Künstliche Intelligenz

Motion-Mining® ist eine Technologie, die mittels Bewegungssensoren und Mustererkennung eine automatisierte Prozessabbildung und Analyse manueller Arbeit ermöglicht. Dieser Beitrag bewertet die Vorteile und Grenzen ihres Einsatzes in Produktions- und Logistikprozessen. Dazu wird Motion-Mining® mit traditionellen Lean-Management-Tools zum Analysieren manueller Tätigkeiten verglichen. Erfahrungen aus vier Use Cases bieten Entscheidungsunterstützung bei der Auswahl der geeigneten Methode für einen bestimmten Anwendungsfall.

Die komplexe Dynamik von Blocklagern stellt die manuelle Bestandserfassung vor große Herausforderungen. Häufiges Umlagern von Paletten, Kisten oder Gitterboxen ohne feste Stellplätze führt zu einem zeitaufwändigen und fehleranfälligen Prozess, bei dem Waren oft gesucht werden müssen und Schäden durch unsachgemäße Lagerung auftreten können. Der Einsatz von (teil-)autonomen Fahrzeugen bietet eine vielversprechende Lösung, um eine automatisierte Bestandserfassung zu ermöglichen – insbesondere wenn sie mit einer optischen Erfassung der Waren ausgestattet sind.

Die Circular Economy (CE) verspricht einen nachhaltigeren Umgang mit Ressourcen, indem Produkte im Kreislauf geführt werden und eine Transformation von einer linearen zu einer zirkulären Supply Chain angestrebt wird. Erfahren Sie hier, weshalb digitale Technologien als Enabler für die CE seit einigen Jahren zurecht verstärkt in Forschung und Praxis untersucht und angewendet werden.

Das fachgerechte Recycling von ausgedienten Kühlgeräten spielt eine wichtige Rolle beim Schutz der Umwelt und des Klimas. Recyclinganlagen unterliegen regelmäßigen Audits, um die Einhaltung strenger Umweltvorschriften zu gewährleisten. Die Erhebung von prüfungsrelevanten Daten stellt jedoch eine anspruchsvolle und zeitaufwändige Aufgabe dar, da sie überwiegend manuell erfolgt und fehleranfällig ist. Ein Lösungsansatz für eine nachhaltigere und effizientere Überwachung ist die automatisierte digitale Datenerfassung mithilfe von Sensoren und Künstlicher Intelligenz. Dies ermöglicht eine direkte Schätzung vom erwarteten Umfang der enthaltenen Schadstoffe. Damit ebnet sie den Weg für eine kontinuierliche Leistungsüberwachung und ein effizientes Management von Kühlgeräte-Recyclinganlagen.

Die Verrentung der Babyboomer-Generation stellt Unternehmen vor Herausforderungen. Insbesondere ein möglicher Verlust von implizitem Erfahrungswissen steht hierbei im Fokus. Dieses Wissen ist meist nur in den Beschäftigten verankert, schwierig zu explizieren und zu übertragen. Das Projekt KI_eeper zielt darauf ab, ein effizientes KI-basiertes System zu entwickeln, das implizite Erfahrungswissen automatisiert im Arbeitsprozess identifiziert und abspeichert. Die so geschaffene Wissensbasis soll als Assistenz im Arbeitsprozess allen Beschäftigten Hilfestellung bieten. Das System wird in Zusammenarbeit mit den Beschäftigten im Betrieb bedarfsgerecht gestaltet.

In diesem Beitrag werden verschiedene Prognoseverfahren und -modelle zur Vorhersage von kritischen Situationen in den Supply Chains von Unternehmen in der Automobil- und Elektronikindustrie untersucht, wobei der Schwerpunkt auf deutschen Unternehmen liegt. Anhand eines Vergleichs der Leistungsfähigkeit branchenüblicher Modelle soll eine Empfehlung eines Best-Practice-Modells für die Branche ermittelt werden. Um die Anwenderbarkeit der Modelle und der einhergehenden Erkenntnis aufzuzeigen, werden reale Geschäftsszenarien diskutiert, die die Rolle des Risikomanagements in den Abteilungen Einkauf/Beschaffung oder Supply Chain Management umfassen. Im Vergleich wurde ermittelt, dass das effektivste Modell für die Vorhersage von Krisen in der Automobilindustrie das Vector-Auto-Regressionsverfahren/VAR-Modell ist, während das Early-Warning-System/EWS-Modell am besten für die Elektronikindustrie geeignet ist. Darüber hinaus wurden die wichtigsten Risikofaktoren ermittelt, die ...

Künstliche Intelligenz (KI) kann einen großen Beitrag zur Zukunftsfähigkeit unserer Wirtschaft und Gesellschaft leisten - sei es durch Verbesserung bestehender Prozesse oder neue Produkte und Services, die mehr Effizienz, robustere Strukturen und mehr Klimaschutz versprechen. Aktuell zeigen sich insbesondere Mittelständler beim Einsatz von KI-Systemen jedoch noch zurückhaltend. Der häufig genannte Grund: Die datenschutzrechtlichen Hürden erscheinen zu hoch. Der Beitrag ventiliert die Chancen einer datenbasierten Wertschöpfung. Zentrale Frage ist, wie sich in der Industrie mit KI-Anwendungen aus Daten wirtschaftlicher Mehrwert generieren lässt und dabei Datenschutz und -sicherheit zu wahren sind.