Auch nach der Coronavirus-Pandemie wird die fertigende Industrie mit anhaltendem Fachkräftemangel konfrontiert sein. Mitarbeiterqualifizierung bleibt eine zentrale Zukunftsaufgabe. Wie fördern produzierende Betriebe effizientes digitales Lernen in einer von der digitalen Transformation geprägten Arbeitswelt?

Beschaffung hat grundsätzlich die Aufgabe, einer Organisation ihre benötigten, aber nicht selbst hergestellten Güter zur Verfügung zu stellen. Verträge sind dabei das zentrale Instrument zur Vereinbarung lieferantenseitiger Leistungen. In Verträgen ist der Leistungs-Gegenleistungsmechanismus festgeschrieben und zahlreiche rechtliche Fragestellungen wie Haftung, Gewährleistung usw. sind darin geregelt. Schon seit längerem werden Verträge digital mithilfe von Computerprotokollen abgebildet. Solche „elektronischen Verträge“ oder auch „Smart Contracts“ bilden die Logik der vertraglichen Regelungen technisch ab und erleichtern so die Überwachung des Leistungsaustauschs. Dies wird sich noch weiterentwickeln. Denn verbesserte Algorithmen und künstliche Intelligenz werden zukünftig in der Lage sein, Verträge nicht nur zu administrieren, sondern auch zu gestalten. Dieser Beitrag stellt den Status Quo dar und stellt vor, wie künstliche Intelligenz in der Beschaffung zur Steuerung von Lieferanten genutzt werden könnte (Smart Contracting). Als Ergebnis wird eine Vision eines solchen neuen Vertragsdesignprozesses skizziert.

Optimierung ist eine wesentliche Fragestellung in vielen Kontexten. Sei es Ressourcen-, Zeit-, Personal- oder nicht zuletzt auch Kosteneffizienz, regelhaft müssen Prozesse, Einstellungen, Zusammensetzungen – die Liste ließe sich beliebig fortsetzen − optimiert werden. Um das Optimierungsproblem zu lösen, gibt es viele unterschiedliche Techniken. Eine besondere Klasse stellen die evolutionären Algorithmen dar, sie zählen zu den populationsbasierten, heuristischen Verfahren. Sie erlauben auch die Optimierung von Problemen mit vielen lokalen Optima oder stark durch Nebenbedingungen eingeschränkten Suchräumen. Gleichzeitig sind sie in der Lage, im Rahmen eines einzelnen Optimierungslaufs mehrere Lösungsmöglichkeiten vorzuschlagen. Ein besonderer Aspekt bei der Verwendung von evolutionären Algorithmen ist die Wahl der korrekten Kodierung oder die wohldefinierte Spezifikation einer Kodierung. Insbesondere bei der Optimierung eines Prozesses, der aus sich wiederholenden Grundprozessen besteht, die sich nur in ihren Parameterausprägungen unterscheiden, ist dies ein nicht-triviales Problem. Dieser Beitrag stellt eine solche, bereits erfolgreich getestete Kodierung vor, die sich insbesondere in Hinblick auf die KI-Unterstützung als dateneffizient herausgestellt hat.

Die Lagerhaltung ist in vielen Unternehmen sehr arbeits- und kostenintensiv. Die Digitalisierung und Automatisierung von manuellen Lagerprozessen können die Effizienz steigern, Kosten senken und Mitarbeitende entlasten. Dabei finden kollaborative Roboter, die sich Arbeitsaufgaben mit Mitarbeitenden teilen, zunehmend Anwendung in Lagerhäusern. Der unreflektierte Einsatz solcher Roboter kann jedoch die Akzeptanz der Mensch-RoboterKollaboration negativ beeinflussen. Verschiedene Einflüsse wie Angst vor Arbeitsplatzverlust, höherer kognitiver Stress, erwarteter Mehraufwand oder die Sorge vor Verletzungen können die Zusammenarbeit zwischen Mensch und Roboter behindern und sich negativ auf den wirtschaftlichen Nutzen auswirken. Dieser Beitrag stellt mögliche Barrieren für die Akzeptanz der kollaborativen Robotik in Lagerhäusern vor und diskutiert Handlungsempfehlungen für eine menschzentrierte, nachhaltige Mensch-Roboter-Kollaboration.

Beim selektiven Laserschmelzen wird Metallpulver schichtweise aufgeschmolzen und mit dem bereits gefertigten Bauteil verschmolzen. Innerhalb dieses Prozesses entstehen vermeidbare fehlerhafte Schichten. Derartige Fehler sind erst durch verschiedene Druck- und Zugfestigkeitsexperimente nach dem Druck feststellbar. Dieses Vorgehen ist kostenintensiv und ineffizient.

Laut acatech [1] gewinnt Künstliche Intelligenz (KI) zunehmend an Bedeutung für den Erfolg produzierender Unternehmen. Die entstehenden datengetriebenen Lösungen im Bereich der Produktion sind gekennzeichnet durch ihre Vielfalt. Sowohl die Prozesse, in denen die Lösungen eingesetzt werden, als auch der Standort (verschiedene Fabriken, Fabrikteilbereiche, etc.) der Lösungen unterscheiden sich. Häufig werden die Lösungen zudem kaum über die Pilotgrenzen hinaus skaliert. Am Ende eines KI-Projekts sind die Ziele eines Anwendungsfalls erfüllt, für die IT-Systemlandschaft kommt jedoch oft eine weitere Insellösung hinzu. Die entstehenden Daten werden nicht weiter verwertet, eine aufwändige Wartung macht die gewonnenen Effizienzen zunichte.

m Fabrikbetrieb kommen häufig Messmittel zum Einsatz, bei denen noch keine automatische Abspeicherung oder Weiterverarbeitung des gemessenen Werts erfolgt. Mitarbeiter müssen in diesem Fall den Messwert manuell erfassen und weiterverarbeiten. Folgend wird ein Ansatz zur optischen Erfassung und Digitalisierung von Messwerten mithilfe Maschineller Lernverfahren vorgestellt. Dies soll zur Entlastung der Mitarbeiter beitragen, Ablesefehler reduzieren sowie eine automatisierte Dokumentation ermöglichen.