Künstliche Intelligenz

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.

Künstliche Intelligenz hält Einzug in alle Unternehmensbereiche. Jedoch fehlt oft die Antwort auf eine zentrale Frage: Wer steuert eigentlich den Einsatz von KI? Zwischen Pilotprojekt und Strategie klafft eine Lücke, wenn Rollen unklar und Strukturen diffus bleiben. Dieser Beitrag zeigt anhand von vier konkreten Modellen, wie Unternehmen KI organisatorisch verankern können. Ohne Organisation bleibt KI Stückwerk, mit der richtigen Struktur kann sie erfolgreich in den Unternehmensalltag integriert werden.

Der Einsatz der ereignisdiskreten Simulation für komplexe Produktions- und Logistiksysteme wird trotz marktgängiger Simulationswerkzeuge immer herausfordernder. Er bedingt umfangreiches Fachwissen, eine hohe Datenqualität und zeitliche sowie finanzielle Ressourcen. Seit vielen Jahren wird daher die methodische und organisatorische Unterstützung der Durchführung von Simulationsstudien gefordert und erforscht. Dieser Beitrag möchte basierend auf einer Analyse einschlägiger Publikationen die bisherigen Forschungen zur Verbesserung des Simulationseinsatzes einordnen, die Frage nach der Notwendigkeit einer Assistenz für die Anwendung der ereignisdiskreten Simulation aufwerfen und Handlungsfelder aufzeigen.

In Deutschland sind Industrieunternehmen in einer zunehmend komplexen Welt mit dem demografischen Wandel und stagnierender Produktivität konfrontiert. Die manuelle Montage bleibt bei komplexen Produkten in geringen Stückzahlen unverzichtbar, doch Produktivität und Qualität leiden unter menschlicher Variabilität. Dieser Beitrag stellt ein Konzept für ein empathisches Montageassistenzsystem vor, das einen digitalen menschlichen Zwilling mit einer KI-basierten Schraubdatenanalyse in einer modularen Architektur vereint. Abweichungen im Schraubprozess werden klassifiziert, mit den abgeleiteten Zuständen der Mitarbeiter verknüpft und in Informationen und Handlungsempfehlungen überführt.

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 ...

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.

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.