Künstliche Intelligenz

Künstliche Intelligenz (KI) ist bereits heute ein wichtiger Bestandteil der Geschäftsmodelle und Prozesse vieler Unternehmen. In naher Zukunft werden KI-Systeme unsere Arbeitswelt tiefgreifend verändern. KI-Systeme können dabei für Unternehmen der unterschiedlichsten Branchen und Domänen - insbesondere in der Industrie - völlig neue Potenziale entfalten. Bestehende Geschäftsmodelle können entlang der Wertschöpfungskette optimiert werden, indem Produktionsabläufe und Prozesse optimiert oder mit vorausschauender Wartung Stillstände in der Produktion vermieden werden (2). Gleichzeitig können KI-Systeme völlig neue Geschäftsmodelle ermöglichen und damit bestehende Marktstrukturen durch neue Akteure radikal verändern. Die KI-Wirtschaft von morgen wird individueller, präziser und nachhaltiger sein: Eine wettbewerbsfähige Wertschöpfung ohne KI wird in vielen Bereichen der Industrie nicht möglich sein (1).

Die additive Fertigung hat sich als Produktionsverfahren etabliert und auch Einzug in die Modeindustrie gefunden, in der individualisierte Schuhe im 3D-Druckverfahren hergestellt werden. Die Herstellung von solchen Einzelstücken stellt jedoch hohe Herausforderungen an eine automatisierte Qualitätskontrolle, da durch die vergleichsweise geringen Stückzahlen auch wenig Informationen über mögliche Defekte erzeugt werden. In diesem Beitrag wird ein Vorgehen zur Qualitätskontrolle durch Nutzung eines Autoencoders vorgestellt, welcher mittels Bildern von defektfreien Testobjekten so trainiert wird, dass auftretende Anomalien erkannt werden können. Mit einem ROC AUC score von 0,87 zeigen erste Tests vielversprechende Ergebnisse und belegen, dass durch diese Methode Defekte an den verwendeten Schuhmodellen erkannt werden können.

Ein wichtiger Baustein für Unternehmen, um mit den Anforderungen der Arbeitswelt umzugehen, ist die kontinuierliche und bedarfsspezifische Weiterbildung der Mitarbeitenden. Die Möglichkeit von arbeitsplatznahem Lernen spielt dabei eine große Rolle. Im Folgenden wird beleuchtet, welche Formen digitaler Assistenzsysteme aktuell für die gezielte Unterstützung des arbeitsplatznahen Lernprozesses eingesetzt werden und welche Gestaltungsdimensionen bei der Einführung entsprechender Systeme relevant sind. Abschließend wird der unterstützende Einsatz von Künstlicher Intelligenz zur Gestaltung bedarfs- und personenspezifischer Lernprozesse beleuchtet.

Der Prozess der Digitalisierung fordert von kleinen und mittelständischen Unternehmen (KMU) ihre Arbeits- und Produktionsprozesse zu überdenken. Ausgelöst durch diesen Wandel besteht die Anforderung sowohl die Produktion als auch die Mitarbeiterorganisation umzustrukturieren. In Folge dessen ändern und erweitern sich nicht nur die Tätigkeitsprofile der Mitarbeitenden, sondern auch die Art und Weise der Wissensvermittlung. In bestehende Ausbildungsprogramme sollten innovative und digitalisierte Formate integriert und gebrauchstauglich auf mobilen Endgeräten dargeboten werden. Daher bedarf es geeigneter und zielgruppenspezifischer Lehr-/Lernformate, die partizipative Methoden und digitale Kollaboration unterstützen.

Künstliche Intelligenz (KI) ist die nächste Stufe der Digitalisierung der Wirtschaft. Auch für kleine und mittlere Unternehmen (KMU) bietet die Technologie großes Potenzial. Viele Mittelständler sind aber bei der KI-Einführung noch zurückhaltend und stehen bei der Digitalisierung erst am Anfang: Nur rund ein Fünftel aller KMU in Deutschland hat die eigenen Prozesse und Abteilungen durchghend digitalisiert [1]. Was bedeutet das für den Einsatz von KI in den Unternehmen? Welche Schritte sollten die Betriebe jetzt unternehmen, um die Chancen von KI zu nutzen? Und welche Stolpersteine gilt es zu vermeiden? Dieser Beitrag stellt praktische Umsetzungskonzepte für Unternehmen mit unterschiedlichen digitalen Reifegraden und KI-Einsatzfähigkeiten vor und zeigt die Bandbreite der Nutzenpotenziale von KI-Anwendungen in verschiedenen Branchen und mit unterschiedlichen Wertschöpfungsarchitekturen in mittelständischen Unternehmen auf.

Deep Learning-basierte Methoden zur Fehlererkennung sind traditionellen Methoden aufgrund der stetig steigenden Komplexität technischer Systeme und der damit verbundenen Flexibilität und Skalierbarkeit von Deep-Learning-Techniken überlegen. Dieser Beitrag stellt die KrakenBox vor − einen autonomen Deep Learning-basierten Fehlerdetektor für Cyber-Physische-Produktions-Systeme (CPPS). Dieser nutzt ein in der Komplexität speicherreduziertes Long Short-Term Memory (LSTM) Netzwerk, das zur Online-Fehlererkennung geeignet ist und auf einer eingebetteten Plattform wie dem NVIDIA Jetson AGX Xavier oder der Google Coral Edge TPU eingesetzt werden kann. Dieser Beitrag beschreibt die Architektur der KrakenBox und demonstriert ihre Anwendung anhand von zwei Fallstudien.

One of the success factors for the realization of digital platforms for the exchange of production capacities is the speed at which offers can be generated. In addition, access to and use of the platforms should be as simple as possible. On the other hand, detailed information at machining process level is required for the generation of corresponding production plans on the platform in order to enable an efficient matching of requests and offers. In the present article, we propose to analyze technical drawings of the requested part using an artificial neural network to derive the machining processes. A major challenge here is multi-label image classification, since a technical drawing usually contains several machining processes. Furthermore, the occurring problem of the unbalanced dataset and the resulting improvement of the dataset via image augmentation is discussed. Finally, the performance of the developed model on the test data is demonstrated and a recursive method for improving ...

Um künstliche Intelligenz nutzen zu können, braucht ein Unternehmen nicht zwingend einen ausgewiesenen Fachmann. Die Fraunhofer-Studie »Cloudbasierte KI-Plattformen - Chancen und Grenzen von Diensten für Machine Learning as a Service« zeigt, wie kleine und mittlere Unternehmen stattdessen vorgehen können. Dieser Beitrag fasst Argumente und Ergebnisse der Studie zusammen, Zitate daraus sind daher nicht entsprechend markiert.