Layouted

Einsatz künstlicher Intelligenz in der Beschaffung

Einsatz künstlicher Intelligenz in der Beschaffung

Möglichkeiten des Smart Contracting
Andreas H. Glas ORCID Icon, Kübra Ates, Michael Eßig ORCID Icon
Beschaffung hat grundsätzlich die Aufgabe, einer Organisation ihre benötigten, aber nicht selbst hergestellten Güter zur Verfügung zu stellen. Verträge sind dabei das zentrale Instrument zur Vereinbarung lieferantenseitiger Leistungen. In Verträgen ist der Leistungs-Gegenleistungsmechanismus festgeschrieben und zahlreiche rechtliche Fragestellungen wie Haftung, Gewährleistung usw. sind darin geregelt. Schon seit längerem werden Verträge digital mithilfe von Computerprotokollen abgebildet. Solche „elektronischen Verträge“ oder auch „Smart Contracts“ bilden die Logik der vertraglichen Regelungen technisch ab und erleichtern so die Überwachung des Leistungsaustauschs. Dies wird sich noch weiterentwickeln. Denn verbesserte Algorithmen und künstliche Intelligenz werden zukünftig in der Lage sein, Verträge nicht nur zu administrieren, sondern auch zu gestalten. Dieser Beitrag stellt den Status Quo dar und stellt vor, wie künstliche Intelligenz in der Beschaffung zur ...
Industrie 4.0 Management | 39. Jahrgang | 2023 | Ausgabe 1 | Seite 14-18 | DOI 10.30844/IM_23-1_14-18
KI-gestützte Optimierung repetitiver Prozesse

KI-gestützte Optimierung repetitiver Prozesse

Eine Kodierungstechnik für repetitive Prozesse in der evolutionären Optimierung
Christina Plump, Rolf Drechsler, Bernhard J. Berger
Optimierung ist eine wesentliche Fragestellung in vielen Kontexten. Sei es Ressourcen-, Zeit-, Personal- oder nicht zuletzt auch Kosteneffizienz, regelhaft müssen Prozesse, Einstellungen, Zusammensetzungen - die Liste ließe sich beliebig fortsetzen − optimiert werden. Um das Optimierungsproblem zu lösen, gibt es viele unterschiedliche Techniken. Eine besondere Klasse stellen die evolutionären Algorithmen dar, sie zählen zu den populationsbasierten, heuristischen Verfahren. Sie erlauben auch die Optimierung von Problemen mit vielen lokalen Optima oder stark durch Nebenbedingungen eingeschränkten Suchräumen. Gleichzeitig sind sie in der Lage, im Rahmen eines einzelnen Optimierungslaufs mehrere Lösungsmöglichkeiten vorzuschlagen. Ein besonderer Aspekt bei der Verwendung von evolutionären Algorithmen ist die Wahl der korrekten Kodierung oder die wohldefinierte Spezifikation einer Kodierung. Insbesondere bei der Optimierung eines Prozesses, der aus sich wiederholenden ...
Industrie 4.0 Management | 39. Jahrgang | 2023 | Ausgabe 1 | Seite 19-22 | DOI 10.30844/IM_23-1_19-22
KI als Planungsassistenz in der Kontraktlogistik

KI als Planungsassistenz in der Kontraktlogistik

Überwachtes Lernen zur Vorhersage von Prozessschritten in der Planung von Logistikprozessen
Marius Veigt, Lennart M. Steinbacher, Michael Freitag ORCID Icon
Der Wettbewerbsdruck in der Kontraktlogistikbranche ist groß. Logistikanbieter müssen schnell und mit überzeugenden Konzepten auf Ausschreibungen reagieren. Dieser Beitrag zeigt erste Ansätze, wie die Prozessplanung der Logistik im Ausschreibungsmanagement mit Methoden des überwachten Lernens beschleunigt werden kann. Unter der Prämisse, dass ähnliche Prozesse aus vergangenen Projekten auf ein neues Projekt übertragen und angepasst werden können, schlägt ein KI-basiertes Assistenzsystem während der Planung mittels Methoden des überwachten Lernens geeignete Prozessschritte in Form von MTM-Codes (Methods-Time Measurement) vor. Dieses Vorgehen beschleunigt die Prozessplanung und kann zu einer Steigerung der Qualität der geplanten Logistikkonzepte führen.
Industrie 4.0 Management | 39. Jahrgang | 2023 | Ausgabe 1 | Seite 9-13
Mein Kollege ist ein Roboter

Mein Kollege ist ein Roboter

Akzeptanz der kollaborativen Robotik in Lagerhäusern
Frederic Jacob, Eric Grosse ORCID Icon, Stefan Morana, Cornelius J. König
Die Lagerhaltung ist in vielen Unternehmen sehr arbeits- und kosten­intensiv. Die Digitalisierung und Automatisierung von manuellen Lagerprozessen können die Effizienz steigern, Kosten senken und Mitarbeitende entlasten. Dabei finden kollaborative Roboter, die sich Arbeitsaufgaben mit Mitarbeitenden teilen, zunehmend Anwendung in Lagerhäusern. Der unreflektierte Einsatz solcher Roboter kann jedoch die Akzeptanz der Mensch-Roboter-Kollaboration negativ beeinflussen. Verschiedene Einflüsse wie Angst vor Arbeitsplatzverlust, höherer kognitiver Stress, erwarteter Mehraufwand oder die Sorge vor Verletzungen können die Zusammenarbeit zwischen Mensch und Roboter behindern und sich negativ auf den wirtschaftlichen Nutzen auswirken. Dieser Beitrag stellt mögliche Barrieren für die Akzeptanz der kollaborativen Robotik in Lagerhäusern vor und diskutiert Handlungsempfehlungen für eine menschzentrierte, nachhaltige Mensch-Roboter-Kollaboration.
Industrie 4.0 Management | 39. Jahrgang | 2023 | Ausgabe 1 | Seite 23-26 | DOI 10.30844/IM_23-1_23-26
Methoden für die Gestaltung der Unternehmensarchitektur

Methoden für die Gestaltung der Unternehmensarchitektur

EAM als Enabler für die Konzipierung übertragbarer KI-Lösungen
Arno Kühn, Arthur Wegel ORCID Icon, Jonas Cieply ORCID Icon
Laut acatech [1] gewinnt Künstliche Intelligenz (KI) zunehmend an Bedeutung für den Erfolg produzierender Unternehmen. Die entstehenden datengetriebenen Lösungen im Bereich der Produktion sind gekennzeichnet durch ihre Vielfalt. Sowohl die Prozesse, in denen die Lösungen eingesetzt werden, als auch der Standort (verschiedene Fabriken, Fabrikteilbereiche, etc.) der Lösungen unterscheiden sich. Häufig werden die Lösungen zudem kaum über die Pilotgrenzen hinaus skaliert. Am Ende eines KI-Projekts sind die Ziele eines Anwendungsfalls erfüllt, für die IT-Systemlandschaft kommt jedoch oft eine weitere Insellösung hinzu. Die entstehenden Daten werden nicht weiter verwertet, eine aufwändige Wartung macht die gewonnenen Effizienzen zunichte.
Industrie 4.0 Management | 39. Jahrgang | 2023 | Ausgabe 1 | Seite 37-42 | DOI 10.30844/IM_23-1_37-42
Optische Erfassung von Messwerten

Optische Erfassung von Messwerten

Maschinelle Lernverfahren zur Digitalisierung manueller Ablese- und Messvorgänge
Matthias Mühlbauer, Hubert Würschinger, Nico Hanenkamp, Svyatoslav Funtikov
Im Fabrikbetrieb kommen häufig Messmittel zum Einsatz, bei denen noch keine automatische Abspeicherung oder Weiterverarbeitung des gemessenen Werts erfolgt. Mitarbeiter müssen in diesem Fall den Messwert manuell erfassen und weiterverarbeiten. Folgend wird ein Ansatz zur optischen Erfassung und Digitalisierung von Messwerten mithilfe Maschineller Lernverfahren vorgestellt. Dies soll zur Entlastung der Mitarbeiter beitragen, Ablesefehler reduzieren sowie eine automatisierte Dokumentation ermöglichen.
Industrie 4.0 Management | 39. Jahrgang | 2023 | Ausgabe 1 | Seite 43-47 | DOI 10.30844/IM_23-1_43-47
Predictive Manufacturing

Predictive Manufacturing

Ein Intelligentes Überwachungssystem zur Erkennung von Anomalien im 3D-Druck
Benjamin Uhrich, Shirin Lange, Miriam Louise Carnot, Martin Schäfer
Beim selektiven Laserschmelzen wird Metallpulver schichtweise aufgeschmolzen und mit dem bereits gefertigten Bauteil verschmolzen. Innerhalb dieses Prozesses entstehen vermeidbare fehlerhafte Schichten. Derartige Fehler sind erst durch verschiedene Druck- und Zugfestigkeitsexperimente nach dem Druck feststellbar. Dieses Vorgehen ist kostenintensiv und ineffizient.
Industrie 4.0 Management | 39. Jahrgang | 2023 | Ausgabe 1 | Seite 27-31 | DOI 10.30844/I4SE.23.1.88
How to Gaia-X?

How to Gaia-X?

Ein Vorgehensmodell für dezentrale Datenökosysteme am Beispiel von Gaia-X
Erik Konietzko, Cansu Tanrikulu, Florian Schwarz, Kai Lindow ORCID Icon, Christoph Heinbach, Henning Gösling, Oliver Thomas
Wie können Organisationen erfolgreich an interoperablen und dezentralen Datenökosystemen teilnehmen? In diesem Beitrag wird ein Vorgehensmodell am Beispiel der Transportlogistikbranche vorgestellt, welches methodisch die gemeinsame und interdisziplinäre Entwicklung von Services im dezentralen föderierten Datenökosystem Gaia-X [6] beschreibt.
Industrie 4.0 Management | 38. Jahrgang | 2022 | Ausgabe 6 | Seite 54-58 | DOI 10.30844/IM_22-6_54-58
Industrielle Abo-Modelle

Industrielle Abo-Modelle

Wie verschiedene Player in einem Abo-Ökosystem profitieren
Markus Burger, Julia Arlinghaus ORCID Icon
Nach dem Erfolg von Abo-Modellen wie Netflix oder Spotify im IT- und Multimediasektor, schafft die Umsetzung Industrie 4.0 zunehmend die Voraussetzungen, vergleichbare Modelle im industriellen Kontext anzubieten. Dementsprechend bieten Vorreiter Abo-Modelle für z. B. Druckmaschinen, Kompressoren oder Lokomotiven an. Dabei agieren Anbieter nicht allein, sondern werden bei der Ausgestaltung und Umsetzung des Abo-Angebots von verschiedenen Playern wie Finanzierern, Versicherungen oder Digitalisierungsdienstleistern unterstützt. Dadurch entsteht ein sogenanntes Abo-Ökosystem. Dieser Beitrag beleuchtet diese Ökosysteme und zeigt auf, inwiefern welche Player an industriellen Abo-Modellen partizipieren können. In Abhängigkeit der Kundenakzeptanz dieser Modelle bietet sich für verschiedenste Unternehmen die Möglichkeit, vom Abo-Trend zu profitieren und neue Märkte und Kundengruppen zu erschließen.
Industrie 4.0 Management | 38. Jahrgang | 2022 | Ausgabe 6 | Seite 63-66
Informationsaustausch in der maritimen Lieferkette

Informationsaustausch in der maritimen Lieferkette

Untersuchung von Potenzialen und Anforderungen für den Einsatz der Blockchain in der maritimen Kühlkette
Johannes Schnelle ORCID Icon, Wolfgang Kersten ORCID Icon
Der Blockchain werden große Potenziale zugesprochen um den Informationsaustausch in den Lieferketten effizienter, transparenter und sicherer zu gestalten. Ein wichtiges Anwendungsgebiet stellt dabei die maritime Logistik dar, da durch die Blockchain Dokumente digitalisiert und Prozesse effizienter gestaltet werden können. Im Rahmen dieses Beitrags stellen wir am Beispiel temperaturgeführter Containertransporte einerseits die Potenziale für den Einsatz der Blockchain und andererseits die zu berücksichtigenden Anforderungen aus dem technologischen und organisatorischen Umfeld vor.
Industrie 4.0 Management | 38. Jahrgang | 2022 | Ausgabe 6 | Seite 29-32 | DOI 10.30844/IM_22-6_29-32
1 26 27 28 51