Refine
Document Type
- Conference Proceeding (3)
- Contribution to a Periodical (1)
- Internet Paper (1)
- Working Paper (1)
Is part of the Bibliography
- no (6)
Keywords
Institute
- FIR e. V. an der RWTH Aachen (6) (remove)
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.
Prinzipien zur erfolgreichen Umsetzung von KI-Geschäftsmodellinnovationen
In Zeiten des zunehmenden globalen Wettbewerbs und hoch vernetzter Wertschöpfungsketten entwickelt sich Künstliche Intelligenz zu einem immer wichtiger werdenden Wettbewerbsfaktor für Unternehmen am Wirtschaftsstandort Deutschland. Durch den Einsatz von KI-Verfahren können nicht nur interne Geschäftsprozesse kostensenkend optimiert, sondern auch neue, digitale Geschäftsfelder und -modelle erschlossen werden. Es lassen sich zum einen Trends identifizieren, denen der Einsatz von KI in deutschen Unternehmen folgt. Zum anderen zeigt sich, dass sich KI unterschiedlich stark auf verschiedene Dimensionen innovativer Geschäftsmodelle auswirkt. Insgesamt lassen sich so Prinzipien ableiten, die die erfolgreiche Umsetzung von KI-Geschäftsmodellinnovationen beschreiben.
Neue Technologie- und Anwendungstrends kennzeichnen KI-Nutzung
Die tatsächliche KI-Landschaft in den Wertschöpfungsketten von KI-nutzenden Unternehmen ist durch Trends gekennzeichnet. Diese lassen sich in Technologie- und Anwendungstrends unterteilen. Experteninterviews zeigen beispielsweise, dass KI-Anwendungen bevorzugt auf Cloud-Infrastrukturen entwickelt und bereitgestellt werden. Das wiederum rückt die Frage nach der Wahrung der Datensouveränität in den Vordergrund. Anwendung findet KI tendenziell zur Prognose und Überwachung.
Sechs Prinzipien beeinflussen die erfolgreiche Umsetzung von KI-Geschäftsmodellinnovationen
Fallstudien über ein breites Spektrum der deutschen Wirtschaft beleuchten, welche Aspekte eines KI-basierten Geschäftsmodells den größten Effekt auf das Unternehmen haben. Hier lässt sich ein besonders hoher Einfluss von KI auf das Nutzenversprechen neuartiger, digitaler Leistungen der Unternehmen an die Kundinnen und Kunden feststellen. So lassen sich sechs Erfolgsprinzipien zur erfolgreichen Implementierung von KI-Technologien identifizieren, um die wirtschaftliche Nutzung von KI für Unternehmen in Deutschland im globalen Wettbewerb weiter zu steigern. So empfiehlt es sich zum Beispiel – neben der Auswahl des richtigen KI-Anwendungsfalles – ebenfalls darauf zu achten, dass die KI-Anwendung sowohl den Anbietenden wie auch den Anwendenden nützt. Diese und weitere Erfolgsprinzipien werden detailliert in der Studie Künstliche Intelligenz – Geschäftsmodellinnovationen und Entwicklungstrends beschrieben.
In manufacturing, adherence to delivery dates is one of the main logistic goals. The production control department has to cope with short-term deviations from the planned route sheets. Because of unforeseen disruptions, e.g. machine breakdowns or shortage of material or personnel, in some situations, the promised delivery date to the customer is at stake. In practice, a fast and reasonable decision on how to deal with the delayed order is required. This decision process is often based on a qualitative analysis relying on the planner’s subjective assessment of a complex situation. To improve the quality of possible countermeasures this paper presents an application, which supports the decision process through a quantified analysis using real-time data from business application systems in combination with a simulation of the value stream. The developed app is part of the decision process and estimates the effect of selected countermeasures to accelerate a delayed order. Performance indicators illustrate the effect of the countermeasures on the specific order as well as the whole system. This approach empowers the planner to assess unforeseen situations and aims to improve the quality of the decision-making process. This paper describes the architecture of the application, its simulation ecosystem, the relevant data and the decision process to select the most effective countermeasures.
Changing customer demands lead to increasing product varieties and decreasing delivery times, which in turn pose great challenges for production companies. Combined with high market volatility, they lead to increasingly complex and diverse production processes. Thus, the susceptibility to disruptions in manufacturing rises, turning the task of Production Planning and Control (PPC) into a complex, dynamic and multidimensional problem. Addressing PPC challenges such as disruption management in an efficient and timely manner requires a high level of manual human intervention. In times of digitization and Industry 4.0, companies strive to find ways to guide their workers in this process of disruption management or automate it to eliminate human intervention altogether. This paper presents one possible application of Machine Learning (ML) in disruption management on a real-life use case in mixed model continuous production, specifically in the final assembly. The aim is to ensure high-quality online decision support for PPC tasks. This paper will therefore discuss the use of ML to anticipate production disruptions, solutions to efficiently highlight and convey the relevant information, as well as the generation of possible reaction strategies. Additionally, the necessary preparatory work and fundamentals are covered in the discussion, providing guidelines for production companies towards consistent and efficient disruption management.
Unvorhergesehene Störungen gefährden in vielen Fällen den Kundenliefertermin. Die Produktionssteuerung hat die Aufgabe, effektiv und effizient auf diese kurzfristigen Störungen zu reagieren. Der Entscheidungsprozess beruht jedoch häufig auf einer qualitativen Analyse einer komplexen Situation anhand subjektiver Einschätzungen durch den Produktionsplaner. Zur Verbesserung der Entscheidungsfindung stellt dieser Beitrag eine App vor, die auf Basis von Echtzeitdaten und einer Simulation des Produktionssystems eine quantitative Entscheidungsfindung ermöglicht.
Due to Digital Transformation, also called Industry 4.0 or the Industrial Internet of Things, the barrier for implementing data collecting technology on the shop floor has decreased dramatically in the past years – leading to an increasingly growing amount of data from a multitude of IT systems in production companies worldwide. Despite that, the production controller still relies heavily on intrinsic knowledge and intuition for the management of disruptions in production. Thanks to advances in the fields of production control and artificial intelligence, potentials for the collected data for disruption management arise. However, in order to transform data into usable information and allow drawing conclusions for disruption management in production, the relevant data-objects, disturbances and alternative actions must be known. Thus, the decision-making can be supported, reducing the decision latency and increasing benefit of alternative actions. Therefore, the goal of this paper is to discuss the prerequisites necessary to perform a data based disruption management and the methodology itself, serving as an approach to allow companies to build a data basis, classify disruptions and alternative actions in order to improve decision making in the future. [https://link.springer.com/chapter/10.1007/978-3-030-28464-0_13]