Refine
Document Type
- Conference Proceeding (17)
- Contribution to a Periodical (8)
- Report (4)
- Internet Paper (3)
- Book (2)
- Part of a Book (2)
- Working Paper (2)
- Lecture (1)
Language
- German (18)
- English (17)
- Multiple languages (4)
Is part of the Bibliography
- no (39) (remove)
Keywords
- 01 (1)
- 02 (7)
- 03 (1)
- 04 (1)
- 5G (4)
- ADAM (2)
- AI (2)
- Agriculture (1)
- Artificial intelligence (1)
- Ausbildung (1)
Institute
- Informationsmanagement (39) (remove)
Welche Innovationen sind entscheidend für Ihr Unternehmen und wie ist deren Entwicklungsstand? Mit dem Projekt Techrad sollen auch KMU die Antwort auf diese Frage im Blick behalten können.
Techniktrends zu überblicken, ist für KMU oft nicht möglich, aber wettbewerbsentscheidend. Das Projekt Techrad arbeitet an einer Lösung dieses Dilemmas.
Fünf Unternehmen erarbeiten ein Technologieradar für KMU. NLP ist ein Teilgebiet Künstlicher Intelligenz und macht das Technologieradar erst möglich. Anwender erhalten von Techrad eine personalisierte Auswertung über die aktuell verfügbaren Technologien und deren Reifegrad.
Dieses Forschungs- und Entwicklungsprojekt wurde durch das Bundesministerium für Bildung und Forschung (BMBF) im Rahmen des Programms „KMU-innovativ: Produktionsforschung“ (Förderkennzeichen 02K19K010) gefördert und vom Projektträger Karlsruhe (PTKA) betreut. Die Verantwortung für den Inhalt dieser Veröffentlichung liegt bei den Autoren.
Numerous traditional, agile and hybrid development approaches have been proposed for the development of CPS. As the choice of development process is crucial to the success of development projects, it has become a major challenge to identify the best-suited process. This paper introduces a methodology for identifying the best-suited CPS development process, based on the individual boundary conditions for a certain development project within a company. The authors used a set of eight indicators to assess a CPS-development project. The results of the assessment were matched with CPS-development approaches. Based on the matching results a best-suited development process was selected. The application is shown for a use case in the German manufacturing industry. The developed method aims to reduce the risk of project failure due to the wrong choice of development process.
The number of available technologies is constantly rising. Be it additive manufacturing, artificial intelligence (AI) or distributed ledger technologies. The choice of the right technologies may decide the fate of a company. Due to the overwhelming amount of information sources, regular technology market research becomes increasingly challenging, especially for SMEs. In order to assist the technology management process, the authors will introduce the architecture of an automated, AI-based technology radar. The architecture will automatically collect data from relevant sources, assess the relevance of the respective technology (i.e. their maturity level) and then visualize it on the radar map.
Manufacturing companies face the challenge of selecting digitalization measures that fit their strategy. Measures that are initiated and not aligned with the company’s strategy carry the risk of failing due to lack of relevance. This leads to an ineffective use of scarce human and financial resources. This paper presents a target system to help companies select relevant digitalization measures compliant with their strategy for IT-OT-integration projects. The target system was developed based on literature research and expert interviews, and later validated in two use cases. The target system considers the goals of production companies and combines them with digitalization measures. The measures are classified by different maturity levels required for their realization. Thus, the target system enables manufacturing companies to evaluate digitalization measures with regards to their strategic relevance and the required Industrie 4.0 maturity level for their realization. This ensures an effective use of resources.
Digitalization and Industry 4.0 continue to shape our industrial environment and collaboration. For many enterprises, a key challenge in moving forward in this matter is the integration of their shop-floor systems (hard- and software) with their office-floor systems to harvest the full potential of industry 4.0.
A multitude of different technologies and respective use-cases available on the market leave many companies startled. This paper presents a set of use-cases for IT-OT-Integration to bring transparency into a company’s digital transformation.
Additionally, a technical requirements profile for integrating IT- and OT-Systems based on the use cases is presented. Both, use-cases and their requirements, guide companies in selecting the digitalization measures that fit their current situation and help in identifying technical challenges that need to be addressed in the transformation process.
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.
Digitalisierung findet überall in Unternehmen statt, jede Abteilung beschäftigt sich damit, die eigenen Prozesse effizient zu digitalisieren oder neue Geschäftsmodelle zu entwickeln. Gleichzeitig hat das Jahr 2021 gezeigt: Geht man dabei nicht mit Bedacht vor, steigt die Gefahr von Cyber-Angriffen und Datenschutzverstößen deutlich. Bei dieser Gradwanderung soll ausgerechnet das seit Jahren totgesagte EAM ein Baustein sein, um Unternehmen zu unterstützen? Wir sagen: Ja!
Allerdings muss EAM dafür die Besenkammer der IT verlassen und komplett neu gedacht werden. Viele existierende Methoden und Ansätze sind dabei sinnvoll und wertstiftend aber ohne einen entsprechenden sinnstiftenden Überbau und einer Integration von EAM in die Fachbereiche und Unternehmensprozesse kann EAM in der Praxis nicht gelingen. Nur bei einer Neuausrichtung der IT-Organisation, einer Neudefinition der notwendigen Kompetenzen und Veränderungen des Mindsets in EAM-Funktionen von Unternehmen kann diese echte Mehrwerte für das Gesamtunternehmen schaffen.
In diesem Vortrag skizzieren wir die Sicht des FIR e. V. an der RWTH Aachen darauf, wie man ein pragmatisches EAM gestaltet und wie man dieses in Unternehmensprozesse & -strukturen integriert.
Vor sich finden Sie den Leitfaden zur Anwendung der „MarryIT“-Methodik zur Vernetzung der Systeme auf ihrem Shopfloor mit den Systemen auf Ihrem Office-Floor. Bei den Shopfloor-Systemen wird oft von OT-Systemen (Operational Technology) und bei den Office-Floor-Systemen von IT-Systemen gesprochen. Das Ziel ist es, die Anwendungsfälle (auch als Nutzenpotenziale bezeichnet) auszuwählen, die sich für eine Vernetzung eignen und mit der bestehenden Systemlandschaft ermöglicht werden können. Darüber hinaus können Sie mit der vorliegenden Methode gezielt entscheiden, wie Sie Ihre Systemlandschaft zur Realisierung der Anwendungsfälle weiterentwickeln können. Die Methode soll Ihnen helfen, diesen Prozess durch den Einsatz eines strukturierten Vorgehens anzugehen und dabei unterstützen, die für Sie besten Entscheidungen zu treffen. Sie können statt der analogen Variante ebenfalls die mobile Webanwendung zur Durchführung der Methode verwenden: marryit-tool.fir.de
Das Ziel des Forschungsprojekts ‚MarryIT‘ war es, KMU bei der Umsetzung von Industrie-4.0-Anwendungsfällen (sog. Nutzenpotenzialen) zu unterstützen. Sie sollen eine Entscheidungsgrundlage erhalten, die es ihnen ermöglicht, ressourcenschonend die auf Basis ihrer Ausgangssituation am besten geeigneten Nutzenpotenziale auszuwählen. Dies soll durch die gezielte und strukturierte Aufnahme der Ist-Landschaft im Unternehmen geschehen. Diese soll mit den gewählten Nutzenpotenzialen abgeglichen werden. Auf dieser Basis soll den Unternehmen eine Grundlage für eine erfolgreiche Investitionsentscheidung geboten werden, die die Unternehmen benötigen. So erhalten KMU die Möglichkeit, ihre begrenzten finanziellen Mittel unterstützt durch ein methodisches Vorgehen mit Bedacht einzusetzen und das Risiko einer Fehlinvestition zu umgehen.
Diese Zielsetzung wurde konkret durch die Entwicklung einer mobilen Anwendung umgesetzt, die es den Unternehmen ermöglicht, die in ‚MarryIT‘ entwickelte Methode anzuwenden. Dafür werden zunächst Nutzenpotenziale selektiert. Als nächstes wird mithilfe des entwickelten Steckbriefs die Ist-Systemlandschaft, bestehend aus IT-Systemen, Schnittstellen und OTSystemen, aufgenommen. Diese wird dann mit den ausgewählten Nutzenpotenzialen automatisiert abgeglichen. Daraus wird ersichtlich, welche Nutzenpotenziale direkt umsetzbar sind und welche Nutzenpotenziale welchen Übereinstimmungrad mit den anderen selektierten Nutzenpotenzialen aufweisen. Daraufhin wird die Schwierigkeit der Umsetzung für jedes Nutzenpotenzial für die Integration sowie konkrete Handlungsmaßnahmen zur Integration, auf Einzelsystemebene abgeleitet.
Die vorliegende Publikation soll dazu dienen, ein aktuelles Stimmungsbild der Industrie zu der Einführung von 5G einzufangen. Dazu wird analysiert, wie eine 5G-Einbindung in bereits bestehende IoT-Plattformen gelingen kann und welche Möglichkeiten zukünftig realisierbar werden. Dazu stellen wir fünf Hypothesen zum Einfluss von 5G auf IoT-Plattformen auf und leiten daraus ein Visionsbild eines 5G-Plattformkonzepts ab. Um den Einfluss der industriellen Einführung der Mobilfunkgeneration 5G auf IoT-Plattformen bewerten zu können, wurden sowohl Visionsbild als auch Hypothesen innerhalb strukturierter Interviews mit IoT-Plattformanbietern diskutiert und aufgearbeitet. Nachdem in Kapitel 2 die relevanten Grundlagen hinsichtlich des neuen Mobilfunkstandards 5G und Plattformen erarbeitet werden, werden in Kapitel 3 die Ergebnisse und Erkenntnisse der Interviews mit den Plattformanbietern zusammengefasst und erörtert. Basierend auf den Interviews geben wir einen Überblick über die konkreten Herausforderungen, das Interesse diverser Stakeholder und die aktuellen Entwicklungen rund um das Thema.
Industry 4.0 is driven by Cyber-Physical Systems and Smart Products. Smart Products provide a value to both its users and its manufacturers in terms of a closer connection to the customer and his data as well as the provided smart services. However, many companies, especially SMEs, struggle with the transformation of their existing product portfolio into smart products. In order to facilitate this process, this paper presents a set of smart product use-cases from a manufacturer’s perspective. These use-cases can guide the definition of a smart product and be used during its architecture development and realization. Initially the paper gives an introduction in the field of smart products. After that the research results, based on case-study research, are presented. This includes the methodological approach, the case-study data collection and analysis. Finally, a set of use-cases, their definitions and components are presented and highlighted from the perspective of a smart product manufacturer.
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]
Seit Beginn des Jahres ist Max-Ferdinand Stroh Leiter des Bereichs Informationsmanagement am FIR. Was ihn antreibt und welche Ziele er und seine Mitarbeiter:innen sich für die kommenden Jahre gesetzt haben, erörtert Max-Ferdinand Stroh im Interview mit der UdZ-Redaktion.
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.
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.
Der Technologie- und Trendradar 2022 enthält die neusten Technologien und Trends des vergangenen Jahres. Im aktualisierten Radar wurden die Technologiereifegrade in den Steckbriefen neu bewertet, die Anwendungen, Potenziale und Herausforderungen der Technologien wo nötig aktualisiert und neue Technologien aufgenommen.
Der Technologie- und Trendradar 2022 enthält elf neue Steckbriefe. Das Technologiefeld Vernetzung wurde um Eventgetriebene IT-Architekturen, Internet of Behaviors und Web3 erweitert. Dem Feld Virtualisierung wurde die Technologie Metaverse hinzugefügt. Das Technologiefeld Datenverarbeitung wurde um den Trend Data-Centric AI ergänzt, das Feld Prozesse um den Trend Digitale Souveränität. Im Technologiefeld Produkte wurden die Technologien Edge AI, Inter Planetary File System (IPFS), Photonische Siliziumchips, Soft-Robotik und Neuromorphic Computing aufgenommen.