Open Access

Manufacturing companies face the challenge of managing vast amounts of unstructured data generated by various sources such as social media, customer feedback, product reviews, and supplier data. Text-mining technology, a branch of data mining and natural language processing, provides a solution to extract valuable insights from unstructured data, enabling manufacturing companies to make informed decisions and improve their processes. Despite the potential benefits of text mining technology, many manufacturing companies struggle to implement use cases due to various reasons. Therefore, the project VoBAKI (IGF-Project No.: 22009 N) aims to enable manufacturing companies to identify and implement text mining use cases in their processes and decision-making processes. The paper presents an analysis of text mining use cases in manufacturing companies using Mayring's content analysis and case study research. The study aims to explore how text mining technology can be effectively used in improving production processes and decision-making in manufacturing companies.

Marco Lohrey vom FIR e. V. an der RWTH Aachen spricht mit Florian Clemens, ehemaliger wissenschaftlicher Mitarbeiter am FIR im Bereich Informationsmanagement, über Anwendungsfelder Künstlicher Intelligenz und wie sich KI auf die Produktion auswirkt.

Die Umsetzung von KI-Projekten stellt Unternehmen vor große, unbekannte Herausforderungen und fordert von ihnen neue, häufig noch nicht vorhandene Kompetenzen. Für die erfolgreiche Umsetzung von Anwendungsfällen der Künstlichen Intelligenz ist ein Wandel der internen Kompetenzen eines Unternehmens essenziell. Insbesondere die Datenkompetenz – auch Data-Literacy genannt – ist ein fundamentaler Kompetenzbereich, der im Unternehmen gefördert und entwickelt werden muss.

Technologiemanagement – die Basis für die Entscheidung über Einsatz, Entwicklung oder Beschaffung sowie die Verwertung von Technologien – kann strategische Entscheidungen eines Unternehmens maßgeblich beeinflussen und damit über dessen Erfolg oder Misserfolg entscheiden. Grundlegende Vorlage für das Technologiemanagement sind Technologieradare, inklusive der Bestimmung des (TRL), um die Reife neu eingesetzter Technologien (z. B. Newcomer vs. Etablierte) bewerten zu können. Sowohl Technologieradare als auch der TRL werden in zeitaufwendigen, manuellen Recherchen von Fachleuten ermittelt. Dieser Prozess wird aufgrund der Weiter- und Neuentwicklung von Technologien häufig wiederholt, sodass die notwendige Recherche als Daueraufgabe bestehen bleibt. Das Forschungsprojekt ‚TechRad‘ (Laufzeit: 01.06.2019 – 31.05.2022) zielt deshalb darauf ab, die Identifikation des TRLs sowie den Aufbau der Technologie-Radare mittels Webcrawling und Natural-Language-Processing (NLP) zu automatisieren. Im Artikel werden die Erkenntnisse aus der Entwicklung in Form eines generischen Leitfadens zur Entwicklung autonomer Technologieradare zusammengefasst.

Diese Dissertation untersucht Text-Mining in produzierenden Unternehmen. Trotz seines Potenzials ist Text-Mining in dieser Branche bisher weitgehend ungenutzt geblieben, hauptsächlich aufgrund fehlender interner Fähigkeiten in Mathematik, Statistik und IT. Die Arbeit adressiert zwei zentrale Defizite: die Anforderungsdefinition und die Entwicklung von Text-Mining-Anwendungen. Ziel der Dissertation ist es, diese Defizite zu beheben, indem sie Fachbereiche in der Konzeptions- und Planungsphase unterstützt, aus generischen Anwendungsfällen Text-Mining-Funktionen und dafür relevante Methoden abzuleiten. Sieben Text-Mining-Anwendungsfälle wurden in produzierenden Unternehmen identifiziert und modelliert. Diese Anwendungsfälle umfassen 18 spezifische Text-Mining-Funktionen, die zu fünf abstrakten Text-Mining-Funktionen zusammengefasst wurden: Freitexteingabe unterstützen, Wissen bereitstellen, Information extrahieren, Stimmung bewerten und Text klassifizieren. Aktuelle Text-Mining-Methoden wurden in drei Phasen kategorisiert: Vorverarbeitung, Mining-Analyse und Ergebnisaufbereitung. Die Vorverarbeitung bereitet Texte für die Analyse vor, die Mining-Analyse umfasst Methoden wie Klassifikation und Clustering, und die Ergebnisaufbereitung visualisiert die Ergebnisse. Die Dissertation zeigt anschließend die Wirkungszusammenhänge zwischen den Text-Mining-Funktionen und -Methoden auf, was es produzierenden Unternehmen ermöglicht, geeignete Text-Mining-Methoden zu identifizieren und darauf aufbauend die notwendigen Fähigkeiten für Stellenausschreibungen und Bietergespräche zu definieren. Zwei Fallstudien evaluieren die Ergebnisse und zeigen, dass Text-Mining-Anwendungsfalldiagramme entscheidend zur Vermittlung und Nutzbarmachung von Text-Mining beitragen. Dadurch werden produzierende Unternehmen befähigt, die notwendigen Fähigkeitslücken für die Entwicklung von Text-Mining-Anwendungen zu schließen.