diaMant
Refine
Document Type
- Bachelor Thesis (3)
- Contribution to a Periodical (3)
- Master's Thesis (2)
- Lecture (1)
- Preprint (1)
Language
- German (7)
- Multiple languages (3)
Is part of the Bibliography
- no (10)
Keywords
- 01 (5)
- Artificial intelligence (1)
- Assessment (1)
- Business model (1)
- Change-Management (1)
- Digitalisierung (2)
- Geschäftsmodell (2)
- Industrial defect analysis (1)
- KI (1)
- Künstliche Intelligenz (1)
Institute
Viele Dienstleistungsunternehmen verfügen über digitale Lösungen, scheitern jedoch an deren erfolgreicher Skalierung. Hauptursachen sind unpassende oder nicht weiterentwickelte Geschäftsmodelle sowie unzureichende Zusammenarbeit im Kunden-Anbieter-Verbund. Um Unternehmen dabei zu unterstützen, wurde im vom BMFTR geförderten Projekt diaMant (Förderkennzeichen 02J21C003) vom FIR gemeinsam mit den Praxispartnern Belfor, Databay, Etabo, Henkel und Yncoris eine Geschäftsmodell-Klinik entwickelt. Sie bietet Unternehmen die Möglichkeit, bestehende und konkurrierende Geschäftsmodelle systematisch zu prüfen, deren technische wie soziokulturelle Auswirkungen zu beschreiben und auf Basis eines Ordnungsrahmens zu strukturieren. Darüber hinaus unterstützt die Geschäftsmodell-Klinik dabei, den Reifegrad bestehender Modelle zu bewerten, Wandlungsbedarfe zu identifizieren und Maßnahmen für den partizipativen Wandel abzuleiten. Grundlage bilden vier praxisrelevante Geschäftsmodelltypen, die in dem Ordnungsrahmen definiert sind, der zentrale Dimensionen zur Strukturierung umfasst und den notwendigen Wandel im Kunden-Anbieter-Verbund sichtbar macht. Durch ein Planspiel wird die Geschäftsmodell-Klinik zudem erlebbar und unterstützt Unternehmen dabei, die Auswirkungen von verschiedener Unternehmensstrategien und Investitionen spielerisch zu erproben.
Mitigationsmaßnahmenkatalog für Missinterpretation bei KI-basierten Predictive-Maintenance-Modellen
(2025)
Industrial defect analyses like predictive maintenance hold the
promise of reducing unplanned downtime and extending asset lifecycles
in diverse industrial sectors. Despite these advantages, failures can arise from a range of factors, including data inaccuracies, model drift, and suboptimal deployment strategies resulting in mistrusting employees or frequent change of spare parts. These failures become particularly critical when Artificial Intelligence is employed, as these failures can hinder human-AI collaboration. This paper introduces a systematic Failure Mode and Effect Analysis (FMEA) framework tailored to defect analysis in the manufacturing sector like predictive maintenance solutions especially with the focus on the support of AI. Through structured expert interviews critical vulnerabilities in AI models, like performance bias, overfitting, and catastrophic forgetting, are pinpointed. The FMEAbased insights guide the design of robust AI models, ultimately enhancing the reliability of industrial defect analysis. The findings emphasize the importance of proactive risk management to ensure consistent performance and human-AI collaboration under varying operational conditions.
Unternehmenskooperationen werden in Zukunft immer wichtiger für den Erfolg von Produkten und Services. Sie bilden die Grundlage, um die individuellen Kompetenzen einzelner Akteure zu bündeln und so komplexere Dienstleistungen wie digital unterstützte Subskriptionen abzubilden. Für diese Leistungen sind Wertschöpfungsnetzwerke in Form von Zusammenarbeit verschiedener Unternehmen notwendig. Jedoch fehlt es Unternehmen heute an geeigneten Kooperationsmodellen und -strukturen, um die erforderliche Zusammenarbeit zielgerichtet anzugehen. Dadurch gehen Wertschöpfungspotenziale verloren. Gemeinsam mit den Praxispartnern Belfor, Databay, Etabo, Henkel und Yncoris untersucht das FIR diese Strukturen. In einem ersten Schritt wurden dafür Dimensionen für ein notwendiges Change-Management auf dem Weg zur Unternehmens kooperation erarbeitet. Ziel ist es, ein Assessment für Unternehmen zu entwickeln, mit dem diese den Weg zur Unternehmenskooperation selbst bewerten können. Zur Behebung der Lücken und Schwächen, die mithilfe dieses Assessments identifiziert werden, werden den Unternehmen anschließend passende Maßnahmen und Best Practices empfohlen.
Gestaltung von datenbasierten Fehlererkennungsanalysen bei der Instandhaltung von Produktionsanlagen
(2023)
Aktuell werden Maßnahmen des Wandlungsmanagements häufig nur einseitig aus der Perspektive des Anbieters oder der des Kunden betrachtet. Aufgrund der immer stärker werdenden Integration des Anbieters in die Wertschöpfungsprozesse des Kunden ist die einzelne Betrachtung des Anbieter- bzw. Kundenunternehmens zukünftig nur noch wenig sinnvoll. Hierzu bedarf es eines neuen Ansatzes, der beide Parteien gleichermaßen berücksichtigt. Wie dieser Ansatz auszugestalten ist, wird im Rahmen des Verbundprojekts ‚diaMant‘ erforscht. Drei reale Kunde-Anbieter-Beziehungen bilden hierbei die Grundlage, um das partizipative Wandlungsmanagement praxisnah zu ergründen.