Autor: Georg David Ritterbusch

Obwohl eine grundsätzliche Verbesserbarkeit von Wissenstransferprozessen in Arbeitsorganisationen bereits experimentell nachgewiesen werden konnte, fehlt bislang ein automatisierter Ansatz zur systematischen Erkennung von Mustern in komplexen, kontextabhängigen sowie domänenspezifischen Wissenstransfersituationen. In diesem konzeptionellen Beitrag werden daher Wissenstransfersituationen am realen Beispiel der Produktentwicklung im Ingenieurwesen untersucht und charakterisiert. Darüber hinaus wird ein Konzept für ein adaptives KI-basiertes Echtzeit-Multi-Agenten-System vorgestellt, das wiederkehrende Muster in Wissenstransfersituationen datenbasiert erkennt und kontextsensitive Interventionen zur Verbesserung des Wissenstransfers ermöglicht. Abschließend wird ein Ausblick auf KI-basierte Lernmechanismen (Reinforcement Learning) gegeben, mit denen Interventionen langfristig auf Grundlage ihrer Wirkung angepasst werden können.

Die Kommerzialisierung generativer Künstlicher Intelligenz (KI) durch Systeme wie ChatGPT hat eine neue Ära in der Industrie 4.0 eingeleitet. Die automatische Erstellung neuer Inhalte dank generativer KI ist besonders für die Entwicklung von KI-basierten Tutoring-Systemen (AITS) von Bedeutung, die das digitale Lernen im Rahmen von Bildung 4.0 fördern. Zunächst aber müssen KI-Tutoring-Systeme einer Kategorisierung unterzogen werden, etwa nach Lernmethoden, Anwendungsbereiche und ihren jeweiligen Technologien.