Layouted

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.

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.