Entwicklung einer Methodik zur Relevanzanalyse von Anwendungen der Künstlichen Intelligenz in der Produktion - für klein- und mittelständische Unternehmen (KMUs)
()
Über dieses E-Book
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.
Ähnlich wie Entwicklung einer Methodik zur Relevanzanalyse von Anwendungen der Künstlichen Intelligenz in der Produktion - für klein- und mittelständische Unternehmen (KMUs)
Ähnliche E-Books
Recruiting 4.0 - Big Data für KMU: Nutzung von Wettbewerbsvorteilen für den deutschen Mittelstand durch zielgerichteten Big Data-Einsatz im Recruiting Bewertung: 0 von 5 Sternen0 BewertungenTransformation von Business und IT: Auswirkungen der Mega-Trends der kommenden Jahre Bewertung: 0 von 5 Sternen0 BewertungenEntwicklung datenbasierter Produkt-Service Systeme: Ein Ansatz zur Realisierung verfügbarkeitsorientierter Geschäftsmodelle Bewertung: 0 von 5 Sternen0 BewertungenKünstliche Intelligenz: Mit Algorithmen zum wirtschaftlichen Erfolg Bewertung: 0 von 5 Sternen0 BewertungenStatus quo und Relevanz von digitalen Ökosystemen in der deutschen Versicherungswirtschaft Bewertung: 0 von 5 Sternen0 BewertungenGanzheitliches Produktionsmanagement: Strategischer Rahmen und operative Umsetzung Bewertung: 0 von 5 Sternen0 BewertungenIndustrie 4.0 als Hebel für stärkere Resilienz und mehr Nachhaltigkeit Bewertung: 0 von 5 Sternen0 BewertungenKünstliche Intelligenz im Marketing Bewertung: 0 von 5 Sternen0 BewertungenDigitalisierung in einem Produktionsunternehmen: Modellbildung und Methoden für die Einführung von einem Manufacturing Execution System (MES) Bewertung: 0 von 5 Sternen0 BewertungenProzesseigner: Wissen & Methoden für Manager von Unternehmensprozessen Bewertung: 0 von 5 Sternen0 BewertungenInnovationsmanagement der chemischen Industrie im digitalen Zeitalter: Den digitalen Wandel effektiv gestalten Bewertung: 0 von 5 Sternen0 BewertungenIndustrie 4.0 und Digitalisierung – Innovative Geschäftsmodelle wagen! Bewertung: 0 von 5 Sternen0 BewertungenVirtuelle Fahrzeugentwicklung: Chancen und Herausforderungen in der Produkt-/Prozessabsicherung Bewertung: 0 von 5 Sternen0 BewertungenKünstliche Intelligenz in der Wirtschaft Bewertung: 0 von 5 Sternen0 BewertungenUnternehmung 4.0: Vom disruptiven Geschäftsmodell zur Automatisierung der Geschäftsprozesse Bewertung: 0 von 5 Sternen0 BewertungenGeschäftsmodelle in die Zukunft denken: Erfolgsfaktoren für Branchen, Unternehmen und Veränderer Bewertung: 0 von 5 Sternen0 BewertungenProduktionscontrolling: Wertströme und Kosten optimieren Bewertung: 0 von 5 Sternen0 BewertungenBionic Wealth: Die nächste Generation der Vermögensanlage ist inspiriert vom Leben Bewertung: 0 von 5 Sternen0 BewertungenDigital Transformation in a Smart Product World: Potenziale durch innovatives Prozess- und Datenmanagement Bewertung: 0 von 5 Sternen0 BewertungenKaizen, Lean Management und Digitalisierung: Mit den japanischen Konzepten Wettbewerbsvorteile für das Unternehmen erzielen Bewertung: 0 von 5 Sternen0 BewertungenDigitale Transformation von Geschäftsmodellen erfolgreich gestalten: Trends, Auswirkungen und Roadmap Bewertung: 0 von 5 Sternen0 BewertungenÖkosysteme im Mittelstand Bewertung: 0 von 5 Sternen0 BewertungenPatientenorientierte Digitalisierung im Krankenhaus: IT-Architekturmanagement am Behandlungspfad Bewertung: 0 von 5 Sternen0 BewertungenLean Enterprise: Mit agilen Methoden zum innovativen Unternehmen Bewertung: 0 von 5 Sternen0 BewertungenCSR und Künstliche Intelligenz Bewertung: 0 von 5 Sternen0 BewertungenZukunftsfähige Unternehmensführung: Ideen, Konzepte und Praxisbeispiele Bewertung: 0 von 5 Sternen0 BewertungenAuswirkungen der Industrie 4.0 auf Geschäftsmodelle der Automobilhersteller: Masterthesis Bewertung: 0 von 5 Sternen0 BewertungenLean Digital Transformation: Geschäftsmodelle transformieren, Kundenmehrwerte steigern und Effizienz erhöhen Bewertung: 0 von 5 Sternen0 BewertungenStand der Digitalisierung, Finanzierung und Innovation in kleinen- und mittleren Unternehmen (KMU) in Sachsen: Eine empirische Befragung zur Ist-Situation Bewertung: 0 von 5 Sternen0 BewertungenDigitalisierung in Unternehmen: Von den theoretischen Ansätzen zur praktischen Umsetzung Bewertung: 0 von 5 Sternen0 Bewertungen
Künstliche Intelligenz (KI) & Semantik für Sie
Chatbotische Medien-Gestaltung leicht gemacht: Von der Idee zum viralen Hit Bewertung: 0 von 5 Sternen0 BewertungenChatbotische Landingpages: Wie du deine Konkurrenz in den digitalen Staub schicken Bewertung: 0 von 5 Sternen0 BewertungenEinstieg ins Machine Learning: Grundlagen, Prinzipien, erste Schritte Bewertung: 0 von 5 Sternen0 BewertungenPsychologie des Sozialismus Bewertung: 0 von 5 Sternen0 BewertungenChatGPT: Epische Reise des Erfolgs - 'Steigern Sie Ihren Reichtum': Mit Screenshots aus dem echten Leben - Erreichen Sie finanzielle Höhen Bewertung: 0 von 5 Sternen0 BewertungenMenschlicher Geist und Künstliche Intelligenz: Die Entwicklung des Humanen inmitten einer digitalen Welt Bewertung: 0 von 5 Sternen0 BewertungenRoboter im Alltag: Maschinen (beinahe) wie Menschen Bewertung: 0 von 5 Sternen0 BewertungenDie KI Bibel, mit künstlicher Intelligenz Geld verdienen: Echte Fallbeispiele und Anleitungen zum Umsetzen Bewertung: 1 von 5 Sternen1/5ChatGPT – Für Einsteiger: Schreibprofi mit KI, Zeit und Geld sparen ohne peinliche Fehler Bewertung: 0 von 5 Sternen0 BewertungenKI-Innovationen: Wie die Technologie die Grenzen verschiebt Künstliche Intelligenz verstehen und nutzen: Ein AI-Buch Bewertung: 0 von 5 Sternen0 BewertungenMeistern von ChatGPT: Entriegeln Sie die Kraft der KI für verbesserte Kommunikation und Beziehungen: German Bewertung: 0 von 5 Sternen0 BewertungenChatGPT: Begegnung mit einer neuen Welt: Lernen Sie Künstliche Intelligenz mit der Gratisversion ChatGPT 3.5 Bewertung: 0 von 5 Sternen0 BewertungenKünstliche Intelligenz in Sozialen Medien Bewertung: 0 von 5 Sternen0 BewertungenAufstieg der Roboter: Wie unsere Arbeitswelt gerade auf den Kopf gestellt wird - und wie wir darauf reagieren müssen Bewertung: 0 von 5 Sternen0 BewertungenWissen statt Glauben!: Das Weltbild des neuen Humanismus Bewertung: 0 von 5 Sternen0 BewertungenKünstliche Intelligenz: Die vierte industrielle Revolution Bewertung: 0 von 5 Sternen0 BewertungenDigitalotopia: Sind wir bereit für die (R)Evolution der Wirklichkeit? Bewertung: 0 von 5 Sternen0 BewertungenDie Zukunft der Arbeit: Digitalisierung, Automatisierung, KI Bewertung: 0 von 5 Sternen0 Bewertungen
Rezensionen für Entwicklung einer Methodik zur Relevanzanalyse von Anwendungen der Künstlichen Intelligenz in der Produktion - für klein- und mittelständische Unternehmen (KMUs)
0 Bewertungen0 Rezensionen
Buchvorschau
Entwicklung einer Methodik zur Relevanzanalyse von Anwendungen der Künstlichen Intelligenz in der Produktion - für klein- und mittelständische Unternehmen (KMUs) - Dipl. -Ing. Imran Hussain
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.jpgAbbildung 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