Refine
Document Type
- Part of a Book (3)
- Working Paper (3)
- Article (2)
- Book (2)
- Internet Paper (2)
- Report (1)
Language
- German (13) (remove)
Is part of the Bibliography
- no (13)
Keywords
- Abschlussbericht (1)
- Beratung (1)
- Big Data (1)
- Datenaustausch (1)
- Datenmanagement (1)
- Datensouveränität (1)
- Digital Architecture Management (1)
- Digital-Architecture-Management (1)
- Digital-Business-Model (1)
- Digitalisierung (1)
Institute
- Informationsmanagement (13) (remove)
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.
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)
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.
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.
Eine Herausforderung für produzierende Unternehmen in der Entwicklung intelligenter Produkte besteht darin, dass die Zielstellung, die mit einem intelligenten Produkt verfolgt wird, nicht expliziert ist. Zudem ist oftmals nicht spezifiziert, in welchem Anwendungsfall ein intelligentes Produkt agieren soll. Produzierende Unternehmen benötigen Unterstützung, um eine zielorientierte und folglich wirtschaftliche Melioration existierender Produkte zu gewährleisten. Ebendiese Melioration wird im Kontext von intelligenten Produkten als Smartifizierung bezeichnet und stellt damit einen Entwicklungsprozess dar, der ein bestehendes Produkt als Ausgangssituation im Sinne einer Anpassungskonstruktion expliziert. Die originäre Produktfunktion wird folglich nicht verändert, sondern das Produkt um digitale Funktionen und Dienstleistungen erweitert. Der Artikel befasst sich daher erstens mit der Beschreibung generischer Ziele für den Einsatz intelligenter Produkte im Maschinenbau. Eine Zusammenstellung und Erläuterung solcher Ziele unterstützt Unternehmen, eine Präzisierung der Zielfestlegung in der Initiierungsphase eines Smartifizierungsprojekts durchzuführen. Zweitens wird unter Anwendung der Ziel-Mittel-Beziehung ein Anwendungsfall intelligenter Produkte beschrieben. Abschließend werden beide Aspekte in einer Methode zusammengefasst, wie mittels Ziel- und Anwendungsfallbetrachtung Anforderungen abgeleitet und wie diese Elemente in Vorgehensmodelle der Produktentwicklung eingebettet werden können. Exemplarisch wird anhand einer Stanzmaschine aufgezeigt wie die Methode und die sich daraus ableitenden Ergebnisse im Smartifizierungsprozess zur Entwicklung einer intelligenten Stanzmaschine eingesetzt werden.
The development of renewable energies and smart mobility has profoundly impacted the future of the distribution grid. An increasing bidirectional energy flow stresses the assets of the distribution grid, especially medium voltage switchgear. This calls for improved maintenance strategies to prevent critical failures. Predictive maintenance, a maintenance strategy relying on current condition data of assets, serves as a guideline. Novel sensors covering thermal, mechanical, and partial discharge aspects of switchgear, enable continuous condition monitoring of some of the most critical assets of the distribution grid. Combined with machine learning algorithms, the demands put on the distribution grid by the energy and mobility revolutions can be handled. In this paper, we review the current state-of-the-art of all aspects of condition monitoring for medium voltage switchgear. Furthermore, we present an approach to develop a predictive maintenance system based on novel sensors and machine learning. We show how the existing medium voltage grid infrastructure can adapt these new needs on an economic scale.
Der Technologie- und Trendradar 2022 enthält die neusten Technologien und Trends des vergangenen Jahres. Im aktualisierten Radar wurden die Technologiereifegrade in den Steckbriefen neu bewertet, die Anwendungen, Potenziale und Herausforderungen der Technologien wo nötig aktualisiert und neue Technologien aufgenommen.
Der Technologie- und Trendradar 2022 enthält elf neue Steckbriefe. Das Technologiefeld Vernetzung wurde um Eventgetriebene IT-Architekturen, Internet of Behaviors und Web3 erweitert. Dem Feld Virtualisierung wurde die Technologie Metaverse hinzugefügt. Das Technologiefeld Datenverarbeitung wurde um den Trend Data-Centric AI ergänzt, das Feld Prozesse um den Trend Digitale Souveränität. Im Technologiefeld Produkte wurden die Technologien Edge AI, Inter Planetary File System (IPFS), Photonische Siliziumchips, Soft-Robotik und Neuromorphic Computing aufgenommen.
Eine Herausforderung für produzierende Unternehmen in der Entwicklung intelligenter Produkte besteht darin, dass die Zielstellung, die mit einem intelligenten Produkt verfolgt wird, nicht expliziert ist. Zudem ist oftmals nicht spezifiziert, in welchem Anwendungsfall ein intelligentes Produkt agieren soll. Produzierende Unternehmen benötigen Unterstützung, um eine zielorientierte und folglich wirtschaftliche Melioration existierender Produkte zu gewährleisten. Ebendiese Melioration wird im Kontext von intelligenten Produkten als Smartifizierung bezeichnet und stellt damit einen Entwicklungsprozess dar, der ein bestehendes Produkt als Ausgangssituation im Sinne einer Anpassungskonstruktion expliziert. Die originäre Produktfunktion wird folglich nicht verändert, sondern das Produkt um digitale Funktionen und Dienstleistungen erweitert. Der Artikel befasst sich daher erstens mit der Beschreibung generischer Ziele für den Einsatz intelligenter Produkte im Maschinenbau. Eine Zusammenstellung und Erläuterung solcher Ziele unterstützt Unternehmen, eine Präzisierung der Zielfestlegung in der Initiierungsphase eines Smartifizierungsprojekts durchzuführen. Zweitens wird unter Anwendung der Ziel-Mittel-Beziehung ein Anwendungsfall intelligenter Produkte beschrieben. Abschließend werden beide Aspekte in einer Methode zusammengefasst, wie mittels Ziel- und Anwendungsfallbetrachtung Anforderungen abgeleitet und wie diese Elemente in Vorgehensmodelle der Produktentwicklung eingebettet werden können. Exemplarisch wird anhand eines Energiekompensators aufzeigt, wie die Methode und die sich daraus ableitenden Ergebnisse im Smartifizierungsprozess zur Entwicklung eines intelligenten Energiekompensators eingesetzt werden.
Industrie 4.0 ist in Politik, Medien, Wissenschaft und Wirtschaft derzeit omnipräsent. Intelligenter, individueller, effizienter, schneller, vernetzter – so lauten nur einige Versprechen dieses neuen industriellen Zeitalters. Tatsächlich sind die Potenziale gerade für den deutschen Maschinen- und Anlagenbau gewaltig: Sowohl für Anbieter als auch für Anwender von Technologien rund um das Thema Industrie 4.0. Aber noch existieren viele ungelöste Fragen, Unsicherheiten und Aufgaben. Hier wollen wir mit unserer Readiness-Studie ansetzen und Hilfestellung leisten. Denn ein Selbstläufer wird Industrie 4.0 nicht. Mit der vorliegenden Studie soll die große Vision näher an die betriebliche Realität gebracht werden. Auch zeigen wir die anspruchsvollen Wegmarken auf, die für viele Unternehmen hinsichtlich ihrer Industrie 4.0-Fähigkeit noch zu passieren sind. Die Studie untersucht, an welcher Stelle der Maschinen- und Anlagenbau aktuell bei der Umsetzung steht. Motivation und Hemmnisse der Unternehmen werden ebenso in den Blick genommen wie die Unterschiede, die sich zwischen Mittelstand und großen Unternehmen ergeben. Im Ergebnis ist es erstmals möglich, die „Industrie 4.0-Readiness“ der Maschinenbau-Industrie detailliert und systematisch abzubilden.
Klar Schiff
(2009)
Im Rahmen dieser Studie untersuchten das Forschungsinstitut für Rationalisierung e. V. an der RWTH Aachen und die Universität St. Gallen
(Lehrstuhl Produktionsmanagement) 24 Veröffentlichungen von 11 Beratungsunternehmen. Dabei wurden über 200 Aussagen zur Bewältigung der Krise bewertungsneutral identifiziert und analysiert.