Refine
Year of publication
- 2022 (7) (remove)
Document Type
- Conference Proceeding (4)
- Part of a Book (2)
- Working Paper (1)
Is part of the Bibliography
- no (7) (remove)
Keywords
- AI (2)
- Auto-ML (2)
- Datenaustausch (1)
- Datensouveränität (1)
- Digitalization (2)
- Fallstudien (1)
- Industrie 5.0 (1)
- Industry 4.0 (1)
- Industry 5.0 (1)
- KI (1)
Institute
- Informationsmanagement (7) (remove)
Industry 4.0 is driven by Cyber-Physical Systems and Smart Products. Smart Products provide a value to both its users and its manufacturers in terms of a closer connection to the customer and his data as well as the provided smart services. However, many companies, especially SMEs, struggle with the transformation of their existing product portfolio into smart products. In order to facilitate this process, this paper presents a set of smart product use-cases from a manufacturer’s perspective. These use-cases can guide the definition of a smart product and be used during its architecture development and realization. Initially the paper gives an introduction in the field of smart products. After that the research results, based on case-study research, are presented. This includes the methodological approach, the case-study data collection and analysis. Finally, a set of use-cases, their definitions and components are presented and highlighted from the perspective of a smart product manufacturer.
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.
Methods of machine learning (ML) are difficult for manufacturing companies to employ productively. Data science is not their core skill, and acquiring talent is expensive. Automated machine learning (Auto-ML) aims to alleviate this, democratizing machine learning by introducing elements such as low-code or no-code functionalities into its model creation process. Due to the dynamic vendor market of Auto-ML, it is difficult for manufacturing companies to successfully implement this technology. Different solutions as well as constantly changing requirements and functional scopes make a correct software selection difficult. This paper aims to alleviate said challenge by providing a longlist of requirements that companies should pay attention to when selecting a solution for their use case. The paper is part of a larger research effort, in which a structured selection process for Auto-ML solutions in manufacturing companies is designed. The longlist itself is the result of six case studies of different manufacturing companies, following the method of case study research by Eisenhardt. A total of 75 distinct requirements were identified, spanning the entire machine learning and modeling pipeline.
Companies are transforming from transactional sales to providing solutions for their customers. Mostly, smart products, enabling companies to enhance their products by providing smart services to their customers, are a key building block in this transformation. However, the development of a smart product requires many digital skills and knowledge, which regular companies do not have. To facilitate the design and conceptualization of smart products, this paper presents a use-case-based information systems architecture prototype for smart products. Furthermore, the paper features the application and evaluation of the architecture on two different smart product projects. The use of such an architecture as a reference in smart product development serves as a huge advantage and accelerator for inexperienced companies, allowing faster entry into this new field of business. [https://link.springer.com/chapter/10.1007/978-3-031-14844-6_16]
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.
Inhaltsangabe Band:
Die vernetzte Digitalisierung hat die produzierende Industrie fundamental verändert. Im Rahmen dessen eröffnen sich produzierenden Unternehmen kontinuierlich neue Chancen, in einem zunehmend dynamischen und durch das Internet geprägten Wettbewerb, wirtschaftliche Erfolge zu erzielen. Durch die veränderten Rahmenbedingungen der vernetzten Digitalisierung müssen produzierende Unternehmen jedoch neue Ansätze für die Organisation der digitalen Transformation verfolgen: Sie müssen die neue Führungsaufgabe Digitalisierungsmanagement gestalten. Dabei muss das Digitalisierungsmanagement eine breite Aufgabenvielfalt abdecken.
Dieses Buch befähigt produzierende Unternehmen die digitale Transformation erfolgreich zu gestalten. Dazu werden Nutzen und Funktionsweisen der wesentlichen Aufgaben des Digitalisierungs- und Informationsmanagements praxisnah dargestellt. Ein spezifisch für produzierende Unternehmen, die eine digitale Transformation anvisieren, entwickeltes Digitalisierungs- und Informationsmanagement-Modell verknüpft schließlich die Inhalte.
Das vorliegende Buch ist als ein Nachschlagewerk für Führungskräfte und Entscheider entwickelt worden, die die Herausforderungen der Realisierung von digitalen Geschäftsmodellen, digitalisierten Produkten und digitalen Geschäftsprozessen angehen wollen. Die Methoden in diesem Buch helfen dabei, die richtigen Managementaufgaben zu verfolgen und diese in der Unternehmensorganisation umzusetzen. Dabei werden auch die Schnittstellen zwischen dem strategischen Digitalisierungsmanagement und dem taktischen bis operativen Informationsmanagement behandelt. Das Buch bietet einen schnellen und einfachen Zugriff auf die wichtigsten Methoden und viele unterstützende Beispiele. Es ist Teil der Reihe „Handbuch Produktion und Management“ und ergänzt dessen Ordnungsrahmen.
(Quelle: https://link.springer.com/book/10.1007/978-3-662-63758-6)
Eine Transformation findet einen Abschluss, nachdem der gewünschte Zielzustand erreicht wurde. Wie sieht es bei der digitalen Transformation aus? Kann es im Hinblick auf technologische Entwicklungen jemals zu einem Ende kommen? Oder befindet sich ein Unternehmen hierbei in einer kontinuierlichen Transformation durch die Weiterentwicklung der Digitalisierung? Wenn ja, wie kann ein Unternehmen mit diesem ständigen Wandel effizient und sicher umgehen? (Quelle: https://link.springer.com/chapter/10.1007/978-3-662-63758-6_17 )