Abstract
Die Digitalisierung führt zu vielfältigen Veränderungen in der Logistik. Immer mehr Daten stehen zur Verfügung, die detaillierte Prognosen über Maschinen oder Bedarfe ermöglichen. Mitarbeiterdaten erlauben es Unternehmen, prozessuralen Mehrwert durch die Bewegungs- oder Leistungsanalyse des Arbeitstages zu erreichen. Dies kann aber für die Mitarbeiter nachteilige Konsequenzen haben. In diesem Beitrag wird ein Ansatz vorgestellt, der dem entgegenwirkt, indem die Mitarbeiterpräferenzen in die Personaleinsatzplanung einbezogen werden. In der menschzentrierten, d. h. am Wohlbefinden der Mitarbeiter ausgerichteten, Entwicklung des Systems werden insbesondere ethische Bedenken frühzeitig aufgenommen und berücksichtigt. Fairness, Mitarbeiterzufriedenheit, Autonomie und der Schutz der Privatsphäre der Mitarbeiter sind Leitsätze, die die Gestaltung des Systems bestimmen.
Abstract
Digitization and automation highly increases the amount of available process data in logistics. To use data in a way that employees rights and values are adequatly considered, the HPAO (human preference-aware optimization) research project is investigating new possibilities of data usage in personnel deployment planning. Technical and ethical aspects are investigated equally. Artificial Intelligence Algorithms can take large amounts of data and contraints in the allocation in account and are thus considered to match workers to workplaces in the project. An operational system will be created by developing a survey-based methodology to measure staff preferences, identifying suitable allocation algorithms and producing mock-ups of the software, which will be examined in user studies for applicability and transparency. This serves as a case study and basis for the development of ethical guidelines for employee-centered technology.
Hinweis
Bei diesem Beitrag handelt es sich um einen von den Mitgliedern des ZWF-Advisory Board wissenschaftlich begutachteten Fachaufsatz (Peer-Review).
Um den Lesefluss zu erleichtern, wird in diesem Artikel das generische Maskulinum verwendet. Jede männliche Formulierung bezieht sich ebenso auf weibliche Personen oder Personen diversen Geschlechts.
Funding statement: Dieser Aufsatz entstand im Rahmen des Forschungsprojekts „A Human Preference-Aware Optimization System“, einer Kooperation des Lehrstuhls für Fördertechnik, Materialfluss, Logistik (Prof. Dr.-Ing. Johannes Fottner) und des Lehrstuhls für International Relations (Prof. Dr. Tim Büthe) an der Technischen Universität München. Das Projekt wird gefördert durch das Institute for Ethics in Artificial Intelligence der Technischen Universität München. Wir bedanken uns bei Jaimee Lau, B. Sc., und Winnie Xu, B. Sc., für ihre Mithilfe bei der der Durchführung und Analyse der Interviews und der Umfrage.
About the authors
Charlotte Haid, M. Sc., ist Wissenschaftliche Mitarbeiterin am Lehrstuhl für Fördertechnik, Materialfluss, Logistik an der TU München. Nach ihrem Master im Maschinenwesen hat sie zunächst in der Automobilindustrie im Bereich Logistikinnovationen gearbeitet. Seit Mitte 2020 gelten ihre Forschungsinteressen am Lehrstuhl neben der Gestaltung der Zukunft der Arbeit auch der Robotik und der sozialen Transformation durch den Einsatz technischer Innovationen in der Fabrik.
Dr. Charlotte Franziska Unruh ist Wissenschaftliche Mitarbeiterin am Lehrstuhl für International Relations an der TU München. Ihre Promotion in Philosophie schloss sie 2021 an der University of Southampton (UK) ab. Charlottes Forschungsinteressen gelten neben der Ethik der Artificial Intelligence auch ethischen Fragestellungen in Bezug auf Nachhaltigkeit und Zukunftsgerechtigkeit.
Isabel Pröger, B. Sc., studierte nach ihrem Bachelor im Bereich Physiotherapie den Master Human Factors Engineering und hat ihre Masterarbeit im beschriebenen Forschungsprojekt abgeschlossen.
Prof. Dr.-Ing. Johannes Fottner ist seit 2016 Ordinarius des Lehrstuhls für Fördertechnik, Materialfluss, Logistik der TU München. Nach seinem Studium Maschinenwesen und seiner Promotion im Jahr 2002 an der TUM, arbeitete er von 2002 bis 2008 in verschiedenen Managementfunktionen bei der Schweizer Swisslog Gruppe. 2008 übernahm er die Geschäftsführung der MIAS Group. Im Verein Deutscher Ingenieure (VDI) ist er Vorstandsmitglied des Bezirksvereins München und seit 2015 stellvertretender Vorsitzender der Fachgesellschaft Produktion und Logistik.
Prof. Dr. Tim Büthe ist seit 2016 Ordinarius des Lehrstuhls für Internationale Beziehungen an der Hochschule für Politik an der TU München und Mitglied der Fakultäten TUM School of Governance und TUM School of Management. Nach seiner Promotion im Jahr 2002 an der Columbia University in New York, war er zunächst James B. Conant Fellow an der Harvard University und danach Political Science Fellow an der Stanford University. Vor dem Ruf an die TUM war er zuletzt Associate Professor für Political Science und Public Policy an der Duke University (USA).
Literatur
1 Hempfing, A.; Schwemmer, M.: Fachkräftemangel in der Logistik. – Vermessung, Struktur und Handlungsfelder. Fraunhofer SCS, Nürnberg Ausgabe 2019Search in Google Scholar
2 Vernim, S.: Anforderungsermittlung für das Montagepersonal in der digitalen Transformation. Dissertation, Technische Universität München, 2020Search in Google Scholar
3 Schmitt-Rüth, S.; Luzsa, R.: Industrie 4.0 und der Faktor Mensch – Ein Industrie-4.0-Selbstcheck für verantwortungsbewusste und vorausschauende Unternehmen aus „Faktor Mensch“-Sicht. Fraunhofer IIS, Nürnberg Ausgabe 2019Search in Google Scholar
4 Cohrs, C.: Personaleinsatz und Personalfreisetzung. In: Rowold, J. (Hrsg.): Human Resource Management. Springer-Verlag, Berlin, Heidelberg 2015, S. 145–158 DOI: 10.1007/978-3-662-45983-6_1410.1007/978-3-662-45983-6_14Search in Google Scholar
5 Günther, M.; Nissen, V.: Sub-daily Staff Scheduling for a Logistics Service Provider. KI – Künstliche Intelligenz 24 (2010) 2, S. 105–113 DOI: 10.1007/s13218-010-0023-510.1007/s13218-010-0023-5Search in Google Scholar
6 Hochdörffer, J.; Hedler, M.; Lanza, G.: Staff Scheduling in Job Rotation Environments Considering Ergonomic Aspects and Preservation of Qualifications. Journal of Manufacturing Systems 46 (2018), S. 103–114 DOI: 10.1016/j.jmsy.2017.11.00510.1016/j.jmsy.2017.11.005Search in Google Scholar
7 Kaçmaz, Ö.; Alakas¸, H. M.; Eren, T.: Shift Scheduling with the Goal Programming Method: A Case Study in the Glass Industry. Mathematics 7 (2019) 6, S. 561 DOI: 10.3390/math706056110.3390/math7060561Search in Google Scholar
8 Tsourma, M.; Zikos, S.; Drosou, A. et al.: Online Task DistributionSimulation in Smart Factories. In: Proceedings of the 2nd International Symposium on Small-scale Intelligent Manufacturing Systems (SIMS). IEEE, Cavan, 2018, S. 1–6 DOI: 10.1109/SIMS.2018.835530110.1109/SIMS.2018.8355301Search in Google Scholar
9 Xue, N.; Landa-Silva, D.; Triguero, I. et al.: A Genetic Algorithm With Composite Chromosome for Shift Assignment of Part-time Employees. In: Proceedings of the IEEE Congress on Evolutionary Computation (CEC). IEEE, Rio de Janeiro, 2018, S. 1–8 DOI: 10.1109/CEC.2018.847781810.1109/CEC.2018.8477818Search in Google Scholar
10 Özder, E. H.; Özcan, E.; Eren, T.: Sustainable Personnel Scheduling Supported by an Artificial Neural Network Model in a Matural Gas Combined Cycle Power Plant. International Journal of Energy Research 44 (2020) 9, S. 7525–7547 DOI: 10.1002/er.548010.1002/er.5480Search in Google Scholar
11 Lau, H.; Woo, S. O.; Choi, C. Y.: Mampower Allocation and Shift Scheduling Using Human Performance Simulation. IFAC Proceedings 39 (2006) 3, S. 181–186 DOI: 10.3182/20060517-3-FR-2903.0010810.3182/20060517-3-FR-2903.00108Search in Google Scholar
12 Michalos, G.; Makris, S.; Mourtzis, D.: A Web Based Tool for Dynamic Job Rotation Scheduling Using Multiple Criteria. CIRP Annals 60 (2011) 1, S. 453–456 DOI: 10.1016/j.cirp.2011.03.03710.1016/j.cirp.2011.03.037Search in Google Scholar
13 Meisels, A.; Schaerf, A.: Modelling and Solving Employee Timetabling Problems. Annals of Mathematics and Artificial Intelligence 39 (2001) 1, S. 41–59 DOI: 10.1023/A:102446071476010.1023/A:1024460714760Search in Google Scholar
14 Russell, S. J.; Norvig, P.: Artificial Intelligence – A Modern Approach. Pearson, Boston 202010.1093/oso/9780190905033.003.0012Search in Google Scholar
15 Monarch, R.: Human-In-the-Loop Machine Learning : Active Learning and Annotation for Human-Centered AI. Manning Publications Co. LLC, 2021Search in Google Scholar
16 Hermeier, B.; Heupel, T.; Fichtner-Rosada, S.: Arbeitswelten der Zukunft. Springer Fachmedien Wiesbaden, Wiesbaden 2019 DOI: 10.1007/978-3-658-23397-610.1007/978-3-658-23397-6Search in Google Scholar
17 Zäpfel, G.; Wasner, M.: Warehouse Sequencing in the Steel Supply Chain as a Generalized Job Shop Model. International Journal of Production Economics 104 (2006) 2, S. 482–501 DOI: 10.1016/j.ijpe.2004.10.00510.1016/j.ijpe.2004.10.005Search in Google Scholar
18 Reinhart, G.; Magenheimer, K.; Greitemann, J.: Verschwendungsfokussierte Prozessmodellierung. ZWF 107 (2012) 4, S. 235–239 DOI: 10.3139/104.11072610.3139/104.110726Search in Google Scholar
© 2021 Walter de Gruyter GmbH, Berlin/Boston
