Datenqualität

Der Einsatz künstlicher Intelligenz (KI) transformiert Arbeitspraktiken in der industriellen Qualitätskontrolle grundlegend. Dieser Beitrag untersucht, wie technische Ansätze zur Datenqualität und Modelltransparenz einen ethischen KI-Einsatz unterstützen – insbesondere die Handlungsfähigkeit, das Vertrauen und eine nachhaltige Arbeitsgestaltung in automatisierten Oberflächeninspektionssystemen (ASIS). Wir identifizieren Herausforderungen wie Datenineffizienz, variable Modellzuverlässigkeit und begrenzte KI-Expertise, die ein menschenzentriertes Design sowie verantwortungsvolles Datenmanagement erfordern. Gemeinsam mit ASIS-Anbietern entwickelte und mit ASIS-Anwendern getestete Pilotlösungen zeigen, dass KI-Systeme Fachpersonal effektiv unterstützen und deren Fähigkeiten erweitern müssen. Wir schlagen technische Lösungen zur Erkennung von Anomalien, Label-Fehlern und Domain Drift vor, um die Modellzuverlässigkeit zu erhöhen. Transparenz in der Datenqualität stärkt ...

Digitale Zwillinge bieten großes Potenzial zur Effizienzsteigerung in der Logistik. Diese Digital Supply Chain Twins (DSCT) ermöglichen datengetriebene Entscheidungen und optimieren Prozesse auf Standort- und Netzwerkebene. Eine Untersuchung mittels Expertenworkshop zeigt, dass Unternehmen zwar Interesse an DSCT haben, aber Herausforderungen wie Datenqualität, akteursübergreifender Datenaustausch und Interoperabilität deren breite Implementierung hemmen. Während erste Pilotprojekte existieren, bleibt die Marktdurchdringung gering. Erfolgreiche Implementierung erfordert standardisierte Schnittstellen und vertragliche Rahmenbedingungen für den Datenaustausch. Im Ergebnis können DSCT langfristig Logistiknetzwerke resilienter und nachhaltiger gestalten.

Im Entwicklungsprozess werden Entscheidungen mit Wirkung auf die Nachhaltigkeit von Produkten getroffen. Mit zunehmendem Entwicklungsfortschritt können auch Aussagen zur Nachhaltigkeit konkretisiert werden. Während zunächst nur Abschätzungen anhand von verwandten Produkten und Prozessen möglich sind, können später etwa Betriebs- und Maschinendaten genutzt werden. Werden Metriken für Kennzahlen verwendet, sollte die Qualität der verwendeten Daten nachvollziehbar sein. Dazu werden relevante Datenqualitätskriterien und -indikatoren ausgewählt und in Bezug gesetzt. Die Verfügbarkeit von Daten kann gesteigert werden, indem die Produktentwicklung auf Partner in Datenökosystemen zurückgreift. Die Grundlage bilden Datenräume wie Gaia-X, Catena-X und Manufacturing-X.