Refine
Document Type
- Book (3)
- Part of a Book (3)
- Conference Proceeding (5)
- Contribution to a Periodical (5)
- Master's Thesis (1)
- Internet Paper (2)
- Working Paper (4)
Language
- German (16)
- English (6)
- Multiple languages (1)
Is part of the Bibliography
- no (23)
Keywords
- 01 (1)
- 02 (2)
- 03 (1)
- ADAM (2)
- ADM-Systeme (1)
- AI (2)
- Additive Fertigung (1)
- Auto-ML (2)
- Big Data (2)
- Blockchain (1)
Institute
Die digitale Transformation in Unternehmen bewirkt einen stetigen Anstieg der Datenmengen auf allen Unternehmensebenen. Die Nutzung dieser Daten und deren Veredlung zu Informationen gestalten sich aufgrund der historisch gewachsenen IT-Komplexität jedoch zunehmend als strukturelle und organisatorische Herausforderung. Das Potenzial der digitalen Transformation, schnellere und bessere Entscheidungen auf Basis von Analysen der vorliegenden Datenbasis zu treffen, bleibt damit oftmals hinter den Erwartungen zurück. Unternehmen sind daher gefordert, Strukturen und Fähigkeiten zur Beherrschung der Ressource Information zu gestalten. Die Informationslogistik stellt einen essenziellen Baustein dar, um interne und externe Informationsflüsse effektiv und effizient nutzbar zu machen.
Die EU-Kommission ist dabei, eine Datenökonomie aufzubauen. Diese soll bis 2028 ein zusätzliches Bruttoinlandsprodukt von 270 Milliarden Euro generieren. Speziell für ein Land wie Deutschland, das über keine nennenswerten Bodenschätze verfügt, klingt das zunächst einmal lukrativ. Eine solche Datenökonomie wird aber nicht nur einen neuen Markt, neue Akteure und neue Geschäftsmodelle hervorbringen. Sie greift auch tief in das aktuelle Verständnis der Hersteller von Maschinen und Anlagen ein, wie mit Daten aus ihren Maschinen umgegangen werden soll, und zwingt sie zum Umdenken. Der juristische Hebel zur Schaffung der Datenökonomie, der EU-Data-Act, macht neue und verpflichtende Vorgaben zur technischen Gestaltung von Maschinen und Anlagen und verschafft deren Nutzer:innen ein Zugriffsrecht auf Maschinendaten.
Methods of machine learning (ML) are notoriously difficult for enterprises to employ productively. Data science is not a core skill of most companies, and acquiring external talent is expensive. Automated machine learning (Auto-ML) aims to alleviate this, democratising machine learning by introducing elements such as low-code / no-code functionalities into its model creation process. Multiple applications are possible for Auto-ML, such as Natural Language Processing (NLP), predictive modelling and optimization. However, employing Auto-ML still proves difficult for companies due to the dynamic vendor market: The solutions vary in scope and functionality while providers do little to delineate their offerings from related solutions like industrial IoT-Platforms. Additionally, the current research on Auto-ML focuses on mathematical optimization of the underlying algorithms, with diminishing returns for end users. The aim of this paper is to provide an overview over available, user-friendly ML technology through a descriptive model of the functions of current Auto-ML solutions. The model was created based on case studies of available solutions and an analysis of relevant literature. This method yielded a comprehensive function tree for Auto-ML solutions along with a methodology to update the descriptive model in case the dynamic provider market changes. Thus, the paper catalyses the use of ML in companies by providing companies and stakeholders with a framework to assess the functional scope of Auto-ML solutions.
Feasibility Analysis of Entity Recognition as a Means to Create an Autonomous Technology Radar
(2021)
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.
Künstliche Intelligenz (KI) hat sich über die letzten Jahre stetig zu einem Thema mit strategischer Priorität für Unternehmen entwickelt. Das zeigt sich nicht zuletzt in der gesteigerten Investitionsbereitschaft deutscher Unternehmen in KI-Projekte. Wirtschaftliche Akteure haben erkannt, dass durch eine sinnvolle Nutzung von KI-Technologien Wettbewerbsvorteile erzielt werden können. Die vorliegende Studie legt das Augenmerk auf den industriellen Einsatz einer KI-Technologie, die bereits heute von vielen Unternehmen erfolgreich genutzt wird: Die natürliche Sprachverarbeitung (engl. Natural Language Processing, kurz NLP). Die wirtschaftlichen Potenziale der Technologie liegen dabei in ihrer Fähigkeit, betriebliche Abläufe zu automatisieren und die Schnittstelle zwischen Mensch und Maschine zu verbessern und zu vereinfachen. Ziel der Studie ist es, die Potenziale der NLP-Technologie für Unternehmen nutzbar zu machen, indem konkrete Anwendungsfälle und allgemeine Handlungsempfehlungen sowie Nutzen und Risiken aufgezeigt werden.
Rund ein Jahr haben DIN und DKE in einem gemeinsamen Projekt mit dem Bundesministerium für Wirtschaft und Energie und zusammen mit ca. 300 Fachleuten aus Wirtschaft, Wissenschaft, öffentlicher Hand und Zivilgesellschaft an der Normungsroadmap Künstliche Intelligenz gearbeitet. Eine hochrangige Steuerungsgruppe unter dem Vorsitz von Prof. Wolfgang Wahlster hat die Erarbeitung koordiniert und begleitet.
Ziel der Roadmap ist die frühzeitige Entwicklung eines Handlungsrahmens für die Normung und Standardisierung, der die internationale Wettbewerbsfähigkeit der deutschen Wirtschaft unterstützt und europäische Wertmaßstäbe auf die internationale Ebene hebt. Mit der Normungsroadmap KI wird eine wesentliche Maßnahme der KI-Strategie der Bundesregierung umgesetzt, in der eines von zwölf Handlungsfeldern sich explizit dem Thema "Standards setzen" widmet.
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.
Methods of machine learning (ML) are difficult for manufacturing companies to employ productively. Data science is not their core skill, and acquiring talent is expensive. Automated machine learning (Auto-ML) aims to alleviate this, democratizing machine learning by introducing elements such as low-code or no-code functionalities into its model creation process. Due to the dynamic vendor market of Auto-ML, it is difficult for manufacturing companies to successfully implement this technology. Different solutions as well as constantly changing requirements and functional scopes make a correct software selection difficult. This paper aims to alleviate said challenge by providing a longlist of requirements that companies should pay attention to when selecting a solution for their use case. The paper is part of a larger research effort, in which a structured selection process for Auto-ML solutions in manufacturing companies is designed. The longlist itself is the result of six case studies of different manufacturing companies, following the method of case study research by Eisenhardt. A total of 75 distinct requirements were identified, spanning the entire machine learning and modeling pipeline.
Blockchain ist eines der großen Trendwörter der Digitalindustrie. Die damit verbundene Technologie sorgt bereits seit geraumer Zeit für Gesprächsstoff und ist wohl eine der in den vergangenen Jahren am meisten diskutierte digitale Innovation. Außerhalb der Fachkreise von Informatikern, Mathematikern oder Ökonomen ist der Begriff für viele eng mit der Kryptowährung Bitcoin verknüpft. Dabei ist das weltweit verwendbare, dezentrale und digitale Zahlungssystem nur ein Anwendungsfeld für die Blockchain.
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.
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.
Die vernetzte Digitalisierung als Befähiger für Intelligente Produkte und datenbasierte Geschäftsmodelle stellt Unternehmen vor zahlreiche und vielfältige Herausforderungen auf dem Weg durch die digitale Transformation. Zur Unterstützung dieser Unternehmen wurden in den vergangenen Jahren diverse Referenzarchitekturmodelle entwickelt. Eine detaillierte Analyse derselben und insbesondere ihrer Nutzung durch Unternehmen zeigte schnell, dass aktuell bestehende Referenzmodelle große Schwächen in der Praxistauglichkeit aufweisen. Mit dem Aachener Digital-Architecture-Management (ADAM) wurde ein Framework entwickelt, das gezielt die Schwächen bestehender Referenzarchitekturen adressiert und ihre Stärken gezielt aufnimmt. Als holistisches Modell, speziell für die Anwendung durch Unternehmen entwickelt, strukturiert ADAM die digitale Transformation von Unternehmen in den Bereichen der digitalen Infrastruktur und der Geschäftsentwicklung ausgehend von den Kundenanforderungen. Systematisch werden Unternehmen dazu befähigt, die Gestaltung der Digitalarchitektur unter Berücksichtigung von Gestaltungsfeldern voranzutreiben. Die Beschreibung der Gestaltungsfelder bietet einen detaillierten Einblick in die wesentlichen Aufgaben auf dem Weg zu einem digital vernetzten Unternehmen. Dabei stellt das Modell nicht nur eine Strukturierungshilfe dar, sondern beinhaltet mit den Gestaltungsfeldern einen Baukasten, um das Vorgehen in der digitalen Transformation zu konfigurieren. Das Vorgehen differenziert zwischen der Entwicklung der Digitalisierungsstrategie und der Umsetzung der Digitalarchitektur. Drei unterschiedliche Case-Studys zeigen zudem auf, wie ADAM in der Industrie konkret genutzt, welche Strukturierungshilfe es leisten und wie die digitale Transformation konfiguriert werden kann. Durch die Breite und Tiefe von ADAM werden Unternehmen befähigt, den Weg der digitalen Transformation systematisch und strukturiert zu bestreiten, ohne die wertschöpfenden Bestandteile der Digitalisierung außer Acht zu lassen. Dies qualifiziert ADAM zu einem nachhaltigkeitsorientierten Framework, da es die wirtschaftliche Skalierung, die bedarfsgerechte Anpassung und die zukunftsgerichtete Robustheit von Lösungsbausteinen in den Fokus der digitalen Transformation rückt.