Refine
Document Type
- Contribution to a Periodical (4)
- Working Paper (4)
- Book (2)
- Part of a Book (2)
- Conference Proceeding (1)
- Master's Thesis (1)
- Internet Paper (1)
Language
- German (15) (remove)
Is part of the Bibliography
- no (15)
Keywords
- 1 (1)
- 2 (1)
- ADAM (1)
- ADM-Systeme (1)
- Additive Fertigung (1)
- Big Data (1)
- Blockchain (1)
- Blockchaintechnologie (1)
- Cyber-Security (1)
- Data Literacy (1)
Institute
Smart-Data-Management
(2022)
Durch die vernetzte Digitalisierung stehen Unternehmen mehr Daten zur Verfügung als je zuvor. Die Tendenz ist dabei steigend und ein Ende der Entwicklung nicht abzusehen. Gleichzeitig wirken höhere Kundenanforderungen und ein globalisiertes Wettbewerbsumfeld spürbar auf die produzierende Industrie ein. Kompetenzen wie individualisierte Produktentwicklung, nachhaltige Kundenbindung und ein einzigartiges Wertversprechen gewinnen zunehmend an Relevanz. In diesem Spannungsfeld stellt sich die Frage, wie das Potenzial der stetig wachsenden Rohdatenmengen genutzt werden kann, um sich auf dem Markt von Mitstreitern abzusetzen.
Die Inhalte des Kapitels ‚Smart-Data-Management‘ sollen dazu dienen, produzierende Unternehmen zu befähigen, durch datenbasierte Anwendungen produktive und vorausschauende Entscheidungen zu treffen. Dabei kann der Mehrwert in einer gesteigerten Reaktionsgeschwindigkeit in Bezug auf externe Effekte liegen, aus der Verbesserung bestehender Unternehmensprozesse hervorgehen oder sich in neuen, durch Künstliche Intelligenz (KI) erschlossenen Geschäftsfeldern zeigen.
Dieses Kapitel schließt sich an die Themenstellungen der Informationslogistik (Kap. 8) und des Projektmanagements (Kap. 10) an und fokussiert die notwendigen Schritte zur erfolgreichen Umsetzung von datenbasierter Wertschöpfung. Es werden Trendthemen wie Big Data, KI und Maschinelles Lernen aufgegriffen und im Zuge dessen ein Projektvorgehensmodell vorgestellt, das auf das Management von Smart Data zugeschnitten ist.
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.
Die EU-Kommission ist dabei, eine Datenökonomie aufzubauen. Diese soll bis 2028 ein zusätzliches Bruttoinlandsprodukt von 270 Milliarden Euro generieren. Speziell für ein Land wie Deutschland, das über keine nennenswerten Bodenschätze verfügt, klingt das zunächst einmal lukrativ. Eine solche Datenökonomie wird aber nicht nur einen neuen Markt, neue Akteure und neue Geschäftsmodelle hervorbringen. Sie greift auch tief in das aktuelle Verständnis der Hersteller von Maschinen und Anlagen ein, wie mit Daten aus ihren Maschinen umgegangen werden soll, und zwingt sie zum Umdenken. Der juristische Hebel zur Schaffung der Datenökonomie, der EU-Data-Act, macht neue und verpflichtende Vorgaben zur technischen Gestaltung von Maschinen und Anlagen und verschafft deren Nutzer:innen ein Zugriffsrecht auf Maschinendaten.
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.