Refine
Year of publication
Document Type
- Conference Proceeding (31)
- Contribution to a Periodical (9)
- Part of a Book (4)
- Working Paper (3)
- Lecture (2)
- Article (1)
- Book (1)
- Internet Paper (1)
Is part of the Bibliography
- no (52)
Keywords
- 02 (3)
- 03 (1)
- 04 (1)
- 5G (2)
- AI (2)
- Architektur <Informatik> (1)
- Artificial intelligence (1)
- Auftragsabwicklung (1)
- Auto-ML (2)
- Beratung (1)
Institute
- Informationsmanagement (52) (remove)
Im Kontext Industrie 4.0 kommt der Erfassung der anfallenden Daten in der Produktion und deren Nutzung eine zentrale Bedeutung zu. Analysen betrieblicher Daten, welche auf verschiedenen Ebenen generiert werden, lassen Rückschlüsse und Erkenntnisse zur besseren Entscheidungsfindung zu. Die Basis für den Einsatz von Verfahren der Datenanalyse und -auswertung stellt ein hinreichend genaues Abbild der relevanten Daten - der Digitale Schatten - in der Auftragsabwicklung, Produktion, Entwicklung oder angrenzenden Bereichen dar.
Im Rahmen des vorliegenden Beitrages wird ein Modell für den Digitalen Schatten in der Auftragsabwicklung vorgestellt, welches die Basis für die Implementierung von Methoden der Datenanalytik darstellt.
Der High-Resolution-Supply-Chain-Management-Ansatz erlaubt es Unternehmen, in Echtzeit auf dynamische Einflüsse des Marktes reagieren zu können.
Echtzeitfähige Planungs- und Regelungsprozesse können den Planungsaufwand reduzieren und gleichzeitig mit den zur Verfügung stehenden Echtzeitinformationen die Planungsqualität verbessern.
Planungsprozesse auf Basis von Echtzeitinformationen setzen voraus, dass ein konsistenter Informationsaustausch zwischen den unterschiedlichen Planungsebenen besteht sowie ein hoher Autonomiegrad innerhalb der einzelnen Planungsinstanzen.
PLM trifft ERP
(2013)
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.
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.
Companies are transforming from transactional sales to providing solutions for their customers. Mostly, smart products, enabling companies to enhance their products by providing smart services to their customers, are a key building block in this transformation. However, the development of a smart product requires many digital skills and knowledge, which regular companies do not have. To facilitate the design and conceptualization of smart products, this paper presents a use-case-based information systems architecture prototype for smart products. Furthermore, the paper features the application and evaluation of the architecture on two different smart product projects. The use of such an architecture as a reference in smart product development serves as a huge advantage and accelerator for inexperienced companies, allowing faster entry into this new field of business. [https://link.springer.com/chapter/10.1007/978-3-031-14844-6_16]
Die Herausforderungen der Zukunft werden geprägt durch digital veredelte Produkte von höchster Qualität und hoher Variantenvielfalt bei gleichzeitig kleiner werdenden Losgrößen. Konventionelle Entwicklungsmethoden stoßen aufgrund zunehmender Komplexität und kürzer werdender Lebenszyklen auf Produktebene an ihre Grenzen. Dadurch werden bei kundenindividueller Produktion die Aufwände in der Arbeitsplanung und -vorbereitung überproportional größer. Eine mögliche Lösung stellt die generative Erstellung der Produktionsstückliste während der Montage dar. Durch das eventbasierte „Mitschreiben der Montage“ werden administrative und planungsintensive Prozesse in der Arbeitsvorbereitung überproportional reduziert und die Erstellung der Stückliste in die manuelle Montage transferiert.
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.
Nowadays, the market for information and communication technologies used for IOT-applications grows daily. Since companies need technologies to transform their business processes corresponding to the digital revolution, they need to know which technologies are available, and fit the best for their use case. Their inertial issue is the lacking overview of technologies suitable to connect their production or logistics. Hence, this paper presents a methodology to select technologies (and combinations) based on their functions. It differentiates between information and communication technologies, digital technologies and connecting technologies by the physical function and its role in a cyber-physical system. Depending on the use case, the applicability of every technology varies. Due to that reason, the paper illustrates a ranked qualification of the technologies for typical use cases, focussing tracking and tracing issues in the intralogistics of producing companies. The evaluation is performed upon a literature research, a market study to identify suitable technologies, and various expert interviews to assess the applicability of the technologies.
Künstliche Intelligenz (KI) hat als Technologie in den vergangenen Jahren Marktreife erlangt. Es existiert eine Vielzahl benutzerfreundlicher Produkte und Services, welche die Anwendung von KI im Alltag und im Unternehmen vereinfachen. Die Herausforderung, vor denen Anwendende, gerade im betriebswirtschaftlichen Kontext, stehen, ist nicht die technische Machbarkeit einer KI-Applikation, sondern deren organisatorisch und rechtlich zulässige Gestaltung. Zu einer zunehmenden Dynamik in der Gesetzgebung kommt ein gesellschaftliches Interesse an der Kontrolle und Transparenz über die für KI-Modelle erhobenen Daten. Die Diskussion über Datensouveränität im geschäftlichen und privaten Alltag rückt mehr und mehr in das Zentrum der öffentlichen Aufmerksamkeit.
Datenbasierte KI-Anwendungen stehen damit in einem Spannungsfeld zwischen den Potenzialen, die das Erheben und Teilen von Daten über Unternehmensgrenzen hinweg bietet, und der Herausforderung, die Datensouveränität der involvierten Personen zu wahren. Die vorliegende Studie soll erstens über die Auswirkungen der Datensouveränität und die damit verbundenen aktuellen und kommenden Regularien auf KI-Anwendungsfälle aufklären. Dafür wurden Expertinnen und Experten aus den Bereichen Recht, KI- und Organisationsforschung befragt. Zweitens zeigt die Studie Potenziale und Best Practices von KI-Anwendungsfällen mit überbetrieblichem Datenaustausch auf. Dafür wurden Fallstudien in Unternehmen durchgeführt, die bereits erfolgreich Datenaustausch in ihre Geschäftsmodelle integriert haben, um ihre KI-Applikationen zu betreiben und zu verbessern.