Zusammenfassung
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.
Access this chapter
Tax calculation will be finalised at checkout
Purchases are for personal use only
Notes
- 1.
Alle anderen Ansätze laufen Gefahr, technisch elegant, jedoch kaum nützlich zu sein.
Literatur
Chapman, Pete; Clinton, Julian; Kerber, Randy; Khabaza, Thomas; Reinartz, Thomas; Shearer, Colin; Wirth, Rüdiger (1999): CRISP-DM 1.0: Step-by-step data mining guides. Hg. v. SPSS.
Domingos, Pedro (2018): The master algorithm. How the quest for the ultimate learning machine will remake our world. First paperback edition. New York: Basic Books.
Nyhuis, Peter; Wiendahl, Hans-Peter (2012): Logistische Kennlinien. 3. Aufl. Berlin, Heidelberg: Springer Berlin Heidelberg.
Rammer, Christian (2021): Herausforderungen beim Einsatz von Künstlicher Intelligenz. Hg. v. Bundesministerium für Wirtschaft und Energie (BMWi). Berlin. Online verfügbar unter https://www.de.digital/DIGITAL/Redaktion/DE/Digitalisierungsindex/Publikationen/publikation-download-ki-herausforderungen.pdf?__blob=publicationFile&v=3.
Reder, Bernd (2021): Studie Machine Learning 2021. Hg. v. Computerwoche und CIO. Online verfügbar unter https://www.lufthansa-industry-solutions.com/de-de/studien/idg-studie-machine-learning-2021, zuletzt geprüft am 02.09.2021.
Schuh, Günther (2012): Innovationsmanagement. Berlin, Heidelberg: Springer Berlin Heidelberg, zuletzt geprüft am 18.11.2020.
Schuh, Günther; Klappert, Sascha (2011): Technologiemanagement. Berlin, Heidelberg: Springer Berlin Heidelberg.
Schuh, Günther; Stich, Volker; Hicking, Jan; Wenger, Lucas; Abbas, Murtaza; Benning, Justus et al. (Hg.) (2020): Aachener Digital-Architecture-Management. Wegweiser zum digital vernetzten Unternehmen : Positionspapier. Forschungsinstitut für Rationalisierung e.V. an der RWTH Aachen. Aachen: FIR e.V. an der RWTH Aachen (FIR-Edition Praxis, 13).
Seifert, Inessa; Bürger, Matthias; Wangler, Leo; Christmann-Budian, Stephanie; Rohde, Marieke; Gabriel, Peter; Zinke, Guido (2018): Potenziale der Künstlichen Intelligenz im Produzierenden Gewerbe in Deutschland. Online verfügbar unter https://www.bmwi.de/Redaktion/DE/Publikationen/Studien/potenziale-kuenstlichen-intelligenz-im-produzierenden-gewerbe-in-deutschland.pdf?__blob=publicationFile&v=8, zuletzt geprüft am 15.05.2021.
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
Stich, V., Benning, J.A. (2023). Mit künstlicher Intelligenz zu mehr Entscheidungsfähigkeit in der Logistik. In: Voß, P.H. (eds) Die Neuerfindung der Logistik. Springer Gabler, Wiesbaden. https://doi.org/10.1007/978-3-658-41084-1_15
Download citation
DOI: https://doi.org/10.1007/978-3-658-41084-1_15
Published:
Publisher Name: Springer Gabler, Wiesbaden
Print ISBN: 978-3-658-41083-4
Online ISBN: 978-3-658-41084-1
eBook Packages: Business and Economics (German Language)