Layouted

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.

Ein reibungsloser Ablauf der Logistiksteuerung ist elementar für das Überleben von Unternehmen, wird aber durch akteurs- und organisationsbezogene Stolpersteine der Produktionsplanung und -steuerung behindert. Die Berufliche Hochschule Hamburg fördert gezielt jene Zukunftskompetenzen, die der „Wandlungsbefähiger Mensch“ zur Bewältigung von Stolpersteinen in digitalisierten Arbeitsumgebungen benötigt. Dieses Konzept wird im folgenden Beitrag vorgestellt.

Das Sammeln von Daten aus verschiedenen Quellen in der Produktion und die Bereitstellung dieser Daten für verschiedene IT-Systeme ist eine der Kernaufgaben im Prozess der Digitalisierung der Fabrik. Aufgrund der unterschiedlichen Protokolle und Schnittstellen ist die Datenerfassung mit besonderen Herausforderungen verbunden. Mit dem Sensor Technology Adapter Gateway (STAG) präsentieren wir eine Lösung, die die Lücke zwischen dem Shopfloor und den IT-Systemen schließt. STAG ist eine industrietaugliche Middleware, die die Übersetzung zwischen Datenmodellen und Protokollen automatisiert.