufbau können potenzielle Diskrepanzen zwischen theoretisch wünschenswerten und praktisch relevanten Funktionen identifiziert werden.

Ergänzend zu der Matrixfrage gibt es am Ende des Fragenblocks ein offenes Textfeld für qualitative Rückmeldungen. Im dritten Teil sollen die Befragten, die für sie fünf relevantesten User Storys auswählen. Abschließend besteht die Möglichkeit, weitere neue User Storys für eine KI-gestützte Assistenz zur V&V von Simulationsmodellen zu ergänzen.

Diskussion der User Storys

Die Ergebnisse der Umfrage (vgl. [2]) zeigen, dass die befragten Personen (N = 27) überwiegend hocherfahren (52 % mit > 10 Jahren Erfahrung) und schwerpunktmäßig in der Forschung (51,9 %) tätig sind; ergänzt durch Personen aus der Industrie (29,6 %) und Dienstleistung (18,5 %). Die Experten bestätigen einen eher pragmatischen V&V-Einsatz in der Praxis und erachten eine KI-gestützte Assistenz zur V&V von Simulationsmodellen als sinnvoll. Die nachfolgende Diskussion der Ergebnisse erfolgt differenziert nach der priorisierten Relevanz (Bild 2) sowie den drei funktionsbezogenen Bereichen (E, K und R); ergänzt durch die Bewertung der einzelnen User Storys in Bezug auf ihre Zweckmäßigkeit der beschriebenen Funktion und ihren Nutzen für die Kompetenzsicherung (Bild 3).

Im Bereich des V&V-Einsatzes (E1 – E6) zeigt sich eine hohe Akzeptanz für unterstützende Funktionen (Bild 3). So wird die User Story zur KI-basierten Erstellung eines normgerechten Berichts (E6) am häufigsten priorisiert (Bild 2) und auch hinsichtlich ihrer Zweckmäßigkeit positiv bewertet (ca. 70 % „Stimme zu“). Ebenfalls als relevant eingestuft werden die automatisierte Überprüfung der Konsistenz und Plausibilität des Modells (E3) sowie der Vorschlag geeigneter V&V-Techniken basierend auf der Aufgabenspezifikation (E1).

Diese Platzierungen verdeutlichen, dass die Befragten die KI-gestützte Assistenz nicht nur als Werkzeug zur Fehlervermeidung und zur Auswahl geeigneter Techniken, sondern auch als wertvolles Werkzeug zur methodischen Entscheidungshilfe betrachten. Dies zeigt sich auch bei der Betrachtung des Nutzens für die eigene Kompetenzsicherung. Dieser wird teilweise nicht so positiv bewertet – insbesondere bei den User Storys E2 (Prüfung der Modelleignung) und E6 (Automatische Berichterstellung).

Während die automatische Berichterstellung (E6) hinsichtlich der Zweckmäßigkeit sehr positiv bewertet wird, liegt die uneingeschränkte Zustimmung beim Kompetenznutzen nur bei ca. 26 %; bei der Überprüfung der Modelleignung (E2) überwiegt sogar die Ablehnung (Bild 3). Dies belegt empirisch, dass die Befragten primär eine Entlastung bei der Durchführung der zeitaufwendigen V&V-Aktivitäten suchen und den eigenen Lernprozess als zweitrangig ansehen. So wird das Bereitstellen weiterführender Informationen zu unbekannten oder selten genutzten V&V-Techniken (E5) auch mit am seltensten genannt.

Interessanterweise zeigt sich bei den lernorientierten Funktionen E4 (Hinweis auf seltene Techniken) und E5 (Weiterführende Informationen), dass ihr zugeschriebener Wert für die Kompetenzsicherung deutlich über ihrer rein operativen Zweckmäßigkeit liegt (Bild 3). Die Experten erkennen das didaktische Potenzial dieser Funktionen also durchaus an.

Bei Betrachtung der spezifischen User Storys im Bereich der Kompetenzsicherung (K1 bis K7) ist die hohe Relevanz der ausführlichen Erklärungen und Nachvollziehbarkeit (K4 und K7) bemerkenswert. Die Nachvollziehbarkeit der Empfehlungen (K7) wird mit rund 70 % bei der Zweckmäßigkeit und etwa 67 % beim Kompetenznutzen sehr positiv bewertet. Die ausführliche Begründung der KI-Empfehlungen (K4) erreicht für die Kompetenzsicherung ebenfalls nennenswerte 63 % uneingeschränkte Zustimmung. Dies deutet darauf hin, dass die Befragten zwar keine zusätzliche Lernzeit investieren möchten (z. B. durch das Lesen von Fachliteratur oder Handbüchern), jedoch ein tiefes Interesse daran haben, die KI-Empfehlungen nachvollziehen zu können. Hierbei liegt die Motivation der Befragten primär auf dem Aufbau von Vertrauen in die KI-gestützte Assistenz und der Absicherung der eigenen Entscheidungshoheit.

Ebenfalls als relevant werden Funktionen der Fehlerbehebung (K3 und K5) bewertet. Insbesondere die Involvierung bei Fehlern (K3) sichert aus Sicht von über 55 % der Experten die eigene Kompetenz nachhaltig ab. Im Gegensatz dazu werden die User Storys, in denen die KI-gestützte Assistenz mögliche simulationsmodellbezogene Prompts vorschlägt (K2) und jede Empfehlung auf einer Quelle (Norm, Richtlinie oder Handbuch) oder der Modelllogik beruht (K6), am seltensten priorisiert. Der Vorschlag simulationsbezogener Prompts (K2) weist mit nur 15 % „Stimme zu“-Antworten beim Nutzen für die eigene Kompetenzsicherung den niedrigsten Wert auf.

Die Befragten haben ein gesteigertes Bedürfnis nach Kontrolle und wollen lieber bei Fehlern in den Problemlösungsprozess involviert werden und auch aktiv Vorschläge für Korrekturmaßnahmen erhalten. Die quantitative Verteilung bestätigt somit erneut, dass die transparente Erklärbarkeit für die Praxis wichtiger als die reine automatisierte Übernahme der V&V-Aktivitäten ist – die Befragten möchten aus Fehlern nachhaltig lernen und diese in Zukunft vermeiden.

Darüber hinaus wird die fundamentale Rolle der systembezogenen Rahmenbedingungen (R1–R3) durch die mehrheitlich positiv bewertete Zweckmäßigkeit der Funktionen (Bild 3) bestätigt. Zudem wird die Wichtigkeit des Datenschutzes (R1) priorisiert (Bild 2). So stellt die Einhaltung von Compliance-Richtlinien und der Schutz sensibler Modelldaten eine absolute Grundvoraussetzung für die Akzeptanz einer KI-gestützten Assistenz im industriellen Umfeld dar. Dementsprechend erzielen der Schutz sensibler Daten (R1) sowie die Verarbeitung von großen Simulationsmodellen (R2) die häufigsten „Stimme zu“-Antworten für die Zweckmäßigkeit über alle User Storys (Bild 3).

Dies belegt, dass der Datenschutz und die modellbezogene Skalierbarkeit keine optionalen Anforderungen für die Praxis sind. Im Gegensatz dazu sind die Bewertungen hinsichtlich der Kompetenzsicherung über alle drei systembezogenen Rahmenbedingungen erwartungsgemäß niedriger, da diese lediglich eine Grundvoraussetzung für die Umsetzung einer KI-gestützten Assistenz darstellen. Sie sind für die physische Bereitstellung und die Akzeptanz der KI-Assistenz im industriellen Umfeld erforderlich, besitzen jedoch einen primär latenten Mehrwert für die Kompetenzsicherung der Simulationsexperten.

Über die 16 evaluierten User Storys hinaus formulieren die Befragten weitere relevante User Storys, die sowohl technologische und methodische als auch organisatorische Funktionen einer KI-gestützten Assistenz adressieren. Im Bereich der technologischen und methodischen Funktionen wird der Wunsch nach einer KI-gestützten Parameterselektion und -variation innerhalb der gegebenen aufgabenspezifischen Rahmenbedingungen ergänzt, um ein hinreichendes Testintervall zu erzielen.

Zur Unterstützung der interdisziplinären Zusammenarbeit wird die Forderung nach der Generierung unterschiedlicher Sichten auf die Modelllogik genannt, um im Rahmen der V&V eine zweckgenaue Diskussionsgrundlage für verschiedene Personengruppen (z. B. Prozessverantwortliche oder das Management) zu schaffen.

In diesem Zusammenhang könnte die Konfigurierbarkeit der KI-gestützten Assistenz sinnvoll sein. So könnte beispielsweise eine flexible Filterlogik für verschiedene Personengruppen dynamisch zwischen „geprüftem Wissen“ (basierend auf Normen, Richtlinien und Handbüchern) und einer „freien explorativen Suche“ wählen. Während Ersteres die Fehlerquellen für unerfahrene Personen minimiert, erlaubt Letzteres erfahrenen Personen, den Lösungsraum zu erweitern und innovative V&V-Techniken zu nutzen.

Infrastrukturell wird die Notwendigkeit des On-Premise-Hostings als kritische Anforderung hervorgehoben, um die Souveränität über sensible Unternehmensdaten zu gewährleisten. Zudem werden Vorschläge zur Erfassung von Gedanken der Nutzer sowie zum automatisierten Abgleich zwischen Modellbeschreibung und -implementierung geäußert.

Zusammenfassung und offene Forschungsthemen

Der vorliegende Beitrag zeigt auf Basis einer methodischen Anforderungsanalyse und einer anschließenden Expertenbefragung, dass eine KI-gestützte Assistenz ein erhebliches Potenzial zur Kompetenzsicherung bei der V&V von Simulationsmodellen in Produktion und Logistik besitzt. Die Evaluation bestätigt eine hohe Akzeptanz für unterstützende Funktionen, die Erklärbarkeit von Empfehlungen und die Notwendigkeit strenger Datenschutzrichtlinien. Zudem liefern die Befragten wertvolle Impulse und spezifische Bedarfe, die den Weg für zukünftige Forschungsarbeiten ebnen.

Für die softwaretechnische Entwicklung sind weiterführende Analysen der User Storys notwendig. Neben der Berücksichtigung von weiteren Stakeholdern und deren Bedürfnissen ist eine Priorisierung beispielsweise mittels der MoSCoW-Methode („Must-have“, „Should-have“, „Could-have“, „Won’t-have“) angestrebt. Diese muss gekoppelt mit einer detaillierten Aufwand-Nutzen-Analyse erfolgen. So ist für jede User Story zu prüfen, ob der erzielte Nutzen den Entwicklungsaufwand rechtfertigt.

Weiterer Forschungsbedarf besteht in der Berücksichtigung des Wissens der Simulationsexperten für die KI-gestützte Assistenz sowie der Bestimmung des objektiven Informationsbedarfsfür die KI-Modelle – zusätzlich zum eigentlichen Simulationsmodell –, um eine zufriedenstellende Unterstützung zu erreichen. Zudem ist zu untersuchen, welche KI-Ansätze für die verschiedenen V&V-Aktivitäten beispielsweise bei der Parameterselektion und beim automatisierten Testen eingesetzt werden können.

Die hier vorgestellte Anforderungsanalyse bildet die Basis für die Entwicklung einer KI-gestützten Assistenz, die den Menschen explizit nicht ersetzen, sondern für die komplexen V&V-Aktivitäten befähigen soll. Dabei ist die erfolgreiche Etablierung einer KI-gestützten Assistenz beim Simulationseinsatz weniger eine Frage der rein technologischen Machbarkeit, sondern maßgeblich von der methodischen Umsetzung, der Transparenz und Erklärbarkeit der Entscheidungsgrundlage sowie der Berücksichtigung industrieller Rahmenbedingungen abhängig.

Das könnte Sie auch interessieren

Datengestützte Lieferantenauswahl in der Industrie 4.0 Auf dem Weg zu einer industriellen Plattform für Auswahl und Konfiguration Purushothaman Ganesh , Baris E. Albayrak , Jörg Franke , Till Sindel , Jens Fürst, Sebastian Lang

Industrielle Lieferketten müssen ihre Beschaffungsstrategien als Reaktion auf Störungen immer wieder neu ausrichten, doch Informationen über die Leistungsfähigkeit von Lieferanten sind nach wie vor uneinheitlich und lassen sich nur schwer operativ umsetzen. Bisherige Forschungsarbeiten behandeln Lieferantenauswahl, Simulation und Interoperabilitätsstandards getrennt voneinander und betrachten die Erfassung, Bewertung und Optimierung als voneinander getrennte Schritte, die eine manuelle Datentransformation erfordern. Dieser Beitrag stellt ein Rahmenkonzept für eine datengesteuerte industrielle Plattform vor, die drei Komponenten integriert: Lieferantenprofile auf Basis der Asset Administration Shell, strukturiert durch eine Actor-Service-Ontologie zur semantischen Identifikation von Lieferanten, automatische Generierung von Simulationsmodellen für diskrete Ereignisse (Discrete-Event Simulation) aus Layoutdaten zur Leistungsbewertung sowie KPI-gesteuerte Konfiguration mithilfe von ...

Industry 4.0 Science | 42. Jahrgang | 2026 | Ausgabe 4 | Seite 50-61 | DOI 10.30844/I4SD.26.4.6

Digitale Fabrikplanung für Start-ups Ein simulationsbasierter Ansatz für die Konzeptionierung von Produktionsstrukturen Herwig Winkler , Tobias Isau

Mit der zunehmenden Komplexität von Produktions- und Logistiksystemen geraten traditionelle Fabrikplanungsansätze weitgehend an ihre Grenzen. Die digitale Fabrikplanung bietet hier einen vielversprechenden Ansatz, bereits in frühen Planungsphasen fundierte Entscheidungen zu treffen. Insbesondere für Start-ups stellt die optimale Planung einer Produktionsstätte eine Herausforderung dar, da diese oft mit begrenzten finanziellen und infrastrukturellen Ressourcen operieren. Dieser Beitrag präsentiert einen methodischen Ansatz für die digitale Fabrikplanung, bei der die VR-Simulation für die Layoutplanung einer Fabrikhalle eines jungen Unternehmens aus der Solarbranche eingesetzt wird. Der vorgestellte Ansatz zeigt, wie Simulationen zur Gestaltung flexibler Produktionsstrukturen, insbesondere bei Start-ups, beitragen können.

Industry 4.0 Science | 42. Jahrgang | 2026 | Ausgabe 3 | Seite 68-75

Flächenbewertung für flexible Intralogistik im Brownfield Innovative Entscheidungsunterstützung in der Praxis Jolanda Schierbaum, Carsten Feldmann, Lars Renhof

Flächenplanung in der Intralogistik ist aufgrund des dynamischen Umfelds keine einmalige Aufgabe, sondern ein wiederkehrender Entscheidungsprozess mit vielen Restriktionen bestehender Infrastruktur. Dabei werden Entscheidungen oft auf Basis unsicherer Daten getroffen, so dass das Risiko von Fehlentscheidungen und ineffizienten Flächennutzungen hoch ist. Dieser Beitrag stellt ein praxisorientiertes Vorgehensmodell für die Flächenbewertung im Brownfield vor: Es erhöht die Standardisierung und Konsistenz der Flächenbewertung und fördert Best Practices bei allen Beteiligten. Systematische Entscheidungen unterstützen eine optimierte Planung und Zuweisung von Ressourcen, so dass Risiken und kostspielige Fehler während der Implementierung vermieden werden. Die Demonstration des Vorgehensmodells erfolgt anhand einer Fallstudie bei einem Nutzfahrzeughersteller.

Industry 4.0 Science | 42. Jahrgang | 2026 | Ausgabe 3 | Seite 124-133

Digitale Zwillinge in Produktion und Logistik erleben Die fischertechnik® Lernfabrik 4.0 als Entwicklungsplattform für mögliche Ausbaustufen Jan Schickram, Tareq Albeesh, Deike Gliem , Sigrid Wenzel

Die fischertechnik® Lernfabrik 4.0 hat sich als geeignete Experimentierumgebung zur Erprobung Digitaler Zwillinge erwiesen. Abhängig vom angestrebten Reifegrad reichen die Funktionen eines Digitalen Zwillings von der reinen Zustandsüberwachung über Prognosen bis hin zur operativen Steuerung von Produktions- und Logistiksystemen. Zur systematischen Einordnung dieser Funktionen wird in diesem Beitrag ein Reifegradmodell vorgestellt, das als Orientierungsrahmen für den Aufbau eines Digitalen Zwillings dient. Darauf aufbauend werden ausgewählte Anwendungsfälle in einer Test- und Entwicklungsumgebung umgesetzt, die auf einer Systemarchitektur mit mehrstufiger Schichtlogik basiert. Anhand erster Umsetzungen werden Einsatzzwecke, relevante Methoden sowie typische Herausforderungen und Potenziale für den Transfer in reale Fabrikumgebungen aufgezeigt.

Industry 4.0 Science | 42. Jahrgang | 2026 | Ausgabe 2 | Seite 30-37 | DOI 10.30844/I4SD.26.2.30

Lehmbauweise und Holzregale Beitrag zur Nachhaltigkeit der Lagerlogistik Viviano De Giacomo , Nathalie Fritsch , Jakob Kennert , Dieter Uckelmann

Die Studie untersucht den Beitrag natürlicher Baustoffe, insbesondere von Lehm und Holz, zur nachhaltigen Entwicklung von Logistikimmobilien. Im Mittelpunkt steht eine Bewertung entlang ökologischer, ökonomischer und technischer Dimensionen über den gesamten Lebenszyklus hinweg. Auf Basis von Literaturanalysen und Experteninterviews werden Potenziale, Restriktionen und fördernde Rahmenbedingungen identifiziert. Holz erweist sich insbesondere im Hochregalbau als technisch ausgereift und ökologisch vorteilhaft, während Lehm hohes Potenzial für energie- und ressourceneffizientes Bauen bietet. Die Arbeit schließt mit Handlungsempfehlungen für Forschung, Politik und Praxis zur Etablierung zirkulärer Bauweisen in der Logistik.

Industry 4.0 Science | 41. Jahrgang | 2025 | Ausgabe 6 | Seite 82-89