Abstract
Die gezielte und zukunftsorientierte Aus- und Weiterbildung von Mitarbeiter:innen in technischen Unternehmen erfordert im Kontext des rapiden technologischen und demographischen Wandels innovative Lösungsansätze. Die Identifizierung und Strukturierung von kompetenzrelevanten Informationen aus unstrukturierten Unternehmensdaten mithilfe von Methoden der Künstlichen Intelligenz (KI), vor allem Text-Mining (TM), bieten hier neue Möglichkeiten, dieser Herausforderung zu begegnen. In Zusammenarbeit mit der Infineon Technologies Austria AG wurden im Bereich der Instandhaltung von Implanter-Anlagen eine skalierbare Systematik und ein Prozess, einschließlich eines mathematischen Algorithmus und eines dazugehörigen Modells, entwickelt, um Personalkompetenzen aus un- und teilstrukturierten Instandhaltungsdaten zu extrahieren.
Abstract
In the context of rapid technological and demographic change, the specific and future-oriented education and training of employees in technical companies require innovative approaches. The identification and structuring of competence-relevant information from unstructured company data with the help of artificial intelligence (AI) methods, especially text mining (TM), offer new possibilities to meet this challenge. In cooperation with Infineon Technologies Austria AG, a scalable system and process was developed, including a mathematical algorithm and an associated competence model. The software demonstrator has been implemented in the area of maintenance, with a special focus on the implantation phase of the chip manufacturing process. The demonstrator is used to extract competencies of personnel from unstructured and partially structured maintenance data.
Hinweis
Bei diesem Beitrag handelt es sich um einen von den Mitgliedern des ZWF-Advisory Board wissenschaftlich begutachteten Fachaufsatz (Peer-Review).
About the authors
Dipl.-Ing. Linus Kohl, geb. 1990, studierte an der TU Wien Wirtschaftsingenieurwesen-Maschinenbau. Seit 2019 ist er als Wissenschaftlicher Mitarbeiter an der TU Wien in der Forschungsgruppe „Smart and Knowledge-Based Maintenance“ sowie seit 2020 bei Fraunhofer Austria im Bereich Advanced Industrial Management beschäftigt.
Dipl.-Ing. Benedikt Fuchs, geb. 1990, studierte an der TU Wien Wirtschaftsingenieurwesen-Maschinenbau. Seit 2020 ist er als Wissenschaftlicher Mitarbeiter bei Fraunhofer Austria im Bereich Advanced Industrial Management beschäftigt.
Dipl.-Inform. Rene Berndt, geb. 1973, studierte er an der Universität Bonn und TU Braunschweig Informatik mit den Schwerpunkt Computergrafik und Digitale Bibliotheken. Seit 2011 ist er Forscher bei Fraunhofer Austria und seit 2019 als Business Relationship Manager für das Fraunhofer Austria Center für Data Driven Design tätig.
Dr. Daniel Valtiner, geb. 1986, verantwortet den Bereich der Instandhaltung Ionenimplantation bei der Infineon Technologies Austria AG, wo er seit über zehn Jahren in unterschiedlichen Bereichen der Fertigung wie auch Forschung & Entwicklung tätig ist. Zuvor studierte er unter anderem Systems Engineering und Informatik und promovierte in internationalem Management.
Priv.-Doz. Dr.-Ing. Fazel Ansari, geb. 1981, habilitierte im Bereich Industrial Engineering an der TU Wien und leitet dort am Institut für Managementwissenschaften die Forschungsgruppe „Smart and Knowledge-Based Maintenance“. Bei Fraunhofer Austria ist er als Senior Industrial Data Scientist und Projektleiter im Themenbereich digitale Lern- und Informationssysteme tätig.
Univ. Prof. Dr.-Ing. Sebastian Schlund, geb. 1979, ist BMK-Stiftungsprofessor für Industrie 4.0 an der TU Wien und leitet dort den Forschungsbereich Mensch-Maschine-Interaktion am Institut für Managementwissenschaften (IMW). Außerdem leitet er den Geschäftsbereich Advanced Industrial Management der Fraunhofer Austria.
Literatur
1 All-Electronics: ZVEI: Halbleitermarkt wächst weltweit um 4 Prozent (2020). Online unter https://www.all-electronics.de/zvei-halbleitermarkt-waechst-weltweit-um-4-prozent/ [Abruf am 16.03.2021]Search in Google Scholar
2 IC Insights (Hrsg.): The McClean Report 2021. Online unter https://www.icinsights.com/services/mcclean-report/ [Abruf am 16.03.2021]Search in Google Scholar
3 Steinlechner M.; Schumacher, A.; Fuchs, B.; Reichsthaler, L.; Schlund, S.: A Maturity Model to Assess Digital Employee Competencies in Industrial Enterprises.CIRP CMS CIRP Procedia 54 (2021) [in Review]10.1016/j.procir.2021.11.199Search in Google Scholar
4 Bertelsmann Stiftung (Hrsg.): Den demografischen Wandel im Unternehmen managen. Ergebnisbericht einer Studie von Mercer und der Bertelsmann Stiftung, Frankfurt a. M. 2012Search in Google Scholar
5 Schuh, G.; Kelzenberg, C.; Helbig, J.; Graberg, T.: Kompetenzprofile in einer digital vernetzten Produktion: Veränderungen in Kompetenzanforderungen und Handlungsempfehlungen für eine anforderungsgerechte Weiterbildung in der metallverarbeitenden Industrie. In: Forschungsförderung Working Paper, Düsseldorf 2020Search in Google Scholar
6 Schlund, S.; Pokorni, B.: Industrie 4.0 – Wo steht die Revolution der Arbeitsgestaltung? Ingenics AG, Stuttgart/Ulm 2016, S. 35Search in Google Scholar
7 Schellinger, J.; Goedermans, M.; Kolb, L. P.; Sebai, Y.: Digitale Transformation und Human Resource Management. In: Schellinger, J.; Tokarski, K. O.; Kissling-Näf, I. (Hrsg.): Digitale Transformation und Unternehmensführung. Springer Fachmedien Wiesbaden, Wiesbaden 2020 10.1007/978-3-658-26960-9Search in Google Scholar
8 Ansari, F.; Hold, P.; Khobreh, M.: A Knowledge-based Approach for Representing Jobholder Profile toward Optimal Human–machine Collaboration in Cyber Physical Production Systems. CIRP Journal of Manufacturing Science and Technology 28 (2020), S. 87–106 10.1016/j.cirpj.2019.11.005Search in Google Scholar
9 Pejic-Bach, M.; Bertoncel, T.; Meško, M.; Krstić, Ž.: Text Mining of Industry 4.0 Job Advertisements. International Journal of Information Management 50 (2020), S. 416–431 10.1016/j.ijinfomgt.2019.07.014Search in Google Scholar
10 Fareri, S.; Fantoni, G.; Chiarello, F.; Coli, E.; Binda, A.: Estimating Industry 4.0 Impact on Job Profiles and Skills Using Text Mining. Computers in Industry 118 (2020), S. 103–222 10.1016/j.compind.2020.103222Search in Google Scholar
11 Dorn, J.; Naz, T.; Pichlmair, M.: Ontology Development for Human Resource Management. In: Proceedings of 4rd International Conference on Knowledge Management, Ch. Stary, F. Barachini, S. Hawamdeh (Hrg.); Series on Information & Knowledge Management 6 (2007)S. 109–120 10.1142/9789812770592_0010Search in Google Scholar
12 Khobreh, M.; Ansari, F.; Fathi, M.; Vas, R.; Mol, S. T.; Berkers, H. A.; Varga, K.: An Ontology-Based Approach for the Semantic Representation of Job Knowledge. IEEE Transactions on Emerging Topics in Computing 4 (2016) 3, S. 462–473 10.1109/TETC.2015.2449662Search in Google Scholar
13 Schmatlz, R.: Semantic Web Technologien für das Wissensmanagement, Georg-August-Universität Göttingen (2004) 1, Arbeitsbericht Nr. 1/2004Search in Google Scholar
14 Mihaylov, E.; Tijdens, K. G.: Measuring the Routine and Non-Routine Task Content of 427 Four-Digit ISCO-08 Occupations, Tinbergen Institute Discussion Paper 2019-035/V (2019) 10.2139/ssrn.3389681Search in Google Scholar
© 2021 Walter de Gruyter GmbH, Berlin/Boston, Germany