Zusammenfassung
Um die Produktion nachhaltig zu verbessern, müssen Fertigungsbetriebe Schwachstellen in Prozessen ausfindig machen und beseitigen. Durch beschreibende bzw. diagnostische Datenanalyse können Unternehmen diese Schwachstellen erkennen, beheben und erhebliche Produktivitätssteigerungen erreichen. Durch die zunehmende Komplexität der Fertigungsanlagen und Produktionsprozesse reicht dies in vielen Fällen nicht mehr aus. Um die zunehmend komplexen Kausalzusammenhänge zu erkennen, wird eine künstliche Intelligenz benötigt. Basierend auf einzelnen KI-Pilotprojekten werden, getrieben durch die Geschäftsleitung, eine auf die Analyse von großen Datenmengen ausgerichtete Unternehmens-IT aufgebaut und neue Rollen und Zusammenarbeitsmodelle etabliert. So wird die Basis geschaffen, um anschließend in kürzester Zeit hunderte KI-Anwendungsfälle umzusetzen und KI zu industrialisieren.
This is a preview of subscription content, log in via an institution to check access.
Access this chapter
Tax calculation will be finalised at checkout
Purchases are for personal use only
Literatur
Frochte, J. (2020). Maschinelles Lernen: Grundlagen und Algorithmen in Python. Carl Hanser Verlag GmbH Co KG.
Hentschel, R., & Leyh, C. (2018). Cloud Computing: Status quo, aktuelle Entwicklungen und Herausforderungen. In Cloud computing (S. 3–20). Springer Vieweg.
Industrie 4.0 Award. (2019). Sieger smart factory: Robert Bosch GmbH. https://industry40award.com/de/the-winners/robert-bosch-gmbh/. Zugegriffen am 15.05.2021.
IT-Daily.net. (2018). Großes Potenzial für Machine Learning in Europa. https://www.it-daily.net/analysen/20085-grosses-potenzial-fuer-machine-learning-in-europa. Zugegriffen am 15.05.2021.
Klein, D., Tran-Gia, P., & Hartmann, M. (2013). Big data. Informatik-Spektrum, 2013, 36(3), 319–323.
Kletti, J. (2013). Industrie 4.0 ist ohne Manufacturing Execution Systems undenkbar. https://www.maschinenmarkt.vogel.de/industrie-40-ist-ohne-manufacturing-execution-systems-undenkbar-a-409073/. Zugegriffen am 15.02.2021.
Kraus, C. (2019). Wie Sie Ihren Industrie 4.0 Reifegrad bestimmen. https://www.produktion.de/industrial_future_roi/wie-sie-ihren-industrie-4-0-reifegrad-bestimmen-114.html. Zugegriffen am 15.02.2021.
Luber, S., & Litzel, N. (2019). Was ist Digitalisierung? https://www.bigdata-insider.de/was-ist-digitalisierung-a-626489/. Zugegriffen am 15.02.2021.
Mathis, C. (2017). Data lakes. Datenbank-Spektrum, 17(3), 289–293.
Mayer, F. (2020). Die richtige Mischung aus Rollen und Kompetenzen für ein erfolgreiches Data Science Projekt. https://www.westphalia-datalab.com/die-richtige-mischung-aus-rollen-und-kompetenzen-fuer-ein-erfolgreiches-data-science-projekt/. Zugegriffen am 15.02.2021.
Patruno, L. (2019). The ultimate guide to model retraining. https://mlinproduction.com/model-retraining/. Zugegriffen am 15.02.2021.
Rausch, T., Dustdar, S., & Ranjan, R. (2018). Osmotic message-oriented middleware for the internet of things. IEEE Cloud Computing, 2018, 5(2), 17–25.
Semmelmann, K. (2021). Die Bedeutung von Datenqualität für Unternehmen. https://datadrivencompany.de/die-bedeutung-von-datenqualitaet-fuer-unternehmen/. Zugegriffen am 15.02.2021.
Thrive. (2021). Industrialisierte KI: Der neue Treibstoff für alles. https://thrive.dxc.technology/de/2020/12/01/industrialisierte-ki-der-neue-treibstoff-fuer-alles/. Zugegriffen am 15.02.2021.
Von Enzberg, S., Sahrhage, P., & Kühn, A. (2019). Big Data-Architekturen–die sicheren Häuser in der Fertigung. https://www.iem.fraunhofer.de/content/dam/iem/dokumente/themenschmoeker/digitale-transformation/themenschmoeker-4-digitale-transformation-big-data-architekturen.pdf. Zugegriffen am 15.02.2021.
Wirth, R. (2000). Towards a standard process model for data mining. In Proceedings of the 4th international conference on the practical applications of knowledge discovery and data mining. Springer-Verlag.
Author information
Authors and Affiliations
Corresponding author
Editor information
Editors and Affiliations
Rights and permissions
Copyright information
© 2023 Der/die Autor(en), exklusiv lizenziert an Springer Fachmedien Wiesbaden GmbH, ein Teil von Springer Nature
About this chapter
Cite this chapter
Köppl, S. (2023). Technologiebasierte Konzepte der digitalen Wertschöpfung unter besonderer Berücksichtigung von Künstlicher Intelligenz. In: Schallmo, D.R.A., Lang, K., Werani, T., Krumay, B. (eds) Digitalisierung. Schwerpunkt Business Model Innovation. Springer Gabler, Wiesbaden. https://doi.org/10.1007/978-3-658-36634-6_19
Download citation
DOI: https://doi.org/10.1007/978-3-658-36634-6_19
Published:
Publisher Name: Springer Gabler, Wiesbaden
Print ISBN: 978-3-658-36633-9
Online ISBN: 978-3-658-36634-6
eBook Packages: Business and Economics (German Language)