Künstliche Intelligenz

Digitale Zwillinge sind ein wichtiger Bestandteil des Industrie 4.0-Gedankens. Sie spiegeln physische Güter in der digitalen Welt wider und erweitern diese mit zusätzlichen Fähigkeiten und Funktionen zur Analyse, Prognose und Entscheidungsfindung. Aufgrund der vielfältigen Gestaltungsmöglichkeiten von Digitalen Zwillingen sind auch ihr Design und ihre Implementierung sehr vielfältig. Diese Publikation leistet einen Beitrag zur Klassifikation und Bewertung von Digitalen Zwillingen mittels eines mehrdimensionalen Reifegradmodells. Die präsentierte Methode „DT-Assess“ ermöglicht eine anwendungsspezifische Bewertung von Digitalen Zwillingen. Die Entwicklung der Methode folgte der Vorgehensweise zur Entwicklung von Reifegradmodellen für das IT-Management. Das entwickelte Reifegradmodell besteht aus sieben Kategorien mit insgesamt 31 zu bewertenden Merkmalen. Die systematische Evaluation in fünf Anwendungsszenarien erlaubt erstmalig eine Einordnung der jeweiligen „Digitale ...

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).

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.

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.

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.

Der intensive globale Wettbewerb, kürzer werdende Produktlebenszyklen und eine zunehmende Variantenvielfalt erfordern flexible und wandlungsfähige, aber zugleich wirtschaftliche Produktions- und Logistiksysteme. Insbesondere in der Kontraktlogistikbranche werden aufgrund der kurzen Vertragslaufzeiten (ca. zwei bis drei Jahre) häufig Logistiksysteme bzw. Fabrikabschnitte neu geplant. Das Wissen über die kundenspezifischen Prozesse sowie die kundenindividuelle Konfiguration der Logistiksysteme liegt implizit bei den Planer*innen. Durch den Einsatz eines KI-basierten Assistenzsystems soll dieses Wissen erfasst und aufbereitet werden, sodass der Planungsprozess beschleunigt wird und gleichzeitig die Planungsqualität weniger individuellen Schwankungen unterliegt. In diesem Beitrag wird beschrieben an welchen Stellen des Planungsprozesses ein Bedarf für eine Unterstützung durch ein auf künstlicher Intelligenz (KI) basierendes Assistenzsystem besteht und wie die digitale Plattform ...

In den letzten Jahren hat das Quantencomputing neue Erfolge erzielt, wie z. B. das Quantenüberlegenheitsexperiment von Google [1] und es zeigt sich, dass es von großen Industrieunternehmen zur Lösung komplexer Probleme eingesetzt wird. Aber was hat zu dieser Entwicklung geführt? Welche Arten von Problemen können wir in naher Zukunft erwarten, die mit Quantencomputing zu lösen sind? Auf welche Herausforderungen stoßen wir bei dieser Technologie und ihrem Einsatz im industriellen Umfeld?

Aufgrund der Vielzahl verschiedener Machine-Learning-Verfahren und der Modellierungskomplexität besteht unter Ingenieuren häufig Unsicherheit gegenüber der effizienten Anwendung von Machine Learning (ML). Daher bleibt der Einsatz von ML-Anwendungen in verarbeitenden Unternehmen hinter den technischen Möglichkeiten zurück. In diesem Beitrag wird ein intuitiver Handlungsleitfaden für Ingenieure vorgestellt, der diese Unsicherheit verringern soll. Der Handlungsleitfaden führt in sechs Schritten durch ein ML-Projekt. Der ML-Kompass schlägt dem Anwender für gängige ingenieurstechnische Problemstellungen der Produktentwicklung und Produktion ML-basierte Algorithmen, die in der Praxis verwendet werden, vor. Anhand eines Industriebeispiels wird die Funktionsweise demonstriert.

Die politische Initiative „Industrie 4.0“ soll deutschen Fertigungsunternehmen bei der Nutzung von Datenpotenzialen helfen. Gerade die Instandhaltung ist mit heutigen Ansätzen bisher unzureichend proaktiv gestaltet. Einen Lösungsweg bieten auf künstlicher Intelligenz (KI) gestützte Entscheidungsunterstützungssysteme, welche eine vorausschauende Maschinenwartung erlauben. Der undurchsichtige Entscheidungsprozess der KI stellt jedoch ein Hindernis für Nutzer dar, welches die Effektivität solcher Systeme gefährdet. Dieser Beitrag beleuchtet daher sowohl technische als auch soziale Faktoren für den Einsatz von KI im Rahmen von Industrie 4.0.