Bibtex
Cite as text
@Article{Schmalzried+Hurst+Zander+Wentzien,
Cite-key = "Schmalzried2023ORKI",
Year= "2023",
Number= "3",
Volume= "IM 39",
Pages= "28-33",
Journal = "Industrie 4.0 Management",
Title= "Ordnungsrahmen für Anwendungen der Künstlichen Intelligenz im Industrie-4.0-Kontext",
Author= "Dirk Schmalzried, Marco Hurst, Jonas Zander und Marcel Wentzien, Ernst-Abbe-Hochschule Jena",
Doi= "https://doi.org/10.30844/IM_23-3_28-33",
Abstract= "Wegen der immer stärker fortschreitenden Durchdringung von KI in Unternehmen scheint ein Ordnungsrahmen für Begrifflichkeiten und Betrachtungsaspekte der Anwendung von Künstlicher Intelligenz im Industrie 4.0-Kontext wünschenswert. Methoden der Künstlichen Intelligenz lassen sich nach verschiedenen Aspekten strukturieren. Auch Anwendungen innerhalb von Industrie 4.0 können mithilfe des RAMI-Frameworks oder mithilfe des ISA95-Standards in Ebenen und Prozessgruppen eingeordnet werden. Allerdings fehlt eine Taxonomie, welche die Klassifikation der Anwendungsbereiche mit den durch Machine-Learning-Methoden verbesserten Prozessen in Beziehung setzt, sie verortet und bewertet. Ein solcher Ordnungsrahmen hilft, neue Prozesse und Lösungen einzuordnen und unterstützt im Finden passender Machine-Learning-Verfahren für konkrete Problemstellungen im Industrie-4.0-Kontext.",
Keywords= "Industrie 4.0, Künstliche Intelligenz, KI-Methoden, Maschinelles Lernen, Ordnungsrahmen",
}
Dirk Schmalzried, Marco Hurst, Jonas Zander und Marcel Wentzien, Ernst-Abbe-Hochschule Jena(2023): Ordnungsrahmen für Anwendungen der Künstlichen Intelligenz im Industrie-4.0-Kontext. IM 393(2023), S. 28-33. Online: https://doi.org/10.30844/IM_23-3_28-33 (Abgerufen 24.12.24)
Open Access
Wegen der immer stärker fortschreitenden Durchdringung von KI in Unternehmen scheint ein Ordnungsrahmen für Begrifflichkeiten und Betrachtungsaspekte der Anwendung von Künstlicher Intelligenz im Industrie 4.0-Kontext wünschenswert. Methoden der Künstlichen Intelligenz lassen sich nach verschiedenen Aspekten strukturieren. Auch Anwendungen innerhalb von Industrie 4.0 können mithilfe des RAMI-Frameworks oder mithilfe des ISA95-Standards in Ebenen und Prozessgruppen eingeordnet werden. Allerdings fehlt eine Taxonomie, welche die Klassifikation der Anwendungsbereiche mit den durch Machine-Learning-Methoden verbesserten Prozessen in Beziehung setzt, sie verortet und bewertet. Ein solcher Ordnungsrahmen hilft, neue Prozesse und Lösungen einzuordnen und unterstützt im Finden passender Machine-Learning-Verfahren für konkrete Problemstellungen im Industrie-4.0-Kontext.
Industrie 4.0, Künstliche Intelligenz, KI-Methoden, Maschinelles Lernen, Ordnungsrahmen
[1] Bundesministerium für Wirtschaft und Energie: Kompetenzen und Kooperationen zu Künstlicher Intelligenz. URL: www.de.digital/DIGITAL/Redaktion/DE/Digitalisierungsindex/Publikationen/publikation-download-ki-kompetenzen.pdf?__blob=publicationFile&v=1, S.13 ff, Abrufdatum 12.01.2023.
[2] Bundesministerium für Wirtschaft und Energie: Technologieszenario „Künstliche Intelligenz in der Industrie 4.0“. URL: www.plattform-i40.de/IP/Redaktion/DE/Downloads/Publikation/KI-industrie-40.pdf?__blob=publicationFile&v=1, S.14 ff, Abrufdatum 12.01.2023.
[3] Bundesministerium für Wirtschaft und Energie: Potenziale der schwachen künstlichen Intelligenz für die betriebliche Ressourceneffizienz. URL: www.ressource-deutschland.de/fileadmin/user_upload/1_Themen/h_Publikationen/Studien/VDI-ZRE_Studie_KI-betriebliche-Ressourceneffizienz_Web_bf.pdf, S.72-73, Abrufdatum 12.01.2023.
[4] Forschungsbeirat der Plattform Industrie 4.0: Künstliche Intelligenz zur Umsetzung von Industrie 4.0 im Mittelstand. URL: www.plattform-i40.de/IP/Redaktion/DE/Downloads/Publikation/Expertise-Forschungsbeirat_KI-fuer-Industrie40.pdf?__blob=publicationFile&v=1, S. 19, Abrufdatum 13.01.2023.
[5] DIN e.V., DKE Deutsche Kommission Elektrotechnik Elektronik Informationstechnik in DIN und VDE: Deutsche Normungsroadmap Künstliche Intelligenz, Ausgabe 2. URL: www.din.de/resource/blob/891106/57b7d46a1d2514a183a6ad2de89782ab/deutsche-normungsroadmap-kuenstliche-intelligenz-ausgabe-2–data.pdf, S. 177 ff, Abrufdatum 14.01.2023.
[6] McKinsey Global Institute: Notes from the AI frontier, insights from hundreds of use cases. 2018. URL: www.mckinsey.com/~/media/mckinsey/featured insights/artificial intelligence/notes from the ai frontier applications and value of deep learning/notes-from-the-ai-frontier-insights-from-hundreds-of-use-cases-discussion-paper.ashx, S. 9 ff, Abrufdatum 15.02.2023.
[7] Barredo Arrieta, A.; Díaz Rodríguez, N.; Del Ser, J. u. a.: Explainable Artificial Intelligence (XAI): Concepts, taxonomies, opportunities and challenges toward responsible AI. 2020. URL: www.sciencedirect.com/science/article/pii/S1566253519308103, S. 83, Abrufdatum 15.02.2023.
[8] Adams, S.; Arel, I.; Bach, J. u. a.: Mapping the Landscape of Human-Level Artificial General Intelligence. 2012. URL: ojs.aaai.org/index.php/aimagazine/article/view/2322, S. 32, Abrufdatum 16.02.2023.
[9] Mohammadi, M.; Al-Fuqaha, A.; Sorour, S. u. a.: Deep Learning for IoT Big Data and Streaming Analytics: A Survey. 2018. URL: www.arxiv.org/pdf/1712.04301.pdf, S. 7, Abrufdatum 16.02.2023.
[10] Aplar, P.; Alt, R.; Bensberg, F.; Weinmann, P.: Anwendungsorientierte Wirtschaftsinformatik. 9. Auflage. Wiesbaden 2019.
[11] Deutscher Ethikrat: Mensch und Maschine – Herausforderungen durch Künstliche Intelligenz, Stellungnahme. 2023. URL: https://www.ethikrat.org/fileadmin/Publikationen/Stellungnahmen/deutsch/stellungnahme-mensch-und-maschine.pdf, Abrufdatum 24.04.2023.
[12] Petrik, D.; Mormul, M.; Reimann, P.; Gröger, C.: Anforderungen für Zeitreihendatenbanken im industriellen IoT. In: Meinhardt, S.; Wortmann, F. (Hrsg): IoT – Best Practices. Edition HMD. Wiesbaden. 2021. URL: https://doi.org/10.1007/978-3-658-32439-1_19, Abrufdatum 24.04.2023.