Kurzfassung
Produzierende Unternehmen sehen sich mit einer steigenden Komplexität in ihrer Produktion konfrontiert. Vielfach wird versucht, Erkenntnisse zur Beherrschung dieser Komplexität durch Auswertung von Daten mit Verfahren der Künstlichen Intelligenz (KI) zu gewinnen. Insbesondere für kleine und mittlere Unternehmen (KMU) stellt dies jedoch eine große Hürde dar. Daher wurde ein KI-Tool entwickelt, das Unternehmen hilft, einerseits das Potenzial für KI unternehmensindividuell abzuschätzen und andererseits aufwandsarm KI-Verfahren anzuwenden.
Abstract
Manufacturing companies face an increasing complexity in their production in recent years. In many cases, they attempt to gain knowledge for mastering this complexity by evaluating data using artificial intelligence (AI) methods. However, this represents a major hurdle especially for small- and medium-sized enterprises (SME). Therefore, an AI tool was developed that helps companies to estimate the company-specific potential for AI and to apply AI procedures with a minimum of effort.
Literatur
1. ElMaraghy, H.; Schuh, G.; ElMaraghy, W.; Piller, F.; Schönsleben, P.; Tseng, M.; Bernard, A.: Product Variety Management. CIRP Annals62 (2013) 2, S. 629–65210.1016/j.cirp.2013.05.007Search in Google Scholar
2. Schuh, G.; Reinhart, G.; Prote, J.-P.; Sauermann, F.; Horsthofer, J.; Oppolzer, F.; Knoll, D.: Data Mining Definitions and Applications for the Management of Production Complexity. Procedia CIRP81 (2019), S. 874–87910.1016/j.procir.2019.03.217Search in Google Scholar
3. Harding, J.; Shahbaz, M.; Kusiak, A.: Data Mining in Manufacturing: A Review. Journal of Manufacturing Science and Engineering128 (2006) 4, S. 969–97610.1115/1.2194554Search in Google Scholar
4. Wang, K.: Applying Data Mining to Manufacturing: The Nature and Implications. Journal of Intellectual Manufacturing18 (2007) 4, S. 487–49510.1007/s10845-007-0053-5Search in Google Scholar
5. Wirth, R.; Hipp, J.: CRISP-DM: Towards a Standard Process Model for Data Mining. In: Proceedings of the 4th International Conference on the Practical Application of KDD and Data Mining. 11th-13th April 2000, Manchester, UK. Practical Application Co, Blackpool, Lancashire, UK, S. 29–39Search in Google Scholar
6. Mikut, R.; Reischl, M.: Data Mining Tools. WIREs Data Mining Knowl Discov1 (2011) 5, S. 431–44310.1002/widm.24Search in Google Scholar
7. Stone, D.; Jarrett, C.; Woodroffe, M.; Minocha, S.: User Interface Design and Evaluation. Elsevier, Amsterdam2005Search in Google Scholar
8. Nielsen, J.: Heuristic Evaluation. In: Nielsen, J.; Mack, R.L. (Hrsg.): Usability Inspection Methods. John Wiley & Sons, New York, NY1994Search in Google Scholar
© 2019, Carl Hanser Verlag, München
