Open Access

Networked digitalisation as an enabler for smart products and data-based business models presents companies with numerous and diverse challenges on their way through the digital transformation. Various reference architecture models have been developed in recent years to support these companies. A detailed analysis of these and in particular their use by companies quickly showed that currently existing reference models have major weaknesses in their practical suitability. With the Aachen Digital Architecture Management (ADAM), a framework was developed that specifically addresses the weaknesses of existing reference architectures and specifically takes up their strengths. As a holistic model, specially developed for use by companies, ADAM structures the digital transformation of companies in the areas of digital infrastructure and business development starting from customer requirements. Systematically, companies are enabled to drive the design of the digital architecture, taking into account design fields. The description of the design fields offers a detailed insight into the essential tasks on the way to a digitally networked company. The model is not only a structuring aid, but also contains a construction kit with the design fields to configure the procedure in the digital transformation. The procedure differentiates between the development of the digitalisation strategy and the implementation of the digital architecture. Three different case studies also show how ADAM is used in industry, what structuring support it can provide and how the digital transformation can be configured. The breadth and depth of ADAM enable companies to take the path of digital transformation systematically and in a structured manner, without ignoring the value-creating components of digitalisation. This qualifies ADAM as a sustainability-oriented framework, as it places the economic scaling, needs-based adaptation and future-oriented robustness of solution modules in the focus of digital transformation.

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.

Mit den neuesten Technologietrends auf dem Laufenden zu bleiben, ist für Fertigungsunternehmen eine entscheidende Aufgabe, um auf einem global wettbewerbsfähigen Markt erfolgreich zu bleiben. Die Erstellung eines Technologieradars ist ein etablierter, jedoch meist manueller Prozess zur Visualisierung der neuesten Technologietrends. Der Herausforderung, Technologien zu identifizieren und zu visualisieren, widmet sich das Projekt TechRad, das maschinelles Lernen einsetzt, um ein autonomes Technologie-Scouting-Radar zu realisieren. Eine der Kernfunktionen ist die Identifizierung von Technologien in Textdokumenten. Dies wird durch natürliche Sprachverarbeitung (NLP) realisiert. Dieser Beitrag fasst die Herausforderungen und möglichen Lösungen für den Einsatz von Entity Recognition zur Identifikation relevanter Technologien in Textdokumenten zusammen. Die Autoren stellen eine frühe Phase der Implementierung des Entity Recognition Modells vor. Dies beinhaltet die Auswahl von Transfer Learning als geeignete Methode, die Erstellung eines Datensatzes, der aus verschiedenen Datenquellen besteht, sowie den angewandten Modell-Trainings-Prozess. Abschließend wird die Leistungsfähigkeit der gewählten Methode in einer Reihe von Tests überprüft und bewertet.

A quick introduction to the field of Data Analytics was followed by a live interactive analysis session with audience participation. Afterwards, the participants reflect on the lessons learned and possible transfer opportunities to leverage the power of data in SMEs.

Durch die vernetzte Digitalisierung stehen Unternehmen mehr Daten zur Verfügung als je zuvor. Die Tendenz ist dabei steigend und ein Ende der Entwicklung nicht abzusehen. Gleichzeitig wirken höhere Kundenanforderungen und ein globalisiertes Wettbewerbsumfeld spürbar auf die produzierende Industrie ein. Kompetenzen wie individualisierte Produktentwicklung, nachhaltige Kundenbindung und ein einzigartiges Wertversprechen gewinnen zunehmend an Relevanz. In diesem Spannungsfeld stellt sich die Frage, wie das Potenzial der stetig wachsenden Rohdatenmengen genutzt werden kann, um sich auf dem Markt von Mitstreitern abzusetzen. Die Inhalte des Kapitels ‚Smart-Data-Management‘ sollen dazu dienen, produzierende Unternehmen zu befähigen, durch datenbasierte Anwendungen produktive und vorausschauende Entscheidungen zu treffen. Dabei kann der Mehrwert in einer gesteigerten Reaktionsgeschwindigkeit in Bezug auf externe Effekte liegen, aus der Verbesserung bestehender Unternehmensprozesse hervorgehen oder sich in neuen, durch Künstliche Intelligenz (KI) erschlossenen Geschäftsfeldern zeigen. Dieses Kapitel schließt sich an die Themenstellungen der Informationslogistik (Kap. 8) und des Projektmanagements (Kap. 10) an und fokussiert die notwendigen Schritte zur erfolgreichen Umsetzung von datenbasierter Wertschöpfung. Es werden Trendthemen wie Big Data, KI und Maschinelles Lernen aufgegriffen und im Zuge dessen ein Projektvorgehensmodell vorgestellt, das auf das Management von Smart Data zugeschnitten ist.