K.I.-gestützte Planung in der Automobilindustrie

Die weite Verbreitung mobiler, vernetzter Endgeräte, die Sammlung großer Datenbestände und die Entwicklung leistungsfähiger Prozessoren führt derzeit zur Entstehung vieler neuer Anwendungsfelder für Künstliche Intelligenz (K.I.). Dies betrifft Alltagstechnologie auf Smartphones usw., aber auch industrielle Prozesse. In der Automobilbranche spielt K.I. schon heute eine wichtige Rolle: durch die hohe Komplexität von Produkten und Prozessen ist es dort an vielen Stellen unumgänglich, menschliche Entscheidungen algorithmisch zu unterstützen.

Die Vorlesung untersucht die Rolle von K.I. in Automobilunternehmen am Beispiel ausgewählter Planungsprobleme im Bereich Fertigung, Wartung, Marketing und Vertrieb. Sie beschreibt die Bedingungen, unter denen die entsprechenden Algorithmen zum Einsatz kommen, und die Erwartungen, die mit der Nutzung von K.I. verbunden werden. Dabei wird die Komplexität von Datenstrukturen und Suchräumen als besondere Herausforderung identifiziert. Anhand von heuristischen Suchverfahren und induktiver Inferenz skizziert die Vorlesung, welchen Mehrwert K.I. beim Umgang mit Komplexität verspricht.

Aufgrund der gegenwärtigen Krisenlage wird die Vorlesung ausschließlich online durchgeführt. Das Zeitschema wird gegenüber der ursprünglichen Planung leicht entzerrt, folgt aber weiterhin dem ursprünglichen Konzept einer Blockveranstaltung. Es gibt daher drei unterschiedliche Arbeitsphasen:

 

Phase 1: Inhaltsvermittlung

  • Die Inhalte der Vorlesungen werden auf Moodle verfügbar gemacht. Sie sind in kurze Videoclips gestückelt, die jeweils mit einer kleinen Übungsaufgabe enden, mit der die Studierenden ihr Verständnis der Inhalte überprüfen können.
  • Die Studierenden sollen die Übungsaufgaben zur Vorlesung individuell bearbeiten und können die Ergebnisse mit dem Dozenten teilen.
  • Direkte Fragen zur Vorlesung können im Moodle-Forum gestellt werden. Dort wird der Dozent sie bestmöglich beantworten.
  • Weiteres Material wird auf Moodle zur Verfügung gestellt, um die Inhalte der Videos zu ergänzen. Es reicht jedoch nicht zum Selbststudium aus.
  • Anhand der Übungsaufgaben wird der Dozent prüfen, ob weitere Erläuterungen notwendig sind. Diese werden dann ebenfalls per Videoclip auf Moodle hochgeladen

Von den Studierenden wird erwartet, dass sie die Videoclips und Übungsaufgaben bis zum 18.5.2020 durcharbeiten.

 

Phase 2: individuelle Arbeit

  • Die Studierenden recherchieren im Internet eigenständig die Rahmenbedingungen für ein ausgewähltes Planungsproblem auf den Webseiten von Industrieverbänden und produzierenden Unternehmen.
  • Anhand ihrer Recherche formulieren die Studierenden ein eigenständig ein Planungsproblem, das mit einer K.I.-basierten Software bearbeitet werden kann.
  • Beispielhaft werden einfache Algorithmen zur Verfügung gestellt, mit denen die Planungsprobleme bearbeitet werden. Die Studierenden können diese Algorithmen individuell konfigurieren.
  • Die Studierenden testen die Lösungsqualität, die die Algorithmen auf dem von ihnen formulierten Planungsproblem erreichen.
  • Die Nutzung der Algorithmen wird in einem Videoclip erklärt. Bei Bedarf ist auch individueller Support durch den Dozenten möglich.

Tiefergehende Kenntnisse in Informatik sind NICHT notwendig. Von den Studierenden wird erwartet, dass sie ihre Arbeiten wissenschaftlich sauber dokumentieren. Hierzu wird der Dozent eine Anleitung geben.

 

Phase 3: Ergebniskontrolle

  • Die Studierenden tun sich in Gruppen zusammen und tauschen ihre Formulierungen der Planungsprobleme untereinander aus.
  • Die eigenen Algorithmen werden dann auch zur Bearbeitung der anderen Planungsprobleme eingesetzt.
  • Wenn nötig werden die Algorithmen von den Studierenden neu konfiguriert.
  • Die Gruppen präsentieren dem Dozenten einen Ergebnisbericht in einer Videokonferenz. Hierbei geht es vor allem um die festgestellte Performance der Algorithmen.

Die Präsentation muss bis zum 3.7. erfolgt sein. Die Gruppen können auch frühere Termine festlegen.

Die Note für die Veranstaltung ergibt sich aus der Dokumentation der Arbeiten in Phase 2 und 3. Die Qualität des Algorithmus wird nicht bewertet, aber die Sorgfalt des wissenschaftlichen Arbeitens. Mit dem fristgerechten Durcharbeiten der Übungsaufgaben können die Studierenden Bonuspunkte erwerben.

Durch die Neuheit des Lehrformats lässt sich leider nicht ausschließen, dass Änderungen im Ablauf nötig werden. Wir bitten um Verständnis und werden uns bemühen, die Studierenden bestmöglich zu betreuen!

Eine Anmeldung auf Moodle ist ohne Passwort möglich. Dort wird zur Beginn der Vorlesungszeit ein Videoclip mit weiteren einführenden Informationen bereitgestellt.

Lernziele

Studierende, die dieses Modul erfolgreich absolviert haben,

  • kennen die wichtigsten Funktionen von K.I. im industriellen Kontext
  • sind mit Begriffen wie Big Data, Analytics, Metaheuristik etc. vertraut
  • können Planungsprobleme formal korrekt beschreiben
  • wissen, welche Rolle Komplexitätsmanagement dabei spielt
  • haben sich eigenständig mit einem entsprechenden Anwendungsfall vertraut gemacht

Inhalt

In diesem Modul werden folgende fachliche Inhalte vermittelt:

  • Geschichte und Aufgabenstellungen der K.I.
  • Derzeitige Forschungsfelder und Anwendungsszenarien
  • Planungsprobleme im industriellen Kontext
  • Grundlagen heuristischer Suche aus Anwendersicht
  • Grundlagen von Mustererkennung/ Sprachenlernen aus Anwendersicht
  • Komplexitätsabschätzungen und Komplexitätsmanagement

Literatur

  • Agarwal, N., Schymanietz, M. & Fritzsche, A. (2019). A frugal support structure for new software implementations in SMEs. Konferenz Wirtschaftsinformatik, Siegen.
  • Fritzsche, A. (2018). Increasing the acceptability of plans in manufacturing by transparent search. Procedia Manufacturing, 25, 161-168.
  • Fritzsche, A. (2018). Spreading innovations: models, designs and research directions. In Bunde, A., Caro, J., Kärger, J. & Vogl, G. (Eds.), Diffusive Spreading in Nature, Technology and Society (277-294). Cham: Springer.
  • Fritzsche, A. (2009). Heuristische Suche in komplexen Strukturen. Zur Verwendung Genetischer Algorithmen bei der Auftragseinplanung in der Automobilindustrie. Wiesbaden: Gabler.
  • Goldberg, D. (2013). The design of innovation: Lessons from and for competent genetic algorithms. Dordrecht: Springer Science & Business Media.
  • Gölzer, P. & Fritzsche, A. (2017). Data-driven operations management: organisational implications of the digital transformation in industrial practice. Production Planning & Control, 28(16), 1332-1343.
  • Song, H., Jeschke, S., Brecher, C. & Rawat, D. B. (Eds.) (2016). Industrial internet of things: cybermanufacturing systems (21-46). Cham: Springer.
  • Spirtes, P., Glymour, C. N., Scheines, R., & Heckerman, D. (2000). Causation, prediction, and search. Cambridge/ London: MIT press.
  • Wenger, W., Geiger, M., J. & Kleine, A. (Eds.) (2011). Business Excellence in Produktion und Logistik. Wiesbaden: Gabler.

Materialien

Sie finden Materialien, wie Skript oder Übungsblätter, auf der Lernplattform Moodle.

Zeit und Ort

  1. Mi 22.04.2020 (13:00 - 18:00 Uhr) 47.0.501;
  2. Fr 24.04.2020 (13:00 - 18:00 Uhr) H12;
  3. Sa 25.04.2020 (13:00 - 18:00 Uhr) H12;
  4. Fr 13.06.2020 (13:00 - 18:00 Uhr) TBA;
  5. Fr 03.07.2020 (13:00 - 18:00 Uhr) H12.

Modulbeschreibung

Detaillierte Modulbeschreibung siehe Modulhandbuch!

Alle Angaben ohne Gewähr, es gelten ausschließlich die Angaben des Modulhandbuchs!

Einordnung des Moduls

M.Sc. Wirtschaftswissenschaften, M.Sc. Wirtschaftsmathematik, M.Sc. Wirtschaftschemie, M.Sc. Wirtschaftsphysik und Studiengänge mit Nebenfach Wirtschaftswissenschaften

Grundlage für

Schwerpunktfächer Technologie- und Prozessmanagement, Business Analytics, sowie Unternehmensführung und Controlling, Wahlpflicht BWL

Turnus

Einmalig Sommersemester 2020

Leistungsnachweis und Note

Die Vergabe von Leistungspunkten setzt die aktive Teilnahme an einer Fallstudie sowie die Präsentation und Diskussion der Ergebnisse voraus.

Für das Modul wird eine Note ermittelt, die sich aus dem Ergebnis der schriftlichen Ausarbeitung der Fallstudie sowie der Präsentation und Diskussion der Ergebnisse ergibt.