Ausgewählte KI-Industrieprojekte

In Kooperation mit einem Energieversorger arbeiten wir an der Entwicklung eines umfangreichen Sprachmodells. Dieses Modell soll in der Lage sein, aus Textdaten standardisierte Anforderungen zu generieren. Durch die Standardisierung dieser Anforderungen verringern wir den Zeitaufwand für die Überarbeitung existierender Anforderungsinformationen und ermöglichen zudem eine konsistente Erstellung zukünftiger Anforderungen. Dieser Aspekt ist für das Projektmanagement besonders relevant, da er direkten Einfluss auf Risiken, Qualität und Kosten hat. Der Entwicklungsprozess beinhaltet das Sammeln und Aufbereiten der Daten, die Implementierung und das Training des Modells. Das Ergebnis dieser Bemühungen ist ein Demonstrator, der in der Lage ist, diese Aufgaben in einer Testumgebung zu bewältigen. Diese Entwicklung markiert einen wesentlichen Fortschritt in der Automatisierung des Requirements Engineerings.

In Kooperation mit einem führenden Energieunternehmen haben wir spezifische KI-Anwendungsfälle für deren laufende Projekte identifiziert und in mehreren Entwicklungsphasen umgesetzt. Dabei haben wir verschiedene Aspekte, darunter organisatorische, branchenspezifische und technologische Faktoren, sorgfältig berücksichtigt. Unser umfangreiches Unterstützungsangebot erstreckte sich von Rapid Prototyping bis hin zur Analyse organisatorischer Auswirkungen und der Bewertung von Change-Management-Implikationen. Während des gesamten Prozesses begleiteten wir das Unternehmen bei der Durchführung von KI-Experimenten, um deren Machbarkeit und Wirksamkeit in realen Arbeitsumgebungen zu überprüfen. Die entwickelten KI-Anwendungsfälle wurden daraufhin konsolidiert und gründlich analysiert, um wertvolle Einsichten für strategische Entscheidungen zu liefern.

In unserer gemeinsam mit Celonis, einem weltweit führenden Unternehmen im Bereich Process Mining, durchgeführten Studie haben wir das Zusammenspiel von Process Mining und generativer KI untersucht. Hierzu führten wir Interviews mit insgesamt 14 Process Mining Vordenkern aus der CeloCoE Community und der Wissenschaft durch. Als wissenschaftliche Grundlage diente uns ein mehrstufiger Ansatz, der eine umfassende Durchsicht bestehender Forschungsarbeiten und die Integration unserer eigenen Beiträge auf diesem Gebiet umfasste. Dabei haben wir herausgefunden, dass beide Technologien erheblich voneinander profitieren: Während Process Mining ein zuverlässiges Datengerüst bietet, um die Einführung generativer KI auf Unternehmensebene zu unterstützen, verbessert generative KI bestehende und ermöglicht neue Process Mining-Fähigkeiten. Daher müssen Führungskräfte von Process Mining Centers of Excellence jetzt aktiv werden. Unsere Untersuchung liefert umsetzbare Praktiken, die als Grundlage für die Vorbereitung auf die transformative Reise dienen, die mit generativer KI bevorsteht.

Die stetige Entwicklung von Künstlicher Intelligenz prägt zunehmend sowohl unseren privaten als auch beruflichen Alltag und führt dazu, dass wir zunehmend häufiger mit KI-Systemen interagieren.

In Zusammenarbeit mit der Beratungsgesellschaft EY (Ernst & Young GmbH Wirtschaftsprüfungsgesellschaft) wurde daher analysiert, wie Unternehmen Interaktionen mit KI erfolgreich und umsichtig gestalten können. Basierend auf fundierter wissenschaftlicher Recherche und Interviews mit Experten sowie Anbietern von KI-Lösungen wurden fünf verschiedene Interaktionstypen identifiziert, die sich anhand ihrer charakteristischen Merkmale voneinander abgrenzen lassen. Auf Grundlage dieser Erkenntnisse wurden Implikationen und Handlungsempfehlungen für Unternehmen, Gesellschaft und Politik abgeleitet. Der Fokus lag dabei nicht nur auf der erfolgreichen Gestaltung aktueller Anwendungsszenarien, sondern auch auf dem Potenzial zukünftiger Mensch-KI-Interaktion. In diesem Kontext wurden zehn Thesen formuliert, die die wesentlichen Veränderungen der Mensch-KI-Interaktionen zusammenfassen. Anschließend wurden die zentralen Ergebnisse in einer gemeinsamen Publikation veröffentlicht.

Link zur Studie: https://www.fim-rc.de/Paperbibliothek/Veroeffentlicht/1048/wi-1048.pdf

In diesem Projekt ging es um die Entwicklung und Implementierung eines Entscheidungsunterstützungssystems zur effizienten Behebung von Fehlerzuständen bei Druckern, um die Service-Qualität zu erhöhen und die Ressourceneffizienz zu verbessern. Vorrangiges Ziel war es, zusätzliche Kosten durch längere Ausfallzeiten von Druckern zu vermeiden und unnötige Technikereinsätze zu minimieren. Daher haben wir einen Proof of Concept (PoC) in Form eines KI-Prototyps erstellt, der das Potenzial des von uns entwickelten KI-basierten Ansatzes demonstriert. Der KI-Prototyp ermöglicht eine text- und fehlercodebasierte Identifizierung von Maschinenersatzteilen, um die First-Fix-Rate zu erhöhen und gleichzeitig die Service-Qualität zu erhalten. Unser Projekt umfasste die Erfassung und Analyse der Ist-Situation, die Unterstützung bei der Auswahl geeigneter Software sowie KI-Algorithmen und die Implementierung entsprechender Modelle. Zusätzlich wurde eine umfassende Onboarding-Strategie für Entwicklungspartner entwickelt, um eine nahtlose Integration der Lösungen in bestehende Strukturen zu gewährleisten.

Der Fokus dieses Projekts lag auf einer detaillierten Analyse des Ressourcenverbrauchs bei der Herstellung von Lebensmitteln in enger Zusammenarbeit mit einem führenden Unternehmen der Lebensmittelproduktion. Im Zentrum unserer Arbeit stand die Entwicklung eines KI-basierten Ansatzes zur Erfassung des wirtschaftlichen Einsparpotenzials durch einen ressourcenschonenden Einsatz von Produktionsmitteln. Bei der Umsetzung erfolgte zunächst die Schaffung eines klaren Überblicks über das wirtschaftliche Potenzial und die Identifizierung konkreter Maßnahmen zur Umsetzung von Einsparungen mittels KI-Ansätzen. Zum Abschluss des Projekts wurden die Ergebnisse visuell aufbereitet und ein interaktives Management Dashboard für den Ressourcenverbrauch entwickelt. Ziel war es, die Nachhaltigkeit der Produktionsverfahren zu fördern, einschließlich der Dokumentation und Integration des Dashboards in die IT-Infrastruktur des Produktionsstandortes.