Design

Die traditionelle Qualitätskontrolle stößt in Produktionsumgebungen mit hoher Produktvielfalt und geringen Stückzahlen aufgrund von Variabilität und Komplexität oft an ihre Grenzen. Dieses Projekt stellt eine fortschrittliche Workstation vor, die die industrielle Produktivität und Qualität durch die Verwendung eines axiomatischen Designs steigert, um so eine klare Verbindung zwischen Kundenbedürfnissen, funktionalen Anforderungen und Designlösungen zu gewährleisten. Polarisationskameras, hochauflösender Bildgebung, adaptiver Beleuchtung und Deep-Learning-basierte Bildverarbeitung ermöglichen präziseste Prüfungen von Menge, Qualität und Konformität Über eine intuitive Benutzeroberfläche bietet das digitale Assistenzsystem Echtzeit-Feedback. In kontrollierten Tests konnte es sowohl durch Praxistauglichkeit als auch durch Skalierbarkeit überzeugen.

Im Vergleich zu traditionellen KI-Systemen führt Generative Künstliche Intelligenz benutzerabhängige Eigenschaften ein, die einzigartige Herausforderungen für die KI-Governance in Organisationen mit sich bringen. Diese Herausforderungen hängen insbesondere mit menschlichen Faktoren zusammen, wie der Einstellung, dem Bewusstsein und den Fähigkeiten der Mitarbeitenden, die von bestehenden Governance-Rahmenwerken oft vernachlässigt werden. Diese qualitative Fallstudie untersucht, wie ein produzierendes Unternehmen Mechanismen der GenAI-Governance implementiert hat, um einen verantwortungsvollen Umgang mit dieser Technologie zu fördern. Die Ergebnisse zeigen, dass Unternehmen einen ganzheitlichen Ansatz verfolgen sollten, der strukturelle, prozessuale und relationale Mechanismen kombiniert, um Aspekte bezogen auf die Mitarbeitenden der GenAI-Governance zu berücksichtigen. Damit leistet diese Studie einen Beitrag zum wachsenden Forschungsfeld der GenAI-Governance und liefert ...

Seit etwa 15 Jahren steigt die Arbeitsproduktivität je Arbeitsstunde mit deutlich weniger als einem Prozent pro Jahr. Gleichzeitig können detailliertere Produktivitätsanalysen in den Unternehmen hohe Potenziale ausweisen. Allerdings sind die hierfür geeigneten MTM-Analysen aufwendig und werden aktuell nicht in der erforderlichen Breite und Häufigkeit eingesetzt. Eine Lösung ist der Einsatz digitaler Technologien wie Motion Capturing. Diese ermöglichen es, Produktivitätsanalysen mit geringem Aufwand durchzuführen, da sie Daten bereitstellen, die die Analyse beschleunigen. Das Tool MTMmotion® der MTM ASSOCIATION e. V. (MTMA) wurde mit dem Ziel entwickelt, mit den bereitgestellten Daten unterschiedlicher Technologien valide und regelkonforme MTM-Analysen durchführen zu können. Dieser Beitrag vergleicht die für ein Motion-Capture-System und MTMmotion® entwickelte Methode mit einer konventionellen MTM-1®-Analyse. Wesentliches Ergebnis ist, dass mit digitalen Technologien ...

Dashboards spielen eine Schlüsselrolle für fundierte Unternehmensentscheidungen. Dieser Beitrag zeigt anhand von Erkenntnissen eines Action-Research-Prozesses, wie unternehmensspezifische Lösungen systematisch entwickelt und Fehlinvestitionen vermieden werden können. Als kritisch erweisen sich insbesondere die Bereitstellung von IT-Kapazitäten, die Sicherung des Datenzugriffs, die Ausformulierung von Anforderungen und die Erarbeitung des Datenmodells.

Die Personaleinsatzplanung in der industriellen Instandhaltung stellt eine komplexe Herausforderung dar, da Disponenten oft unvollständige Kundenaufträge mit den passenden Mitarbeiterkompetenzen verknüpfen müssen. Ein KI-basiertes Assistenzsystem kann hierbei unterstützen, indem es relevante Daten automatisch analysiert und fundierte Vorschläge zur Mitarbeiterauswahl liefert. Dieser Beitrag beschreibt die nutzerzentrierte Entwicklung und Einführung eines solchen Systems im Rahmen eines Pilotprojekts bei einem mittelständischen Dienstleister. Die nutzerzentrierte Gestaltung stellt sicher, dass die Handlungsautonomie der Disponenten gewahrt bleibt. Durch die Einbeziehung der Mitarbeiter von Beginn an wird Akzeptanz geschaffen und ein vertieftes Verständnis für die Vorteile des Systems gefördert.

In Engineer-to-Order-Produktionssystemen werden Konstruktions- und Produktionsprozesse häufig parallelisiert, um kürzere Durchlaufzeiten zu realisieren. Der Schiffbau ist ein typisches Beispiel für diese Vorgehensweise. In der Praxis führt dies neben der Zeitersparnis jedoch zu Effizienzverlusten in der parallelen Arbeit von Konstruktion und Produktion. Dieser Artikel analysiert die Ursachen für diese Ineffizienzen. Basierend auf der Analyse erfolgt die Entwicklung digitaler Assistenzsysteme in der schiffbaulichen Prozesskette, um den Effizienzverlusten entgegenzuwirken. Grundlage der digitalen Assistenzsysteme ist ein digitaler Schatten des Schiffbauprozesses.

Wie kann Künstliche Intelligenz (KI) die Produktionsplanung und -steuerung (PPS) automatisieren? Im vorliegenden Artikel wird untersucht, inwiefern KI einen Beitrag zur Automatisierung der PPS leisten kann, indem die Potenziale zur Steigerung der Effizienz in modernen Produktionsumgebungen erforscht werden. Der Fokus liegt auf der Implementierung einer robusten Dateninfrastruktur, die Echtzeit-, historische und kontextbezogene Daten integriert. Konkret wird die Anwendung von Reinforcement Learning (RL) betrachtet und eine Roadmap für die Umsetzung vorgestellt, die sich auf die praktische Anwendung fokussiert.

In diesem Beitrag werden die Ergebnisse von zehn Experteninterviews über den Einsatz von Maschinellem Lernen zur Förderung der unternehmerischen Nachhaltigkeit skizziert und der Literatur gegenübergestellt. Die Untersuchung zeigt, dass wirtschaftliche Faktoren den Einsatz von Maschinellem Lernen (ML) antreiben. Die Einführung der Technologie wird sowohl durch das Top-Management als auch durch die Fachabteilungen initiiert. Fundierte Strategien zur Umsetzung von ML-Anwendungsfällen sind selten vorhanden. Dabei basieren Anwendungsfälle häufig auf überwachtem Lernen. Die ökologischen Auswirkungen überwiegen gegenüber den sozialen Auswirkungen. Häufig können Emissionsreduktionen realisiert werden, wobei Quantifizierungen schwerfallen. Jedoch behindert der Mangel an Vertrauen, Fachwissen und Kommunikation die Einführung von Maschinellem Lernen, während einige technischen Herausforderungen bezüglich der Datenanforderungen auch Probleme für Maschinelles Lernen bereiten.