Justus Benning
Refine
Document Type
- Book (3)
- Part of a Book (2)
- Conference Proceeding (5)
- Contribution to a Periodical (5)
- Master's Thesis (1)
- Internet Paper (2)
- Working Paper (4)
Language
- German (15)
- English (6)
- Multiple languages (1)
Is part of the Bibliography
- no (22)
Keywords
- 01 (1)
- 02 (1)
- 03 (1)
- ADAM (2)
- ADM-Systeme (1)
- AI (2)
- Additive Fertigung (1)
- Auto-ML (2)
- Big Data (2)
- Blockchain (1)
Institute
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.
Heutzutage steigen die Technologievielzahl und -vielfalt täglich an. Unternehmen, die sich im Zuge der Digitalisierung für die Einführung eines cyber-physischen Systems interessieren, müssen sich zu Beginn einen schnellen Überblick über den verfügbaren Technologiemarkt verschaffen, der sich stündlich ändert. Darauf ausgerichtet hat das Projekt TechRad zum Ziel, dieses Technologiescouting in Form eines plattformbasierten Radars zu automatisieren, welches eine permanent aktuelle Übersicht über verfügbare Technologien liefert. Die Befüllung der Plattform wird durch ein gezieltes Webcrawling nach Technologien realisiert. Das Entwicklungsvorgehen des Radars soll als Referenzmodell dienen, um zukünftigen Scouting-Plattformen einen Leitfaden zur schnellen und effizienten Entwicklung zur Verfügung zu stellen, und beinhaltet neben den technischen Vorgaben auch einen rechtlichen Rahmen, der bei dem Crawling von Daten berücksichtigt werden muss. Das Vorhaben IT-2-1-025a / EFRE-0801386 der Forschungsvereinigung FIR e. V. an der RWTH Aachen wird über den PTJ durch den europäischen Fond für regionale Entwicklung in NRW (EFRE) mit Mitteln der europäischen Union (EU) gefördert.
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.
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.
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.
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.
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.
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.
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.