Künstliche Intelligenz

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.

Die Einführung Digitaler Zwillinge (DZ) scheitert oft an hohen Kosten, technischer Komplexität und fehlenden Fachkenntnissen. Diese Studie stellt ein kostengünstiges Modell eines DZ, welches mit Technology Readiness Level (TRL) 5 validiert ist. Es wurde innerhalb von nur zwei Wochen mithilfe von Open-Source-Lösungen und gängigen Unternehmenswerkzeugen entwickelt und integriert sensorbasierte Echtzeitdaten, prädiktive Analysen, Anomalieerkennung und automatisierte Benachrichtigungen, um Effizienz und Nachhaltigkeit in der Landwirtschaft zu steigern. Das System erreicht eine durchschnittliche relative Abweichung von nur 7,76 % und gibt automatisierte Warnungen in Echtzeit aus. Die Ergebnisse zeigen, wie fortschrittliche digitale Werkzeuge durch die Kombination von Open-Source-Technologien und Standardwerkzeugen zugänglich gemacht werden können: skalierbar, menschenzentriert und erschwinglich im Sinne von Industrie 5.0.

Der KI-basierte selbstlernende Digitale Zwilling passt sich automatisch an das reale Systemverhalten an und stellt jederzeit ein optimales Abbild eines Produktionsprozesses dar. Ein ausdrucksstarkes, semantisches Gesamtmodell dient als Basis für neuartige Ansätze der künstlichen Intelligenz (KI). Die mittels Methoden der KI gewonnenen Erkenntnisse werden in das Gesamtmodell integriert und so die Interpretierbarkeit und Erklärbarkeit der KI-Modelle verbessert. Methoden aus dem Bereich der eXplainable AI ermöglichen die automatische Beschreibung von KI-Modellen und deren Erkenntnisse sowie den Aufbau selbsterklärender Modelle.

Die rasante Entwicklung von generativer Künstlicher Intelligenz weist der produzierenden Industrie neue Wege inmitten des Fachkräftemangels. Mit Large Language Models lassen sich Produktionsabläufe in mittelständischen Unternehmen potenziell effizienter machen. Doch woran bemisst sich diese Stärke genau? Zentrale Einsatzfelder wie Kommunikation, Weiterbildung und Wissensmanagement zeigen, warum auch hier viel von der Akzeptanz der Mitarbeitenden abhängt.