00 Informatik, Wissen, Systeme
Refine
Year of publication
Document Type
- Lecture (15)
- Working Paper (6)
- Doctoral Thesis (4)
- Conference Proceeding (3)
- Contribution to a Periodical (3)
- Article (1)
- Bachelor Thesis (1)
- Master's Thesis (1)
Is part of the Bibliography
- no (34)
Keywords
- 01 (1)
- 02 (2)
- 04 (4)
- 5G (2)
- 5G Implementation roadmap (1)
- 5G Technology (1)
- 5G usage gap (1)
- AI (7)
- Anwendungen (2)
- Artificial Intelligence (1)
Institute
Softwarelösungen für automatisiertes machinelles Lernen für Prognosen in produzierenden Unternehmen
(2026)
In einer Welt, die sich durch eine beispiellose Dynamik in Technologie und Wirtschaft auszeichnet, steht die produzierende Industrie vor der Herausforderung, die Potenziale der Digitalisierung voll auszuschöpfen.
Der Einsatz von automatisiertem maschinellen Lernen (Auto-ML) bietet einen vielversprechenden Ansatz, die Schlüsseltechnologie Künstlicher Intelligenz (KI) gewinnbringend einzusetzen.
Trotz der hohen Erwartungen und des potenziellen wirtschaftlichen Wachstums, das KI-Technologien versprechen, zeigen aktuelle Studien, dass der Einsatz von KI in der Produktion hinter anderen Technologien zurückbleibt. Die Diskrepanz zwischen den Erwartungen an KI und deren tatsächlicher Nutzung in der Fertigung weist auf komplexe Herausforderungen hin, darunter hohe Kosten, ungeeignete IT-Infrastruktur, mangelnde Datenverfügbarkeit und ein Defizit an Fachkräften.
Diese Dissertation zielt darauf ab, eine methodische Lösung für die Auswahl von Auto-ML-Softwarelösungen für Prognosen in produzierenden Unternehmen zu entwickeln. Die Arbeit umfasst eine Analyse existierender Auto-ML-Funktionen, eine praxisnahe Identifikation der Anforderungen an ihren Einsatz in der Industrie sowie die Entwicklung eines Prozesses zur systematischen Auswahl von Auto-ML-Softwarelösungen. Dafür werden zudem die Wechselwirkungen zwischen den technischen Möglichkeiten der Softwarelösungen und den spezifischen Bedürfnissen der produzierenden Unternehmen beleuchtet.
Das Ergebnis dieser Dissertation stellt eine Ressource für Entscheidungsträger dar, die sich der Herausforderung gegenübersehen,
aus einer Vielzahl von Auto-ML-Softwarelösungen die am besten geeignete auszuwählen. Durch die Bereitstellung eines klar definierten
Prozesses zur Bewertung und Auswahl von Auto-ML-Softwarelösungen trägt diese Arbeit dazu bei, die Lücke zwischen der technologischen Entwicklung und ihrer praktischen Anwendung in der Fertigungsindustrie
zu schließen.
In einer Zeit, in der die effiziente Nutzung von Daten und KI-Technologien immer mehr zum entscheidenden Wettbewerbsfaktor wird, leistet diese Dissertation einen Beitrag zur Stärkung der Innovationskraft und Zukunftsfähigkeit produzierender Unternehmen.
Originating in 2011, Industry 4.0 describes the digital revolution of industry and has since become a collective term for smart, mutable and data driven factories. During the last decade systemic and methodical solutions were designed and implemented that enable corresponding data driven use cases for producers. Today's system providers offer complex data ecosystems in which data-driven use cases are built-in and implementers offer focused digitalisation projects to rapidly address quick wins. While an assessment of expectations around Industry 4.0 results in requirements within the domains of modifiability, connectivity, data and organisation for an IT-architecture, many such solutions are found to be violating essential requirements as systemic flexibility and data-availability. Not only is this a relevant matter for architectural purists, but it highlights real problems that industry is still facing while applying digitalisation measures in pursuit of Industry 4.0. While event-driven architectures go back to the design of modern operating systems, the emergence of powerful, resilient and cheap broker-technologies has risen the polarity of event-driven IT-architectures for businesses in the last decade. Although its occurrence is predominantly represented in ecommerce, finance and insurance, many prominent manufactures have since begun their transformation into an event-driven IT-architecture. Reasons for this architectural adaptation include exceptional data availability, resilience, scalability and especially data sovereignty. An assessment of event-driven IT-architecture's properties and implications reveals an excellent fit for the architectural requirements of Industry 4.0. In this work the subject of Industry 4.0 is analysed along literature to derive a collective understanding of expectations from a factory implementing Industry 4.0. Subsequently, IT-architectural requirements are derived that describe an architecture capable of satisfying these expectations. Then event-driven IT-architectures are analysed regarding their structural composition and capabilities. Finally, the fit of event-driven IT-architecture is evaluated against the architectural requirements of Industry 4.0, discussing congruence and divergence.
Shared Service Center
(2018)
Die fortschreitende Digitalisierung verändert die Geschäftswelt rasant und stellt Unternehmen vor neue Herausforderungen. Besonders in der produzierenden Industrie wird der Einsatz digitaler Technologien zunehmend zum entscheidenden Wettbewerbsvorteil. Doch mit der Nutzung digitaler Technologien entstehen auch neue Risiken, die produzierende Unternehmen nicht nur in ihrer Funktionalität, sondern auch in der Einhaltung gesetzlicher Vorgaben und interner Richtlinien berücksichtigen müssen. Die vorliegende Dissertation entwickelt eine Methode zur systematischen Erstellung von Compliance-Richtlinien für den verantwortungsvollen Einsatz digitaler Technologien in produzierenden Unternehmen.
Durch eine Delphi-Studie wird erstmals die Relevanz von Compliance für verschiedene digitale Technologien untersucht, und es wird ein innovativer Ansatz zur Ermittlung der erforderlichen Richtlinien entwickelt. Die Methode wird anschließend auf ihre Anwendbarkeit in produzierenden Unternehmen erfolgreich überprüft. Sie liefert als Ergebnis eine unternehmensindividuelle Compliance-Richtlinie, die auf die spezifischen Anforderungen und Risiken des jeweiligen Unternehmens zugeschnitten ist.
Mit dieser Methode erhalten produzierende Unternehmen ein wertvolles Werkzeug, um sich proaktiv auf zukünftige regulatorische Anforderungen vorzubereiten und den verantwortungsbewussten Einsatz digitaler Technologien sicherzustellen – noch bevor gesetzliche Regulierungen greifen.
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.
Die digitale Transformation verändert grundlegend, wie produzierende Unternehmen IT-Lösungen nutzen, um Prozesse zu optimieren und wettbewerbsfähig zu bleiben. Gleichzeitig steigt die Nachfrage nach digitalen Anwendungen, doch der IT-Fachkräftemangel bremst deren Umsetzung. Viele Unternehmen sind stark von ihren IT-Abteilungen abhängig, die unter wachsendem Entwicklungsdruck stehen – mit der Folge, dass digitale Innovationen ins Stocken geraten. Low-Code-Plattformen versprechen Abhilfe, indem sie auch Nicht-IT-Fachkräften ermöglichen, aktiv an der Softwareentwicklung mitzuwirken. Fachabteilungen können so eigenständig digitale Anwendungen erstellen und Prozesse effizienter gestalten. Dennoch bleibt der Einsatz von Low-Code oft auf IT-Abteilungen beschränkt – nicht zuletzt aufgrund von Bedenken hinsichtlich Datensicherheit, Governance und fehlendem Wissen über die konkreten Einsatzmöglichkeiten dieser Technologie. Diese Dissertation entwickelt ein umfassendes Regelwerk, das produzierende Unternehmen dabei unterstützt, Low-Code gezielt, sicher und effizient zu nutzen. Drei definierte Anwendungsfalltypen schaffen ein besseres Verständnis für die Einsatzmöglichkeiten. Zudem werden elf grundlegende Regeln abgeleitet, die eine strukturierte und sichere Einführung von Low-Code-Plattformen in produzierenden Unternehmen ermöglichen. Durch die Analyse der Zusammenhänge zwischen Anwendungsfällen und Regeln lassen sich spezifische Maßnahmen ableiten, um Low-Code sicher und effektiv einzusetzen. Ergänzend dazu werden 60 praxisnahe Gestaltungsmaßnahmen formuliert, die Unternehmen konkrete Unterstützung bei der erfolgreichen Integration von Low-Code in ihre Prozesse bieten. Dieses Regelwerk hilft produzierenden Unternehmen, die Potenziale von Low-Code voll auszuschöpfen, Abhängigkeiten von der IT zu reduzieren und die digitale Transformation gezielt voranzutreiben.
Enabling Industry 4.0: A Roadmap For Efficient Implementation Of 5G Campus Networks In Manufacturing
(2025)
Private 5G networks, which are localized and designed for specific organizations or facilities, enable industrial production environments to transform by providing unparalleled opportunities for enhanced operational efficiency, flexibility, and digital connectivity. Based on four expert interviews and a detailed literature review for further validation, this paper presents a holistic roadmap for implementing private 5G networks in production settings. This roadmap adopts a phased approach, beginning with awareness and needs assessment, followed by the development of specific technical concepts, pilot implementation, network scalability, and ongoing optimization. Each phase is designed to address unique challenges and critical decisions involved in the successful deployment of 5G, including use case identification (e.g., predictive maintenance and autonomous systems), network architecture, partnership models, and integration with legacy IT infrastructure. This guided approach provides production facilities a pragmatic framework to navigate the technical, organizational, and economic complexities of 5G implementation, ensuring alignment with industry requirements and future technological developments. The proposed roadmap synthesizes insights from subject matter experts and recent literature, providing a sustainable, adaptable, and resilient strategy for 5G network deployment in production environments.
