Filtern
Dokumenttyp
Sprache
- Deutsch (16)
- Englisch (6)
- Mehrsprachig (1)
Gehört zur Bibliographie
- nein (23)
Schlagworte
- 1 (1)
- 2 (1)
- 3 (1)
- ADAM (2)
- ADM-Systeme (1)
- AI (2)
- Additive Fertigung (1)
- Auto-ML (2)
- Big Data (2)
- Blockchain (1)
Institut / FIR-Bereiche
Methods of machine learning (ML) are notoriously difficult for enterprises to employ productively. Data science is not a core skill of most companies, and acquiring external talent is expensive. Automated machine learning (Auto-ML) aims to alleviate this, democratising machine learning by introducing elements such as low-code / no-code functionalities into its model creation process. Multiple applications are possible for Auto-ML, such as Natural Language Processing (NLP), predictive modelling and optimization. However, employing Auto-ML still proves difficult for companies due to the dynamic vendor market: The solutions vary in scope and functionality while providers do little to delineate their offerings from related solutions like industrial IoT-Platforms. Additionally, the current research on Auto-ML focuses on mathematical optimization of the underlying algorithms, with diminishing returns for end users. The aim of this paper is to provide an overview over available, user-friendly ML technology through a descriptive model of the functions of current Auto-ML solutions. The model was created based on case studies of available solutions and an analysis of relevant literature. This method yielded a comprehensive function tree for Auto-ML solutions along with a methodology to update the descriptive model in case the dynamic provider market changes. Thus, the paper catalyses the use of ML in companies by providing companies and stakeholders with a framework to assess the functional scope of Auto-ML solutions.
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.
Die digitale Transformation in Unternehmen bewirkt einen stetigen Anstieg der Datenmengen auf allen Unternehmensebenen. Die Nutzung dieser Daten und deren Veredlung zu Informationen gestalten sich aufgrund der historisch gewachsenen IT-Komplexität jedoch zunehmend als strukturelle und organisatorische Herausforderung. Das Potenzial der digitalen Transformation, schnellere und bessere Entscheidungen auf Basis von Analysen der vorliegenden Datenbasis zu treffen, bleibt damit oftmals hinter den Erwartungen zurück. Unternehmen sind daher gefordert, Strukturen und Fähigkeiten zur Beherrschung der Ressource Information zu gestalten. Die Informationslogistik stellt einen essenziellen Baustein dar, um interne und externe Informationsflüsse effektiv und effizient nutzbar zu machen.
Crisis situations can lead to extreme consequences for society and the economy, such as the disruption of supply chains and the collapse of critical infrastructure. The challenge for optimal crisis preparation lies in the unpredictability of causes, duration and scope, and severity. AI-based resilience services can aid in crisis preparation by providing software-based warnings, recommendations, and countermeasures. The aim of this paper is to present a method for evaluating such services in terms of their usefulness and acceptance. A questionnaire is presented, and the results of its piloting phase are disseminated. With these results, existing and projected AI-based services for crisis prevention can be evaluated.
Anwendungsfälle wie intelligente Routenoptimierung und fortschrittliche Simulationsalgorithmen repräsentieren das riesige Einsatzspektrum von Methoden der künstlichen Intelligenz. Steigende Anforderungen an Liefertermintreue, Flexibilität und Transparenz wie bspw. Emissionsverfolgung, erfordern zunehmend den Einsatz von KI. Die Nutzung dieser Schlüsseltechnologie und die Hebung der Potenziale scheitern oft an der Komplexität in Bezug auf die Eingrenzung und Identifikation von wirtschaftlich relevanten Anwendungsfällen. Unternehmen müssen den Business Fit zwischen den wirtschaftlichen Erfolgsaussichten und den dafür benötigten digitalen Bausteinen herstellen. Mit dem Digital-Architecture Management lassen sich die relevanten KI-basierten Anwendungsfälle identifizieren und eine Roadmap aufbauen, um die datenbasierte Entscheidungsfähigkeit in der Logistik zu verbessern.
Im Benchmarking zum Themenfeld „Monetizing Smart Products“ können Konzepte für Smarte Produkte und deren Vermarktung mit dem anderer Unternehmen verglichen werden, um wichtige Impulse für die Weiterentwicklung des digitalen Produktportfolios zu erhalten. Ziel des Benchmarkings ist die Identifikation von Unternehmen, die besonders erfolgreich Ansätze im Bereich der Monetarisierung Smarter Produkte umsetzen.
Um vertriebliche Herausforderung systematisch angehen zu können, hat das FIR das Innovationsprojekt „Vertriebsexzellenz für digitale Produkte & Services“ ins Leben gerufen. Im Rahmen dieses Innovationsprojekts werden gemeinsam mit einem branchen-übergreifenden Konsortium von Industriepartnern Strategien, Maßnahmen und Methoden abgeleitet, um einen messbaren Erfolg in der Vermarktung digitaler Produkte und Services zu erzielen.
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.
Aufgrund der überwältigenden Menge an Informationsquellen wird ein systematisches Technologiemanagement, insbesondere für KMU, immer schwieriger. Daher hat das Projekt ‚TechRad‘ zum Ziel, den Technologiescouting-Schritt in diesem Prozess durch einen softwareplattformbasierten Radar zu automatisieren, der KMU eine permanent aktuelle, individuelle Übersicht über verfügbare Technologien bereitstellt. Der TechRadar wird durch KI-Algorithmen automatisch Daten aus relevanten Quellen sammeln, die Relevanz der jeweiligen Technologie (d. h. ihren Reifegrad) bewerten und diese dann auf einer Radarkarte visualisieren. Als Teilziel dieses Projekts muss eine intuitiv zu bedienende grafische Benutzeroberfläche entwickelt werden. Die Anforderungsaufnahme dafür wird häufig in einem Wireframing-Workshop durchgeführt. Die Umstellung des normalerweise physischen Workshop-Formats auf ein virtuelles ist Hauptthema des Artikels. 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.
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.