Künstliche Intelligenz

Dashboards spielen eine Schlüsselrolle für fundierte Unternehmensentscheidungen. Dieser Beitrag zeigt anhand von Erkenntnissen eines Action-Research-Prozesses, wie unternehmensspezifische Lösungen systematisch entwickelt und Fehlinvestitionen vermieden werden können. Als kritisch erweisen sich insbesondere die Bereitstellung von IT-Kapazitäten, die Sicherung des Datenzugriffs, die Ausformulierung von Anforderungen und die Erarbeitung des Datenmodells.

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.

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.

Technische Systeme sind durch eine zunehmende Interdisziplinarität, Komplexität und eine immer stärkere Vernetzung gekennzeichnet. Produkt und Produktionssystem erfordern eine disziplinübergreifende Mehrzieloptimierung. Durch den Anspruch auf Nachhaltigkeit und Kreislauffähigkeit steigt die Komplexität nochmals. Die Leistungsfähigkeit bislang etablierter Verfahren der Ingenieurwissenschaften stößt an ihre Grenzen – die sich wiederum nur durch die systematische Einbeziehung von Daten überwinden lassen. Das ist Ziel einer „Hybriden Entscheidungsunterstützung“: Data Science und Künstliche Intelligenz sollen zur Ergänzung der menschlichen Fähigkeiten in Verbindung mit bisherigen Heuristiken, Methoden, Modellbildung und Simulation genutzt werden können, um die Leistungsfähigkeit der Produktentstehung zu erhöhen.