Künstliche Intelligenz

EU-Regelungen fordern von Unternehmen intensivere und transparentere Nachhaltigkeitspraktiken. Damit die Industrie ihre Verantwortung wahrnehmenkann, muss sie viele ihrer Prozesse und Produkte anpassen. Besonders Künstliche Intelligenz (KI) bietet hierbei innovatives Potenzial. Zunächst muss die Technologie jedoch evaluiert werden, wobei der Fokus auf schwacher KI liegt – marktreife Systeme, die spezifische Aufgaben durch Algorithmen und datengestützte Modelle effizient ausführen.

Das Konzept visualisiert eine nachhaltige Lebensmittellieferkette durch den Einsatz von Künstlicher Intelligenz am Beispiel von Puten zur Förderung von Tierwohl und Lebensmittelqualität. Als Treiber wird der „Technology Push“ durch Künstliche Intelligenz entlang der Lebensmittellieferkette identifiziert. Im „Market Pull“ wird deutlich, dass Stakeholder Transparenz und Vermeidung von Lebensmittelverschwendung fordern.

Wegen der immer stärker fortschreitenden Durchdringung von KI in Unternehmen [1] scheint ein Ordnungsrahmen für Begrifflichkeiten und Betrachtungsaspekte der Anwendung von Künstlicher Intelligenz im Industrie 4.0-Kontext wünschenswert. Methoden der Künstlichen Intelligenz lassen sich nach verschiedenen Aspekten strukturieren. Auch Anwendungen innerhalb von Industrie 4.0 können mithilfe des RAMI-Frameworks oder mithilfe des ISA95-Standards in Ebenen und Prozessgruppen eingeordnet werden. Allerdings fehlt eine Taxonomie, welche die Klassifikation der Anwendungsbereiche mit den durch Machine-Learning-Methoden verbesserten Prozessen in Beziehung setzt, sie verortet und bewertet. Ein solcher Ordnungsrahmen hilft, neue Prozesse und Lösungen einzuordnen und unterstützt im Finden passender Machine-Learning-Verfahren für konkrete Problemstellungen im Industrie 4.0-Kontext.

Beschaffung hat grundsätzlich die Aufgabe, einer Organisation ihre benötigten, aber nicht selbst hergestellten Güter zur Verfügung zu stellen. Verträge sind dabei das zentrale Instrument zur Vereinbarung lieferantenseitiger Leistungen. In Verträgen ist der Leistungs-Gegenleistungsmechanismus festgeschrieben und zahlreiche rechtliche Fragestellungen wie Haftung, Gewährleistung usw. sind darin geregelt. Schon seit längerem werden Verträge digital mithilfe von Computerprotokollen abgebildet. Solche „elektronischen Verträge“ oder auch „Smart Contracts“ bilden die Logik der vertraglichen Regelungen technisch ab und erleichtern so die Überwachung des Leistungsaustauschs. Dies wird sich noch weiterentwickeln. Denn verbesserte Algorithmen und künstliche Intelligenz werden zukünftig in der Lage sein, Verträge nicht nur zu administrieren, sondern auch zu gestalten. Dieser Beitrag stellt den Status Quo dar und stellt vor, wie künstliche Intelligenz in der Beschaffung zur ...

Optimierung ist eine wesentliche Fragestellung in vielen Kontexten. Sei es Ressourcen-, Zeit-, Personal- oder nicht zuletzt auch Kosteneffizienz, regelhaft müssen Prozesse, Einstellungen, Zusammensetzungen - die Liste ließe sich beliebig fortsetzen − optimiert werden. Um das Optimierungsproblem zu lösen, gibt es viele unterschiedliche Techniken. Eine besondere Klasse stellen die evolutionären Algorithmen dar, sie zählen zu den populationsbasierten, heuristischen Verfahren. Sie erlauben auch die Optimierung von Problemen mit vielen lokalen Optima oder stark durch Nebenbedingungen eingeschränkten Suchräumen. Gleichzeitig sind sie in der Lage, im Rahmen eines einzelnen Optimierungslaufs mehrere Lösungsmöglichkeiten vorzuschlagen. Ein besonderer Aspekt bei der Verwendung von evolutionären Algorithmen ist die Wahl der korrekten Kodierung oder die wohldefinierte Spezifikation einer Kodierung. Insbesondere bei der Optimierung eines Prozesses, der aus sich wiederholenden ...

Laut acatech [1] gewinnt Künstliche Intelligenz (KI) zunehmend an Bedeutung für den Erfolg produzierender Unternehmen. Die entstehenden datengetriebenen Lösungen im Bereich der Produktion sind gekennzeichnet durch ihre Vielfalt. Sowohl die Prozesse, in denen die Lösungen eingesetzt werden, als auch der Standort (verschiedene Fabriken, Fabrikteilbereiche, etc.) der Lösungen unterscheiden sich. Häufig werden die Lösungen zudem kaum über die Pilotgrenzen hinaus skaliert. Am Ende eines KI-Projekts sind die Ziele eines Anwendungsfalls erfüllt, für die IT-Systemlandschaft kommt jedoch oft eine weitere Insellösung hinzu. Die entstehenden Daten werden nicht weiter verwertet, eine aufwändige Wartung macht die gewonnenen Effizienzen zunichte.