Layouted

Der demografische Wandel verstärkt den Arbeits- bzw. Fachkräftemangel in der produzierenden Industrie, wodurch das Thema Wissensmanagement für viele Unternehmen an Bedeutung gewinnt. Insbesondere die Erhebung und Konservierung impliziten Wissens stellt eine Herausforderung dar. Die vorliegende Studie beleuchtet, inwieweit Large Language Models (LLMs) im Bereich der Wissenserhebung mit Experteninterviews sinnstiftend unterstützen können. Drei Experten testen und bewerten den entwickelten Chatbot. Die Ergebnisse des Interviews sind vielversprechend, die Zusammenfassung hingegen zeigt Verbesserungspotenziale.

Der Beitrag spezifiziert den Bedarf an Generativer Künstlicher Intelligenz für die industrielle Instandhaltung aus einer soziotechnischen Systemperspektive. Unter Betonung zweier Anforderungen, dem Zugriff auf implizites Bedienerwissen und der Priorisierung komplexer regulatorischer Anforderungen, wird eine mehrschichtige Architektur für ein kontextsensitives KI-basiertes Wartungsassistenzsystem skizziert. Das Hauptziel besteht darin, Wissenslücken mit GenAI zu überbrücken, wenn menschliches Fachwissen und implizites Wissen nicht verfügbar sind, und regulatorische Herausforderungen aufgrund vielfältiger Vorschriften zu bewältigen sind. Das KI-basierte Assistenzsystem erleichtert den Zugang zu technischem Wissen, verteilt Fachwissen und teilt implizites Wissen erfahrener Bediener über verschiedene Ebenen der Informationsverarbeitung hinweg. Der Ansatz geht über die Standardisierung hinaus und hat ein hohes Potenzial zur Verbesserung der organisationalen und individuellen ...

Die Re-Humanisierung industrieller Arbeit hat sich zu einem zentralen Schwerpunkt in der For-schung zu Industrie 4.0/5.0 entwickelt, wobei der Fokus auf der Stärkung menschlicher Arbeits-kräfte inmitten fortschreitender Automatisierung liegt. Ein Paradebeispiel für diesen menschen-zentrierten Ansatz bildet die Unterstützung von ArbeitnehmerInnen mit Beeinträchtigungen durch digitale Werkerassistenzsysteme. Diese Technologien sollen die Produktivität steigern, um so die Integration von Menschen mit Beeinträchtigungen in industrielle Tätigkeiten zu för-dern. Aber können sie die Arbeitserfahrung wirklich verbessern? Diese ethnographische Studie präsentiert Erkenntnisse aus zwei Jahren Entwicklung und Anwendung von Augmented Reality in einer geschützten Holzwerkstatt. In diesem Zeitraum wurden über 30 Technologie-Sessions und Interviews mit ArbeitnehmerInnen mit unterschiedlichen Beeinträchtigungen durchgeführt. Unsere Erfahrungen stellen die Schilderung der industriellen ...

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.

Der Engineer-to-Order (ETO)-Produktionsansatz gewinnt durch die steigende Nachfrage nach individualisierten Produkten und kleinen Losgrößen zunehmend an Bedeutung. ETO verringert jedoch die Skaleneffekte der Serienfertigung, da jeder Auftrag maßgeschneiderte Engineering- und Produktionsschritte erfordert. Dieser Effizienzverlust kann durch eine bedarfsgesteuerte und kontextbezogene Informationsbereitstellung während des Produktentwicklungsprozesses reduziert werden. Ein auf semantischer Künstlicher Intelligenz (KI) und Machine Learning basierendes Empfehlungssystem kann dies unterstützen, indem es i) historische Daten und Vorwissen, z. B. Zeichnungen oder Stücklisten aus früheren Projekten, analysiert und ii) Vorschläge zur Wiederverwendung von Designs oder für Designalternativen macht, und so die genannten Effekte kompensieren.

Trotz ihres Potenzials verläuft die Einführung von Künstlicher Intelligenz (KI) in der Industrie häufig verzögert, was vor allem auf empfundene Komplexität, hohe Kosten und fehlendes Fachwissen zurückzuführen ist. Dieser Beitrag präsentiert eine modulare Demonstrator-Referenzarchitektur, die einen praxisnahen und aufwandsarmen Zugang zu industriellen KI-Anwendungen eröffnet. Entwickelt im Rahmen eines Design-Science-Research-Ansatzes, unterstützt sie gezielt das Experimentieren, Lernen und die schrittweise Integration in bestehende Produktionsprozesse. Der Schwerpunkt liegt auf dem Maschinellen Sehen, realisiert mit kosteneffizienter Hardware und Open-Source-Software. Die Anwendbarkeit wird anhand dreier Szenarien aufgezeigt: Qualitätskontrolle, Spanklassifizierung und betriebliche Ausbildung. Erste Evaluationen bestätigen die technische Umsetzbarkeit, didaktische Relevanz und Übertragbarkeit auf verschiedene industrielle Kontexte.