Entwicklung einer Methodik zur Relevanzanalyse von Anwendungen der Künstlichen Intelligenz in der Produktion - für klein- und mittelständische Unternehmen (KMUs)

Von Dipl. -Ing. Imran Hussain

Klein- und mittelständische Unternehmen (KMUs) stehen vor spezifischen Herausforderungen bei der Einführung von KI-Anwendungen, die durch bestehende Bereitschafts- und Reifegradmodelle, die vorrangig auf Großunternehmen zugeschnitten sind, nicht ausreichend adressiert werden. Um diese Lücke zu schließen, wurde eine Methodik zur Relevanzanalyse von KI-Anwendungen in der Produktion für KMUs entwickelt. Diese Methodik dient als Vorstufe zu bestehenden Reifegradtests und ermöglicht es KMUs, KI-Potenziale in ihrem Unternehmen systematisch zu identifizieren und zu bewerten. Sie stellt zudem mögliche KI-Anwendungen und ihre allgemeinen Voraussetzungen vor. Ziel ist es, KMUs schrittweise auf die Einführung von KI vorzubereiten, wobei besonderer Wert auf den Aufbau von Kompetenzen und das Engagement der Unternehmensleitung für das Thema KI gelegt wird. Dies bereitet KMUs auf die Anwendung bestehender Reifegradtests vor und leitet den iterativen Prozess zur Integration von KI im Unternehmen ein.

 

Relevante Stichwörter sind: KMUs, KI-Anwendungen, Relevanzanalyse, Methodik, Produktionsbereich, Reifegradmodelle, Kompetenzaufbau, KI-Integration, Unternehmensleitung, iterative Prozesse.

• Sprache: Deutsch
• Herausgeber: Imran Hussain
• Erscheinungsdatum: 17. Jan. 2024
• ISBN: 9798224461523

Buchvorschau

Kurzfassung / Abstract

KMUs haben spezifische Hindernisse, die sie vor der Einführung von KI-Anwendungen überwinden müssen. Bestehende Bereitschafts- und Reifegradmodelle enthalten einen wissenschaftlich fundierten, systematischen Ansatz zur Realisierung dieser Einführung. Sie sind jedoch in der Regel auf die Rahmenbedingungen und Gegebenheiten von Großunternehmen ausgerichtet und berücksichtigen somit nicht die spezifischen Voraussetzungen von KMUs. Die entwickelte Methodik zur Relevanzanalyse von Anwendungen der Künstlichen Intelligenz in der Produktion, soll als Vorstufe zu bestehenden Reifegradtests dienen. Mit einer einfachen Methodik sollen KMUs in die Lage versetzt werden, KI-Potenziale in ihrem Unternehmen zu identifizieren. Darüber hinaus werden mögliche KI-Anwendungen mit ihren allgemeinen Voraussetzungen vorgestellt. Durch die schrittweise Einführung von KI, den daraus resultierenden Kompetenzaufbau, insbesondere die Gewinnung des Bekenntnisses der Unternehmensleitung zum Thema KI, werden KMUs sukzessive auf die Anwendung bestehender Reifegradtests vorbereitet, um dann den iterativen Prozess zur unternehmensweiten Integration von KI zu starten.

SMEs have specific barriers they must overcome before adopting AI applications. Existing readiness and maturity models contain a scientifically based, systematic approach to realize this introduction. However, they are usually geared to the framework and circumstances of large companies, and thus do not take into account the specific prerequisites of SMEs. The developed methodology for the relevance analysis of artificial intelligence applications in production, is intended to serve as a preliminary stage of existing maturity tests. With a simple methodology, SMEs will be able to identify AI potentials in their company. In addition, possible AI applications are presented along with their general prerequisites. Through the step-by-step introduction of AI, the resulting competence building, especially gaining the commitment of the company management to the topic of AI, SMEs are successively prepared for the application of existing maturity tests, in order to then start the iterative process for the company-wide integration of AI.

Inhaltsverzeichnis

Kurzfassung / Abstract

Abkürzungsverzeichnis

1      Einleitung

1.1      Motivation

1.2      Problemstellung und Zielsetzung

2      Grundlagen

2.1      Grundlagen der KI

2.1.1      Starke KI

2.1.2      Schwache KI

2.1.2.1      Machine Learning und Deep Learning

2.1.3      Kategorisierung von KI-Anwendungen

2.1.4      Klassifizierungen von Anforderungen an KI-Anwendungen

2.1.5      Spezielle Voraussetzungen für Relevanzanalysen bei KMUs

3      Entwicklung der Methodik der Relevanzanalyse

3.1      Grundlagen der Relevanzanalyse

3.1.1      Begriffe

3.1.2      Vorhandene KI-Selbsteinschätzungstests

3.2      Die Methodik der Relevanzanalyse

3.2.1      Auswahl der Kategorisierung von KI-Anwendungen für die Relevanzanalyse

3.2.2      Auswahl der Kategorisierung von Voraussetzungen für KI-Anwendungen

3.2.3      Scoring-Methode & Fragendesign

3.2.4      Darstellung der Ergebnisse und ihre Interpretation

4      Fazit

Literaturverzeichnis

Abkürzungsverzeichnis

KMU Klein- und mittelständische Unternehmen

KI Künstliche Intelligenz

ML Machine Learning

DL Deep Learning

NLP Natural Language Processing

RPA Robotic Process Automation

Ind. 4.0 Industrie 4.0

UF Unternehmensführung

Die Erzielung von Wettbewerbsvorteilen in der Fertigung war stets ein Treiber für die Entwicklung von immer kostengünstigeren und effizienteren Produktionsmechanismen.¹

Mit der fortschreitenden Globalisierung und zusätzlichen modernen Herausforderungen - wie die abnehmende Verfügbarkeit natürlicher Ressourcen, steigende Energiepreise, der demografische Wandel in der Arbeitswelt sowie die zunehmende Nachfrage der Kunden nach neuartigen Produkt- und Dienstleistungsinnovationen sowie höherer Produktvielfalt, Qualitätsstandards, individueller Anpassbarkeit der Produkte und kürzeren Lieferzeiten - stehen insbesondere Industrieunternehmen vor neuen Herausforderungen.² Sie müssen nicht nur ihre Produktionsprozesse entlang der gesamten Lieferketten dynamischer gestalten, ihren Digitalisierungsgrad erhöhen, sondern auch neuartige Aspekte wie die Aufgabenverteilung zwischen Mensch und Maschine neu definieren, um den veränderten Anforderungen gerecht zu werden. Dabei sehen die Unternehmen vor allem Industrie 4.0 als Chance und Herausforderung zugleich.³

Industrie 4.0 ist ein Sammelbegriff, der durch eine Vielzahl von Konzepten beschrieben werden kann, welche die Treiber einer sogenannten „vierten industriellen Revolution" sein sollen, die in der Lage sind, die oben genannten modernen Herausforderungen zu lösen.⁴ Viele der Konzepte der Industrie 4.0 beruhen auf denselben Grundlagen, die auch in der sogenannten „Künstlichen Intelligenz" (KI) zu finden sind, z.B. die Erstellung, Analyse und Filterung großer Daten- und Informationsmengen durch den Einsatz von Sensoren und/oder Software, die Unterstützung bei der Interpretation dieser Daten, die Bereitstellung von Empfehlungen für die beste Vorgehensweise und die autonome Kommunikation zwischen Maschinen. Demnach ist die KI als eine der Schlüsseltechnologien für die Bewältigung dieser modernen Herausforderungen anzusehen.⁵ Zahlreiche Studien und Experteninterviews belegen, dass KI ein großes Wertschöpfungspotential hat und zwar vor allem im Supply-Chain-Management und der Produktion.⁶

Die Einführung jeder neuen Technologie in einem Unternehmen erfordert eine Methodik, daher ist es unerlässlich, dass auch für die Einführung von KI-Technologien und -Anwendungen geeignete Methoden ausgewählt und eingesetzt werden.⁷ Wenn eine neue Technologie eingeführt werden soll, ist der erste Schritt eine entsprechende Selbsteinschätzung der vorhandenen Potenziale im Unternehmen.⁸

Die bestehenden Tests bieten keine zufriedenstellende Vorgehensweise für eine Selbsteinschätzung im Hinblick auf die spezifischen Anforderungen von KMUs. Diese Arbeit beschäftigt sich mit demnach mit einem Schritt der Einführung, der der eigentlichen Implementierung von KI-Anwendungen vorausgeht, nämlich dem Schritt der Relevanzanalyse. Wenn Unternehmen wissen, welche neuen digitalen Technologien für sie relevant sind und sie diese gezielt im Unternehmen einführen, werden sie diese auch erfolgreich nutzen können.⁹ Gerade kleine und mittelständische Unternehmen (KMUs)¹⁰ stehen aber vor der Herausforderung, dass sie nur begrenzte Kenntnisse über die Potentiale neuer Technologien (wie z.B. KI-Anwendungen) haben.¹¹

Aufgrund der Wichtigkeit von KMUs in der Wirtschaft ist es notwendig, dass entsprechende Methoden für KMUs erarbeitet werden, welche die Analyse der potentiellen Anwendungen von KI unter Berücksichtigung ihrer speziellen Rahmenbedingungen ermöglicht.

Für die Einführung und Implementierung von KI-Anwendungen in Industrieunternehmen haben Wissenschaftler verschiedene Methoden entwickelt¹², welche jedoch hauptsächlich auf die Rahmenbedingungen und Gegebenheiten großer Unternehmen ausgerichtet waren.¹³ Dabei stellen KMUs mehr als 99% der Unternehmen in Deutschland dar und gelten als Rückgrat der deutschen Wirtschaft.¹⁴ Sie haben nicht nur eine wichtige Rolle in der Entwicklung neuer Technologien, sondern tragen auch zur Robustheit und Agilität der deutschen Wirtschaft bei.¹⁵ Obwohl KMUs eine hohe Wichtigkeit in der Wirtschaft zukommt, geht die Integration von KI in ihrer Wertschöpfungskette trotz staatlicher Initiativen¹⁶ sehr langsam voran.

https://www.bitkom.org/sites/default/files/2020-10/201006_pi_einsatz-von-ki-in-der-wirtschaft_print.jpg

Abbildung 1 „Einsatz von KI in der Wirtschaft wird überschätzt" (Quelle: bitkom Research 2020)¹⁷

Dieser Rückstand ist jedoch keineswegs nur bei KMUs zu beobachten. KI-Anwendungen wie personalisierte Werbung und automatisierte Kommunikation mit Kunden sind auch in der Bevölkerung bekannt. In einer repräsentativen Umfrage des Digitalverbands bitkom (2020) wurden die Bürgerinnen und Bürger gefragt, ob ihrer Meinung nach viele Unternehmen einige dieser bekannten KI-Anwendungen einsetzen. Die Diskrepanz zwischen der Einschätzung der Bevölkerung, d.h. der potenziellen Verbraucher und Kunden, und der Realität bezüglich der Nutzung dieser Anwendungen ist deutlich zu erkennen (siehe Abbildung 1). Entgegen der bürgerlichen Wahrnehmung ist die Nutzung dieser Technologien nicht sehr weit verbreitet - weder bei KMUs, noch bei großen Unternehmen.¹⁸

Große Unternehmen machen aber bezüglich der Einführung und Nutzung von KI-Anwendungen größere und schnellere Fortschritte als KMUs.¹⁹

Der weite Rückstand von KMUs in Sachen KI hat verschiedenartige Gründe. Von Lundborg & Märkel (2019, S. 10) werden 9