Human-AI Collaboration in Production Management

Inhaltsverzeichnis

1. Frontmatter

2. 1. Introduction

   Carl René Sauer

   Dieses Kapitel untersucht das transformative Potenzial des maschinellen Lernens (ML) im Produktionsmanagement und konzentriert sich darauf, wie es Entscheidungsprozesse und operative Effizienz verbessern kann. Der Text beginnt mit einem Überblick über den aktuellen Stand der ML-Anwendungen im Produktionsmanagement und betont die Notwendigkeit hybrider Modelle, die menschliches Fachwissen mit KI-Fähigkeiten verbinden. Anschließend stellt sie eine empirische Studie vor, die die Faktoren untersucht, die die Einführung von ML in kleinen und mittleren Unternehmen (KMU) beeinflussen, und Einblicke in die organisatorische Bereitschaft zur ML-Implementierung bietet. In diesem Kapitel wird auch ein Entscheidungsunterstützungssystem (DSS) eingeführt, das ML mit menschlichem Fachwissen kombiniert, um komplexe Entscheidungen in der Produktion zu treffen, insbesondere bei der Vorhersage von Verzögerungen beim Montagestart aufgrund fehlender Komponenten. Die Wirksamkeit des DSS wird durch eine Fallstudie bei einem deutschen Maschinenhersteller bestätigt, die seinen praktischen Nutzen in der realen Welt demonstriert. Schließlich gipfelt das Kapitel in der Entwicklung eines strukturierten Rahmenwerks, das zur Bewertung und Bestimmung des optimalen Niveaus der Zusammenarbeit zwischen Mensch und KI für eine Reihe von Produktionsanwendungsfällen eingesetzt werden kann. Dieses Rahmenwerk klassifiziert Anwendungsfälle des Produktionsmanagements anhand von Faktoren wie Datenverfügbarkeit, Prozessvariabilität, Fehleranfälligkeit, Entscheidungskomplexität, regulatorischen Anforderungen und Entscheidungsgeschwindigkeit. Das Kapitel schließt mit Überlegungen über das Potenzial hybrider Intelligenz, das Produktionsmanagement zu verändern, indem die Rechenleistung von ML mit dem differenzierten Verständnis menschlicher Entscheidungsträger kombiniert wird, was letztlich den Weg für informiertere, effizientere und anpassungsfähigere Produktionsprozesse ebnet.

   KI-Generiert

   Diese Zusammenfassung des Fachinhalts wurde mit Hilfe von KI generiert.

   Originaltext anzeigen

3. 2. Theoretical Background for the Application of Artificial Intelligence to Production Management Decisions

   Carl René Sauer

   Dieses Kapitel vertieft den theoretischen Hintergrund für die Anwendung von künstlicher Intelligenz (KI) und maschinellem Lernen (ML) auf Entscheidungen des Produktionsmanagements. Es beginnt mit der Einführung grundlegender Konzepte und Prinzipien der KI, der ML, der Entscheidungsfindung und des Produktionsmanagements. Das Kapitel untersucht dann die Integration hybrider Intelligenz in das Produktionsmanagement, wobei der Übergang von traditioneller Entscheidungsfindung hin zu kollaborativer Entscheidungsfindung zwischen Mensch und KI hervorgehoben wird. Zu den Schlüsselthemen gehören die Definition und Abgrenzung von KI, verschiedene Ansätze zur KI wie überwachtes, unbeaufsichtigtes und verstärktes Lernen und die Grundlagen von Entscheidungsprozessen. Das Kapitel behandelt auch die Rolle von Entscheidungsunterstützungssystemen (DSS) und ihren Komponenten sowie die Ziele und Aufgaben des strategischen, taktischen und operativen Produktionsmanagements. Darüber hinaus werden das Konzept der hybriden Intelligenz, ihre Ebenen und ihre Anwendung im Produktionsmanagement untersucht. Das Kapitel schließt mit Einblicken in die Zukunft der Zusammenarbeit zwischen Mensch und künstlicher Intelligenz bei Entscheidungsprozessen, wobei die Bedeutung des kontinuierlichen Lernens und die sich ergänzenden Stärken menschlicher und künstlicher Intelligenz hervorgehoben werden.

   KI-Generiert

   Diese Zusammenfassung des Fachinhalts wurde mit Hilfe von KI generiert.

   Originaltext anzeigen

4. 3. Publication I: A Systematic Review of Machine Learning for Hybrid Intelligence in Production Management

   Carl René Sauer

   Dieser systematische Review untersucht den aktuellen Stand der Anwendungen des maschinellen Lernens (ML) im Produktionsmanagement und analysiert 217 Publikationen, um Trends und Lücken zu identifizieren. Die Studie kategorisiert Entscheidungstypen in strukturierte, halbstrukturierte und unstrukturierte und untersucht die Ziele, Techniken und Algorithmen von ML-Modellen, die im Produktionsmanagement verwendet werden. Zu den wichtigsten Ergebnissen zählen die Verbreitung von Regressionstechniken und künstlichen neuronalen Netzwerken sowie die Notwendigkeit hybrider Modelle, die menschliches Fachwissen integrieren. Der Bericht unterstreicht auch die Bedeutung der Behandlung von Fällen industrieller Anwendung in der realen Welt und das Potenzial von ML, die Entscheidungsfindung in komplexen Produktionsumgebungen zu unterstützen. Die Studie schließt mit der Betonung der Notwendigkeit weiterer Forschungen zur hybriden Intelligenz und der praktischen Umsetzung von ML-Modellen im Produktionsmanagement.

   KI-Generiert

   Diese Zusammenfassung des Fachinhalts wurde mit Hilfe von KI generiert.

   Originaltext anzeigen

5. 4. Publication II: Machine Learning Implementation in Small and Medium-Sized Enterprises—Insights and Recommendations From a Quantitative Study

   Carl René Sauer

   Dieses Kapitel untersucht die entscheidenden Faktoren, die die Implementierung von maschinellem Lernen (ML) in kleinen und mittleren Unternehmen (KMU) beeinflussen, wobei die potenziellen Wettbewerbsvorteile und die aktuelle Adaptierungslücke hervorgehoben werden. Mittels einer quantitativen Studie, an der 60 KMU beteiligt waren, identifiziert die Forschung wichtige Prädiktoren wie Zahlungsbereitschaft, Data Mining Readiness und die wahrgenommene Bedeutung von ML, die die Wahrscheinlichkeit der Einführung von ML signifikant erhöhen. Die Studie zeigt auch, dass frühere Erfahrungen mit ML die Umsetzungswahrscheinlichkeit nicht signifikant beeinflussen, was herkömmliche Annahmen in Frage stellt. Praktische Empfehlungen werden abgegeben, um KMU dabei zu helfen, ML-Technologien effektiv zu nutzen, und betonen die Notwendigkeit eines Technologie-Pull-Ansatzes, der sich auf die Lösung echter geschäftlicher Herausforderungen konzentriert. Die Ergebnisse bieten wertvolle Erkenntnisse für Fachleute, die ihr Verständnis von ML-Implementierungsstrategien in KMU verbessern und die Lücke zwischen theoretischem Potenzial und praktischer Anwendung schließen wollen.

   KI-Generiert

   Diese Zusammenfassung des Fachinhalts wurde mit Hilfe von KI generiert.

   Originaltext anzeigen

6. 5. Publication III: Bridging Human Expertise and Machine Learning in Production Management: a Case Study on ML-based Decision Support Systems to Prevent Missing Parts at Assembly

   Carl René Sauer

   Dieses Kapitel untersucht die Integration von maschinellem Lernen (ML) und menschlicher Expertise im Produktionsmanagement, um fehlende Teile zu Beginn der Montage zu vermeiden. Die Studie führt ein fortschrittliches Entscheidungsunterstützungssystem (DSS) ein, das fehlende Teile vorhersagt und klare Hinweise auf die Ursachen für prognostizierte Engpässe liefert, wobei Shapley additive Erklärungen (SHAP) verwendet. Das System soll die Transparenz erhöhen und eine dynamische Interaktion zwischen menschlichen Entscheidungsträgern und automatisierten Systemen fördern. Die Wirksamkeit des integrierten Ansatzes wird anhand einer Fallstudie bei einem deutschen Maschinenhersteller demonstriert, die die Wirksamkeit des DSS bei der Unterstützung komplexer Entscheidungsprozesse bestätigt. Das Kapitel diskutiert auch die Beschränkungen aktueller ML-basierter DSS und die Bedeutung der Integration menschlicher Operatoren in die Entscheidungsschleife. Darüber hinaus hebt er das Potenzial für weitere Forschung und Verbesserungen hervor, wie etwa die Integration eines dritten Moduls, um Gegenmaßnahmen vorzuschlagen und die Datenschnittstellen für die Entscheidungsfindung in Echtzeit zu verbessern.

   KI-Generiert

   Diese Zusammenfassung des Fachinhalts wurde mit Hilfe von KI generiert.

   Originaltext anzeigen

7. 6. Publication IV: Hybrid Intelligence—Systematic Approach and Framework to Determine the Level of HUMAN-AI Collaboration for Production Management use Cases

   Carl René Sauer

   Dieses Kapitel untersucht das transformative Potenzial von künstlicher Intelligenz (KI) und maschinellem Lernen (ML) im Produktionsmanagement und konzentriert sich auf die Herausforderung, das optimale Niveau der Zusammenarbeit zwischen Mensch und KI zu bestimmen. Es präsentiert einen systematischen Ansatz und ein strukturiertes Rahmenwerk zur Bewertung, Entwicklung und Implementierung von KI im Produktionsmanagement, wobei kritische Faktoren wie Datenverfügbarkeit, Prozessvariabilität, Fehleranfälligkeit und Entscheidungskomplexität berücksichtigt werden. Das Rahmenwerk klassifiziert Anwendungsfälle auf Grundlage dieser Faktoren und unterstützt Manager bei der Kalibrierung des Gleichgewichts zwischen Automatisierung und menschlicher Intervention. Die Anwendung dieses Rahmenwerks könnte die Effizienz, Produktivität und Genauigkeit der Zusammenarbeit zwischen Mensch und KI im Produktionsmanagement verbessern. Darüber hinaus umfasst der systematische Ansatz kontinuierliche Evaluierung und Anpassung, wodurch langfristiger Erfolg in dynamischen Produktionsumgebungen gewährleistet wird. Das Kapitel untersucht außerdem die historische Entwicklung der KI, den Wandel hin zu kollaborativen KI-Anwendungen und die Bedeutung erklärbarer KI für die Förderung des Vertrauens zwischen menschlichen Operatoren und KI-Systemen. Er schließt mit einem praktischen Beispiel für die Anwendung des Rahmenwerks in einem Ingenieursumfeld, das sein Potenzial zur Verhinderung von Verzögerungen und zur Einhaltung von Lieferterminen unter Beweis stellt.

   KI-Generiert

   Diese Zusammenfassung des Fachinhalts wurde mit Hilfe von KI generiert.

   Originaltext anzeigen

8. 7. Critical Reflection and Future Perspective

   Carl René Sauer

   Dieses Kapitel geht den kritischen Aspekten der Integration künstlicher Intelligenz (KI) in die menschliche Entscheidungsfindung im Produktionsmanagement nach. Es beginnt mit einer systematischen Literaturrecherche, um die Notwendigkeit von Hybridmodellen zu ermitteln, die die Interaktion zwischen Mensch und KI erleichtern. Eine quantitative Studie wird vorgestellt, die zur Entwicklung eines Prototypen eines Entscheidungsunterstützungssystems (DSS) führt, das Montageverzögerungen verhindern soll. Darüber hinaus wird ein Rahmen zur Bestimmung des optimalen Niveaus der Zusammenarbeit zwischen Mensch und KI im Produktionsmanagement vorgeschlagen. Das Kapitel beleuchtet die Beschränkungen der aktuellen Erkenntnisse, die auf einer einzigen Fallstudie beruhen, und fordert weitere Forschung, um das DSS über verschiedene Produktionskontexte hinweg zu validieren. Es untersucht das Potenzial der Integration alternativer Erklärungsmethoden wie LIME und schlägt die Entwicklung eines Aktionsmoduls vor, um automatisch Gegenmaßnahmen zu empfehlen. Der Übergang von binären zu multiklassenartigen Vorhersagemodellen wird ebenfalls diskutiert, wobei die Notwendigkeit umfassender Datensätze betont wird, die auf verschiedene Fertigungsszenarien zugeschnitten sind. Das Kapitel schließt mit einer Beschreibung der Schritte, die notwendig sind, um die Automatisierung und Skalierbarkeit des DSS voranzutreiben und seine Reaktionsfähigkeit und Anpassungsfähigkeit in komplexen Fertigungsumgebungen sicherzustellen.

   KI-Generiert

   Diese Zusammenfassung des Fachinhalts wurde mit Hilfe von KI generiert.

   Originaltext anzeigen

9. 8. Summary

   Carl René Sauer

   Diese These geht der kritischen Forschungslücke bei der Strukturierung von Methoden zur optimalen Aufgabenteilung zwischen menschlichen Experten und KI-Systemen im Produktionskontext nach. Es stellt einen systematischen Rahmen für die Kalibrierung der Zusammenarbeit zwischen Mensch und KI dar, der durch vier miteinander verbundene Publikationen unterstützt wird. Die erste Veröffentlichung zeigt die Notwendigkeit, authentische industrielle Anwendungsfälle zu identifizieren und zu analysieren, um die Kluft zwischen theoretischen ML-Modellen und ihrer praktischen Umsetzung zu überbrücken. Die zweite Veröffentlichung, eine quantitative Studie, befasst sich mit den Faktoren, die die Wahrscheinlichkeit der ML-Einführung in KMU beeinflussen, und betont die Bedeutung von Investitionsbereitschaft, wahrgenommener Relevanz und Datenqualität. Die dritte Veröffentlichung beschreibt die Konzeption, Entwicklung und Validierung eines hybriden Entscheidungsunterstützungssystems (DSS), das ML mit menschlichem Fachwissen verbindet, und zeigt die praktische Durchführbarkeit und die Vorteile einer solchen Integration auf. In der vierten Veröffentlichung werden diese Erkenntnisse zusammengefasst, um ein strukturiertes Rahmenwerk zur Bestimmung des Niveaus der Zusammenarbeit zwischen Mensch und KI im Produktionsmanagement zu entwickeln. Dieses Rahmenwerk berücksichtigt Schlüsselfaktoren wie Datenverfügbarkeit, Prozessvariabilität und Entscheidungskomplexität, um das optimale Gleichgewicht zwischen Maschinenautonomie und menschlicher Aufsicht zu finden. Die These gipfelt in einem Paradigmenwechsel hin zu datengestützter, präziser und effizienter Entscheidungsfindung in der Produktion, der eine praktische Grundlage für die gezielte Umsetzung der Zusammenarbeit zwischen Mensch und KI bietet.

   KI-Generiert

   Diese Zusammenfassung des Fachinhalts wurde mit Hilfe von KI generiert.

   Originaltext anzeigen

10. Backmatter