Autor: Alexander Jacob

Aufgrund der Vielzahl verschiedener Machine-Learning-Verfahren und der Modellierungskomplexität besteht unter Ingenieuren häufig Unsicherheit gegenüber der effizienten Anwendung von Machine Learning (ML). Daher bleibt der Einsatz von ML-Anwendungen in verarbeitenden Unternehmen hinter den technischen Möglichkeiten zurück. In diesem Beitrag wird ein intuitiver Handlungsleitfaden für Ingenieure vorgestellt, der diese Unsicherheit verringern soll. Der Handlungsleitfaden führt in sechs Schritten durch ein ML-Projekt. Der ML-Kompass schlägt dem Anwender für gängige ingenieurstechnische Problemstellungen der Produktentwicklung und Produktion ML-basierte Algorithmen, die in der Praxis verwendet werden, vor. Anhand eines Industriebeispiels wird die Funktionsweise demonstriert.

Die Nutzung von Kennzahlen (engl. Key Perfomance Indicators - KPIs) erlaubt eine umfassende Betrachtung vielfältiger Leistungsmerkmale eines Unternehmens und dient als fundierte Grundlage für Entscheidungen und Steuerungsaufgaben. Durch die Abbildung von Produktionssystemen in einem System aus Kennzahlen als Digitaler Twin steigt nicht nur die Menge an Daten, sondern auch deren Verfügbarkeit und Aktualität. Im Folgenden wird ein ganzheitliches übertragbares Kennzahlennetzwerk, welches zur Steuerung von Unternehmen eingesetzt werden kann, beschrieben. Strategische Ziele lassen sich durch das Kennzahlennetzwerk einfach operationalisieren. Anhand eines Industriebeispiels werden die Vorteile und Möglichkeiten des Einsatzes eines solchen Netzwerks demonstriert.