Künstliche Intelligenz

Künstliche Intelligenz hält Einzug in alle Unternehmensbereiche. Jedoch fehlt oft die Antwort auf eine zentrale Frage: Wer steuert eigentlich den Einsatz von KI? Zwischen Pilotprojekt und Strategie klafft eine Lücke, wenn Rollen unklar und Strukturen diffus bleiben. Dieser Beitrag zeigt anhand von vier konkreten Modellen, wie Unternehmen KI organisatorisch verankern können. Ohne Organisation bleibt KI Stückwerk, mit der richtigen Struktur kann sie erfolgreich in den Unternehmensalltag integriert werden.

Der Einsatz der ereignisdiskreten Simulation für komplexe Produktions- und Logistiksysteme wird trotz marktgängiger Simulationswerkzeuge immer herausfordernder. Er bedingt umfangreiches Fachwissen, eine hohe Datenqualität und zeitliche sowie finanzielle Ressourcen. Seit vielen Jahren wird daher die methodische und organisatorische Unterstützung der Durchführung von Simulationsstudien gefordert und erforscht. Dieser Beitrag möchte basierend auf einer Analyse einschlägiger Publikationen die bisherigen Forschungen zur Verbesserung des Simulationseinsatzes einordnen, die Frage nach der Notwendigkeit einer Assistenz für die Anwendung der ereignisdiskreten Simulation aufwerfen und Handlungsfelder aufzeigen.

Der Fokus bisheriger Arbeitssystemmodelle lag auf einer oder mehreren arbeitenden Personen, die innerhalb der definierten Systemgrenzen die einzigen (intelligenten) Akteure sind. Die Einführung generativer Künstlicher Intelligenz (GenAI) in Arbeitssysteme, insbesondere als intelligenter und autonomer Akteur (Agent) mit potenziell spezifischen sozialen Fähigkeiten und Persönlichkeitsmerkmalen, erfordert eine Neukonzeption von Arbeitssystemen. Dieser Artikel adressiert neue Anforderungen im Zusammenhang mit der Einführung von GenAI und entwickelt ein menschzentriertes KI-gestütztes Arbeitssystemmodell, das die erheblich erweiterten Fähigkeiten von kollaborativen sozialen Robotern berücksichtigt.

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.