Autor: Norbert Gronau

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.

Dieses Buch umfasst eine detaillierte Darstellung eines Vorgehensmodells für die digitale Transformation eines Haushaltsbeteiligungsprozesses sowie eine Sammlung von Methoden und Anhängen, die als praxisnahe Arbeitsmittel dienen können.

Die zunehmende Komplexität industrieller Umgebungen erfordert neue Kompetenzen, insbesondere in der Interaktion mit digitalen Systemen. Traditionelle Ausbildungsmethoden reichen für den effektiven Transfer von angewandtem Wissen oft nicht aus. Um diese Lücke zu schließen, wurde ein Experiment durchgeführt, bei dem Augmented Reality (AR) und papierbasierte Anleitungen in einem Produktionsszenario verglichen wurden. Die Ergebnisse zeigen: Teilnehmer, die mit AR lernten, führten den Produktionsprozess deutlich schneller und mit weniger Fehlern durch. Darüber hinaus berichteten die Lernenden, die AR nutzten, von einer höheren Benutzerfreundlichkeit und einer geringeren kognitiven Belastung während des Trainings.