Refine
Year of publication
- 2019 (217) (remove)
Document Type
- Contribution to a Periodical (78)
- Master's Thesis (35)
- Conference Proceeding (26)
- Part of a Book (13)
- Working Paper (13)
- Report (12)
- Bachelor Thesis (10)
- Book (8)
- Lecture (7)
- Doctoral Thesis (6)
Language
- German (164)
- English (51)
- Multiple languages (2)
Is part of the Bibliography
- no (217)
Keywords
- 5G (5)
- 5G mobile communication (1)
- 5G-Mobilfunk (1)
- 5G.NRW (1)
- AM4Industry (2)
- Aachener Implementierungsmodell (1)
- Abweichungsbewältigung (1)
- Abweichungsmanagement (2)
- Adaptation models (1)
- Additive/Rapid Manufacturing (AM) (1)
Institute
- FIR e. V. an der RWTH Aachen (217)
- Produktionsmanagement (61)
- Dienstleistungsmanagement (53)
- Informationsmanagement (46)
- Business Transformation (19)
Die vorliegende Publikation beinhaltet die Projektergebnisse des Forschungsprojekts „FlAixEnergy – Innovative Energieflexibilitätsplattform zur Synchronisation und Vermarktung des regionalen Stromverbrauchs industrieller Anwender mit dezentraler Energieerzeugung in der Modellregion Aachen“ (Förderkennzeichen 0325819A-I). Dieses Forschungs- und Entwicklungsprojekt wurde mit Mitteln des Bundesministeriums für Wirtschaft und Energie (BMWi) gefördert und vom Projektträger Jülich (PTJ) betreut. Die Autoren sind für den Inhalt der Veröffentlichung verantwortlich.
Systeme (ERP/Enterprise-Resource-Planning) stellen in produzierenden Unternehmen das Rückgrat für die Auftragsabwicklung dar. Sie bilden den betrieblichen Informationsfluss vom Eingang der Kundenanfrage bis zum Versand des Produkts an den Kunden ab. Damit ein Unternehmen sämtliche Funktionalitäten nutzen kann, muss das ERP-System über die benötigten Funktionsmodule und die dazugehörigen Lizenzen verfügen. Viele kleine und mittlere Unternehmen besitzen nicht die nötigen personellen und finanziellen Ressourcen, um ihr ERP-System vollständig zu nutzen. Im schlimmsten Fall kommt das System dort lediglich zum Drucken von Belegen, wie Rechnungen, Lieferscheinen oder Auftragsbestätigungen zum Einsatz. Statt die Funktionalitäten etwa zur Bedarfsplanung in der Disposition anzuwenden, greifen manche Mitarbeiter lieber auf Microsoft-Excel-Tabellen zurück. Das erhöht die Systemkomplexität und macht zusätzliche Schnittstellen nötig.
Der Marktspiegel "Business Software ERP/PPS 2019/2020" ist ein Werk, welches einen schnellen Überblick über den Markt für ERP/PPS-Software vermittelt. Der einführende Teil schafft Transparenz hinsichtlich des Begriffs ERP/PPS und hinsichtlich der Struktur von Planungsaufgaben innerhalb des Begriffs ERP/PPS. Es folgt eine grundlegende Bewertung der untersuchten ERP/PPS-Software im Hinblick auf die Aufgabenunterstützung. Anschließend werden konkrete Hilfestellungen für die Durchführung eines Projektes zur Auswahl eines ERP/PPS-Systems gegeben. Schließlich bietet der Marktspiegel eine Übersicht über die relevanten ERP/PPS-Anbieter, deren Software-Angebot und typische Implementierungsprojekte.
Industrie 4.0 bringt enorme Veränderungen und bietet große Verbesserungspotenziale für die Produktionsplanung und -steuerung. Aufbauend auf dem Aachener PPS-Modell wird in diesem Beitrag in Anlehnung an den Industrie-4.0-Maturity-Index der acatech eine reifegradbasierte Untersuchung der Entwicklung der Produktionsplanung und -steuerung im Kontext von Industrie 4.0 präsentiert.
Künstliche Intelligenz ist eine der Schlüsseltechnologien der Digitalen Transformation. Auch das ERP-System, also der digitale Prozess- und Datenhub in Unternehmen, wird zunehmend mit KI-Technologien angereichert. Bis dato sind jedoch die Zahl der Anwendungsfälle im ERP-Umfeld und das Angebot der ERP-Anbieter im Bereich KI noch überschaubar. KI in Business Anwendungen wird zukünftig jedoch viele Facetten haben. So werden KI-gestützte Datenanalytik, Prognosesysteme, Suchmaschinen, maschinelle Übersetzungen, Bots und wissensbasierte Expertensysteme sehr schnell Einzug in Geschäftsanwendungen halten. Somit steht fest: Die Einbindung und Nutzung von Künstlicher Intelligenz wird die ERP-Landschaft deutlich verändern.
Ausgangspunkt des Forschungsvorhabens war die Frage, ob und wie KI in kreativen Schaffensprozessen wertschöpfend eingesetzt werden kann. Diese wurde vor allem vor dem Hintergrund gestellt, dass in der produzierenden Industrie verschärfte Anforderungen an die Time-to-Market gestellt werden und KI in den komplexen Bereich der Produktentwicklung vordringt (s. Purdy u. Daugherty 2017, S. 13). Als Herausforderung wurde dabei das mangelnde Knowhow vor allem kleiner und mittelständischer Unternehmen zum Thema KI identifiziert (s. Bundesregierung der Bundesrepublik Deutschland 2018, S. 21). Somit wurde das Ziel gesetzt, KMU in der produzierenden Industrie Anwendungsmöglichkeiten kreativer künstlicher Intelligenz und Empfehlungen zu deren Analyse und Umsetzung bereitzustellen.
Die Vielzahl an Definitionen von KI machte eine Einigung auf ein gemeinsames Verständnis des Begriffes für den Rahmen der Arbeit notwendig. Hier wurde die Interpretation von Rich et al. gewählt, die besagt, dass KI das Studium ist, Computer Dinge tun zu lassen, die momentan von Menschen besser erledigt werden (s. Rich et al. 2009, S. 3). Aufbauend auf einer fortführenden Analyse des Kreativitätsbegriffes wurde eine Definition von Creative AI erarbeitet, die fortan als Oberbegriff der in der Arbeit thematisierten Applikationen diente. In der Begriffsabgrenzung wurde der Fokus auf die Generierung und Evaluation neuartiger und nützlicher Ideen gelegt. Zum Abschluss des Grundlagenkapitels wurden relevante KI-Algorithmen in ihrer Funktionsweise und Zielsetzung erklärt. Dabei wurden verschiedene neuronale Netzwerke, der Begriff Deep Learning, sowie Expertensysteme und lokale KI-Suchalgorithmen behandelt.
Bei einer anschließenden Analyse des Status Quo wurde das große Wertschöpfungspotenzial von künstlicher Intelligenz näher untersucht. Dabei wurde die Fähigkeit von KI, Komplexität im Automatisierungsprozess zu reduzieren als wichtiger Faktor identifiziert (s. Aggarwal 2018, S. 3; Domingos 2015, S. 5f; Purdy u. Daugherty 2017, S. 10f). Als zweiter Baustein des Erkenntnisstandes wurde der Ist-Zustand kreativer Wertschöpfung anhand populärer Kreativitätstechniken betrachtet. Bei der Analyse dieser Methoden fielen charakteristische Schwächen auf, die unter anderem auf den kognitiven Unzulänglichkeiten des menschlichen Gehirns basieren (s. Ehrlenspiel 2009, S. 70f). Mit dieser Übereinstimmung von Angebot und Nachfrage nach Komplexitätsreduktion wurde ein Nutzen der Implementierung von KI in kreativen Schaffensprozessen bestätigt. Aufgrund einer anschließend identifizierten modelltheoretischen Separation der drei Forschungsfelder KI, Kreativität und Wirtschaftlichkeit wurde der Handlungsbedarf festgestellt, dass für die Umsetzung dieser Rationalisierung zunächst neue Theorie generiert werden muss.
Die zu erarbeitenden Beurteilungskriterien und Gestaltungsregeln wurden dabei auf Referenzmodellen aus der angewandten Wissenschaft aufgebaut. Für die Schaffung Auswertung der benötigten Faktengrundlage wurde die Fallstudienforschung nach Eisenhardt gewählt, unterstützt durch Ratschläge von Yin. Für die deskriptive Einordnung wurde der morphologische Kasten nach Zwicky herangezogen, für das normativ-präskriptive das Technologieportfolio nach Pfeiffer. Das Referenzmodell eines vernetzten Unternehmens als Implementierungsumgebung wurde durch das Internet of Production bereitgestellt.
Bei der Präzisierung der Übereinkunft von Angebot und Nachfrage nach Komplexitätsreduktion wurde festgestellt, dass der Bedarf an Kreativität in Unternehmen und Unterstützung durch KI vor allem im Development Cycle des IoP eine Schnittmenge aufweist. Der Aufgabenbereich dieses Cycle wurde somit zur Identifikation und Auswahl der Fallbeispiele verwendet. Die neun identifizierten Studien zu Creative AI sind in Tabelle 5‑1 zusammengefasst. Sie stammen aus den Bereichen der Texterstellung, Grafik- und Formdesign, Konstruktion und Layoutplanung und erstrecken sich von kommerzieller Software bis hin zu Forschungsprototypen. Aufbauend auf dieser Datenbasis wurde der morphologische Kasten erstellt. Er umfasst sechs Merkmale kreativer KI, die in jeweils zwei bis maximal sechs Ausprägungen differenziert wurden (s. Abbildung 5‑2). Diese Merkmale wurden um wertende Kriterien ergänzt, um das Technologieportfolio zu erstellen (s. Abbildung 5‑5). Eine Abschließende Einordnung der Modelle in das Technologieportfolio anhand von Experteninterviews und den Fallstudiendaten diente zur Validierung der internen Konsistenz des Modells. Dabei wurden vor allem dem NLP mit Deep Learning ein großes Potenzial zugeschrieben (s. Abbildung 6‑1).
Die in dem obenstehenden Absatz referenzierten Ergebnisse liefern einen wissenschaftlichen Beitrag zur Förderung der Anwendung von KI in kleinen und mittelständischen Unternehmen. Durch die empirische Ausrichtung der Fallstudienforschung wurde eine hohe Praxisnähe der erstellten Modelle angestrebt. Bei der Selektion der Fallstudien wurde auf die Inklusion polar unterschiedlicher Beispiele geachtet, sodass eine breite Palette der Anwendungsmöglichkeiten von Creative AI präsentiert wird. Mit dem Gebrauch von Referenzmodellen aus den angewandten Wissenschaften wurde Wert auf die praktische Verwendbarkeit der Erkenntnisse gelegt (s. Ulrich 1981, S. 18-20). Durch die grafische Präsentation von Zwischenergebnissen wird die Verständlichkeit und Verfügbarkeit der Informationen erhöht. Weiterhin werden grundlegende KI-Algorithmen erklärt und die verwendeten Hauptquellen für ein weiteres Grundlagenstudium des Themas bereitgestellt. Bei potenzieller praktischer Anwendung stehen somit Orientierungspunkte umgesetzter Applikationen, sowie das modelltheoretische Werkzeug, die eigene Implementierung zu strukturieren und zu evaluieren, bereit.