Befähigung von KMU zur Nutzung von Machine-Learning-Potenzialen
-
Manuel Savadogo
Manuel Savadogo, M. Sc., geb. 1995, studierte an der Leibniz Universität Hannover Wirtschaftsingenieurswesen mit den Schwerpunkten Produktionstechnik und Wirtschaftsinformatik. Nach seinem Studium arbeitete er als Vertriebsingenieur im Bereich der Automatisierungstechnik bei der Firma Keyence Deutschland GmbH. Seit Dezember 2022 arbeitet er am IPH – Institut für integrierte Produktion Hannover gGmbH als Projektingenieur im Bereich der Logistik. In Forschungs- und Beratungsprojekten setzt er sich mit dem Thema Machine Learning auseinander.
and
Malte Stonis
Dr.-Ing. Malte Stonis, geb. 1979, ist seit September 2016 koordinierender Geschäftsführer des IPH. Seine Forschungsschwerpunkte sind Effizienzsteigerung und Digitalisierung der Produktion, Kreislaufwirtschaft, Disruption sowie der Mensch in der digitalisierten und automatisierten Produktion. Dr. Stonis ist zudem Coach und Mentor für Startups aus dem produktionstechnischen Bereich.
Abstract
Die Nutzung von Machine Learning hat sich bereits in vielen Bereichen des alltäglichen Lebens etabliert und findet zunehmend Anwendung. Auch im Bereich der Produktion und Logistik gewinnt Machine Learning immer mehr an Bedeutung. Die komplexe Implementierung stellt jedoch vor allem kleine und mittlere Unternehmen (KMU) vor große Herausforderungen. Dies führt dazu, dass viele KMU auf die Nutzung von Machine-Learning-Anwendungen verzichten. Daher befasst sich das IPH – Institut für Integrierte Produktion gemeinsam mit dem IPRI – International Performance Research Institute in dem Forschungsprojekt „MLready“ mit der Entwicklung einer Einführungsstrategie, die KMU dazu befähigen soll, Machine Learning einfach und effizient implementieren und nutzen zu können.
Abstract
The use of machine learning has already become es-tablished and is applied in many areas of everyday life. Machine Learning is also becoming increasingly important in the field of production and logistics. However, the complex implementation poses major challenges, especially for small and medium-sized enterprises (SMEs). This leads to the fact that many SMEs refrain from using Machine Learning applications. For this reason, IPH – Institut für Integrierte Produktion and IPRI – International Performance Research Institute are working together on the research project „MLready“ to develop an implementation strategy that will enable SMEs to im-plement and use machine learning easily and efficiently.
Hinweis
Bei diesem Beitrag handelt es sich um einen von den Mitgliedern des ZWF-Advisory Board wissenschaftlich begutachteten Fachaufsatz (Peer-Review).
Funding statement: Das IGF-Vorhaben 22312 N der Bundesvereinigung Logistik (BVL) e. V. wird über die AiF im Rahmen des Programms zur Förderung der Industriellen Gemeinschaftsforschung (IGF) vom Bundesministerium für Wirtschaft und Kultur (BMWK) aufgrund eines Beschlusses des Deutschen Bundestages gefördert.
About the authors
Manuel Savadogo, M. Sc., geb. 1995, studierte an der Leibniz Universität Hannover Wirtschaftsingenieurswesen mit den Schwerpunkten Produktionstechnik und Wirtschaftsinformatik. Nach seinem Studium arbeitete er als Vertriebsingenieur im Bereich der Automatisierungstechnik bei der Firma Keyence Deutschland GmbH. Seit Dezember 2022 arbeitet er am IPH – Institut für integrierte Produktion Hannover gGmbH als Projektingenieur im Bereich der Logistik. In Forschungs- und Beratungsprojekten setzt er sich mit dem Thema Machine Learning auseinander.
Dr.-Ing. Malte Stonis, geb. 1979, ist seit September 2016 koordinierender Geschäftsführer des IPH. Seine Forschungsschwerpunkte sind Effizienzsteigerung und Digitalisierung der Produktion, Kreislaufwirtschaft, Disruption sowie der Mensch in der digitalisierten und automatisierten Produktion. Dr. Stonis ist zudem Coach und Mentor für Startups aus dem produktionstechnischen Bereich.
Literatur
1 Lerch, C.; Jäger, A.; Heimberger, H.: Produktion in Zeiten der Corona-Krise: Welche Auswirkungen hat die Pandemie heute und zukünftig auf die Industrie? Mitteilungen aus der ISI-Erhebung „Modernisierung der Produktion“, Dezember 2020, Ausgabe 7/8Search in Google Scholar
2 Baci, N.; Vukatana, K.; Baci, M.: Machine Learning Approach for Intrusion Detection Systems as a Cyber Security Strategy for Small and Medium Enterprises. WSEAS Transactions on Business and Economics 19 (2022), S. 474–480 DOI:10.37394/23207.2022.19.4310.37394/23207.2022.19.43Search in Google Scholar
3 Bundesministerium für Wirtschaft und Klimaschutz (Hrsg.): Künstliche Intelligenz im Mittelstand – Relevanz, Anwendung, Transfer: Eine Erhebung der Mittelstand-Digital Begleitforschung. BMWK, Berlin 2019Search in Google Scholar
4 Deloitte: State of AI in the Enterprise. Ergebnisse der Befragung von 100 AI Experten in deutschen Unternehmen. 2019Search in Google Scholar
5 Weskamp, M.; Tamas, A.; Wochinger, T.; Schatz, A.: Einsatz und Nutzenpotenziale von Data Mining in Produktionsunternehmen (Studie). Fraunhofer IPA, Stuttgart 2014Search in Google Scholar
6 Bitkom e. V. (Hrsg.): Konkrete Anwendungsfälle von KI & Big-Data in der Industrie (Leitfaden). Bitkom, Berlin 2019Search in Google Scholar
7 Wöstmann, R.; Nöhring, F.; Deuse, J.; Klinkenberg, R.; Lacker, T.: Big Data Analytics in der Auftragsabwicklung – Erschließung ungenutzter Potenziale in der variantenreichen Kleinserienfertigung. 2020Search in Google Scholar
8 Steinhagen, G.; Banf, M.: Flexible On-Premises Datenanalyse für KMU. In: VDI Wissensforum GmbH (Hrsg.): Automation 2021. VDI-Verlag, Düsseldorf 2021, S. 637–648 DOI:10.51202/9783181023921-63710.51202/9783181023921-637Search in Google Scholar
9 Stolberg, M.: 6 Hürden beim Einsatz von KI (und wie man sie überwindet) 2017. Online unter http:http://https://www.digitale-exzellenz.de/6-hurden-beim-einsatz-von-ki-und-wie-mansie-uberwindet[Zugriff am 18.12.2022]Search in Google Scholar
10 Tomaschko, F.; Annan, K.; Krommes, S.: Digitalisierung der Produktion: Ganzheitliche Bewertung. ZWF 117 (2022) 5, S. 321–326 DOI:10.1515/zwf-2022-105010.1515/zwf-2022-1050Search in Google Scholar
11 Müller, K.; Buschmann, D.; Cramer, S.; Enslin, C.; Fischer, M.; Janke, T.; Kemmerling, M.; Pelzer, L.; Pourbafrani, M.; Samsonov, V.; Schlegel, P.; Schmitz, S.; Schopen, M.; Schmitt, R.; Gries, T.: Entscheidungsunterstützung im Produktionsmanagement. ZWF 117 (2022) 3, S. 98–10310.1515/zwf-2022-1015Search in Google Scholar
12 Schuh, G.; Stich, V. (Hrsg.): Produktionsplanung und -steuerung 2: Evolution der PPS (VDI-Buch). Springer-Vieweg-Verlag, Wiesbaden 2012 DOI:10.1007/978-3-642-25427-710.1007/978-3-642-25427-7Search in Google Scholar
13 Schäfers, P.; Schmidt, M.: Entwicklung eines integrativen Logistikmodells für die unternehmensinterne Lieferkette. ZWF 110 (2015) 12, S. 775–778 DOI:10.3139/104.11143910.3139/104.111439Search in Google Scholar
14 Mielke, J.; Winkler, H.: Machine-Learning-Ansatz zur Produktionsauftragsplanung. ZWF 117 (2022) 6, S. 384–389 DOI:10.1515/zwf-2022-107710.1515/zwf-2022-1077Search in Google Scholar
15 Reindl, J.: Schöne neue digitale Welt – Autonomie und/oder Kontrolle. COGITO Institut für Autonomieforschung e. V., Köln 2019Search in Google Scholar
16 DIN – Deutsches Institut für Normung e. V.: DIN 19226-1:1994-02 Leittechnik; Regelungstechnik und Steuerungstechnik; Allgemeine Grundbegriffe. Beuth Verlag, Berlin 1994Search in Google Scholar
17 Dahlgaard, J.; Dahlgaard-Park, S.M.: Lean Production, Six Sigma Quality, TQM and Company Culture. The TQM Magazine 18 (2006) 3, S. 263–281 DOI:10.1108/0954478061065999810.1108/09544780610659998Search in Google Scholar
18 Beckschulte, S.; Klasen, N.; Huebser, L.; Schmitt, R.: Prädiktive Qualität in der Prozesslenkung. ZWF 116 (2021) 10, S. 662–666 DOI:10.1515/zwf-2021-013410.1515/zwf-2021-0134Search in Google Scholar
19 DIN – Deutsches Institut für Normung e. V.: Qualitätsmanagementsysteme – Grundlagen und Begriffe (ISO 9000:2015). Beuth Verlag, Berlin 2015Search in Google Scholar
© 2023 Walter de Gruyter GmbH, Berlin/Boston, Germany
Articles in the same Issue
- Inhalt
- Editorial
- Qualitätsmanagement im Wandel
- Fehlermanagement
- Datengetriebenes Fehlermanagement in der Produktion
- Qualitätsüberwachung
- Ganzheitliche und auf maschinellen Lernverfahren basierende Qualitätsüberwachung
- Fabrikplanung
- Fabrikumzüge im Rahmen von Reorganisationsprojekten
- Prozessoptimierung
- ISAK: Ein flexibler Ansatz zur Optimierung von Prozessen in KMU
- Supply-Chain-Simulation
- Catena-X – Online Steuerung und Simulation
- Agilität
- Gestaltung resilienter Produktionsnetzwerke mit Agilitätsbefähigern
- Anforderungsmanagement
- Resilient Requirements Engineering
- Diskontinuität
- Frühaufklärung produktionstechnischer Defizite
- Kundenbindung
- Neue Produkte erfordern neue Denkweisen zur Einführung
- Instandhaltung
- Systemdiagnose an haustechnischen Kompensator-Installationen
- Dämpfung
- Hochdämpfende Metall-Graphit-Verbundwerkstoffe in Werkzeugmaschinen
- Digitalisierung
- Erfolgsfaktoren digitaler Geschäftsmodelle für OEM in der Automobilindustrie
- KI und IoT – Treiber der Digitalen Transformation
- Künstliche Intelligenz
- Kontinuierliche Verbesserung eines KI-Systems
- Potenzialanalyse von KI-Anwendungen in der Produktion
- Cyber-Sicherheit
- Cyber-Security-Herausforderungen im Kontext von Engineering 4.0
- Maschinelles Lernen
- Befähigung von KMU zur Nutzung von Machine-Learning-Potenzialen
- Vorschau
- Vorschau
Articles in the same Issue
- Inhalt
- Editorial
- Qualitätsmanagement im Wandel
- Fehlermanagement
- Datengetriebenes Fehlermanagement in der Produktion
- Qualitätsüberwachung
- Ganzheitliche und auf maschinellen Lernverfahren basierende Qualitätsüberwachung
- Fabrikplanung
- Fabrikumzüge im Rahmen von Reorganisationsprojekten
- Prozessoptimierung
- ISAK: Ein flexibler Ansatz zur Optimierung von Prozessen in KMU
- Supply-Chain-Simulation
- Catena-X – Online Steuerung und Simulation
- Agilität
- Gestaltung resilienter Produktionsnetzwerke mit Agilitätsbefähigern
- Anforderungsmanagement
- Resilient Requirements Engineering
- Diskontinuität
- Frühaufklärung produktionstechnischer Defizite
- Kundenbindung
- Neue Produkte erfordern neue Denkweisen zur Einführung
- Instandhaltung
- Systemdiagnose an haustechnischen Kompensator-Installationen
- Dämpfung
- Hochdämpfende Metall-Graphit-Verbundwerkstoffe in Werkzeugmaschinen
- Digitalisierung
- Erfolgsfaktoren digitaler Geschäftsmodelle für OEM in der Automobilindustrie
- KI und IoT – Treiber der Digitalen Transformation
- Künstliche Intelligenz
- Kontinuierliche Verbesserung eines KI-Systems
- Potenzialanalyse von KI-Anwendungen in der Produktion
- Cyber-Sicherheit
- Cyber-Security-Herausforderungen im Kontext von Engineering 4.0
- Maschinelles Lernen
- Befähigung von KMU zur Nutzung von Machine-Learning-Potenzialen
- Vorschau
- Vorschau
