Künstliche Intelligenz

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.

Der Wettbewerbsdruck in der Kontraktlogistikbranche ist groß. Logistikanbieter müssen schnell und mit überzeugenden Konzepten auf Ausschreibungen reagieren. Dieser Beitrag zeigt erste Ansätze, wie die Prozessplanung der Logistik im Ausschreibungsmanagement mit Methoden des überwachten Lernens beschleunigt werden kann. Unter der Prämisse, dass ähnliche Prozesse aus vergangenen Projekten auf ein neues Projekt übertragen und angepasst werden können, schlägt ein KI-basiertes Assistenzsystem während der Planung mittels Methoden des überwachten Lernens geeignete Prozessschritte in Form von MTM-Codes (Methods-Time Measurement) vor. Dieses Vorgehen beschleunigt die Prozessplanung und kann zu einer Steigerung der Qualität der geplanten Logistikkonzepte führen.