Wie kann maschinelles Lernen in Logistikunternehmen eingesetzt werden? Die Potenziale von maschinellem Lernen werden von einem Großteil der Logistikunternehmen noch nicht genutzt. Während Forschungsinstitute die Weiterentwicklung von Methoden des maschinellen Lernens vorantreiben, stehen viele Industrieunternehmen noch vor der Herausforderung, wenigstens die elementaren Kernfunktionen maschinellen Lernens erfolgreich einzusetzen. Der niedrige Implementierungsstand, die zögerliche Haltung, insbesondere das zähe Investitionsverhalten, begründen sich vor allem durch die Komplexität des Vorhabens, maschinelles Lernen unternehmensweit gewinnbringend einzusetzen, durch bestehende Unsicherheiten und durch fehlende Ressourcen.
In dieser Masterarbeit werden zunächst Erfolgsfaktoren und Barrieregründe von Machine-Learning Projekten, aktuelle Forschungstrends im Bereich des maschinellen Lernens, sowie eine Anzahl an KI- und ML-Reifegradmodellen auf der Grundlage aktueller, wissenschaftlicher Literatur identifiziert. Auf Basis der erarbeiteten Inhalte wird ein Gestaltungskonzept für den Einsatz von maschinellem Lernen in der Logistik konstruiert. Die wissenschaftliche Entwicklung eines solchen Gestaltungskonzepts kann dazu beitragen, Logistikunternehmen bei dem betrieblichen Einsatz von maschinellem Lernen zu unterstützen.
Inhaltsverzeichnis
- Einleitung
- Ausgangssituation und Relevanz
- Zielsetzungen und Forschungsfragen
- Forschungsdesign
- Aufbau der Arbeit
- Theoretische Grundlagen
- Logistik
- Begriffsverständnis und Logistiksysteme
- Rahmenwerke
- Maschinelles Lernen
- Begriffs- und Prinzipverständnis
- Lernformen und Aufgabentypen
- Charakteristik eines ML-basierten Softwaresystems
- Business Transformation
- Reifegradmodelle
- Stand der Forschung
- Barrieren und Erfolgsfaktoren für Machine Learning-Projekte
- Literaturbasierte Erhebung von Barrieren und Erfolgsfaktoren
- Verwandte Arbeiten
- Existierende Reifegradmodelle
- Ergebnisse der Literaturrecherche
- Analyse bestehender Reifegradmodelle
- Aktuelle Forschungstrends des maschinellen Lernens
- Zwischenfazit
- Das Reifegradmodellbasierte Gestaltungskonzept für den Einsatz von Maschinellem Lernen in der Logistik
- Konzeptionierung des Reifegradmodellwürfels
- Konstruktion von Reifegradstufen
- Konstruktion von Gestaltungsfeldern
- Struktur des literaturbasierten Reifegradmodellwürfels
- Gestaltungsfelder
- IT-Infrastruktur
- Herausforderungen
- Maßnahmen
- Unterstützende Trends im Bereich ML
- Daten
- Herausforderungen
- Maßnahmen
- Unterstützende Trends im Bereich ML
- ML-basiertes Softwaresystem
- Herausforderungen
- Maßnahmen
- Unterstützende Trends im Bereich ML
- Führung & Strategie
- Maßnahmen
- Machine Learning-Kompetenzen
- Herausforderungen
- Maßnahmen
- Unterstützende Trends im Bereich ML
- Unternehmenskultur
- Maßnahmen
- Projektmanagement
- Herausforderungen
- Maßnahmen
- Wertschöpfungsnetzwerk
- Herausforderungen
- Maßnahme
- Unterstützende Trends im Bereich ML
- Zwischenfazit
- Die Arbeit analysiert die Barrieren und Erfolgsfaktoren für die Einführung von maschinellem Lernen in der Logistik.
- Sie beleuchtet die Bedeutung der Datenqualität, Datensicherheit und des Datenschutzes für den Erfolg von ML-Projekten.
- Die Arbeit untersucht die Gestaltung von ML-basierten Softwaresystemen und deren technische Eigenschaften.
- Sie beleuchtet die Rolle von Führung und Strategie bei der Implementierung von maschinellem Lernen in Unternehmen.
- Die Arbeit erforscht die Bedeutung der Unternehmenskultur und der notwendigen Kompetenzen für die erfolgreiche Umsetzung von ML-Projekten.
Zielsetzung und Themenschwerpunkte
Diese Masterarbeit verfolgt das Ziel, ein umfassendes Gestaltungskonzept für die Implementierung von maschinellem Lernen in Logistikunternehmen zu entwickeln. Dieses Konzept soll die bestehende Kluft zwischen den Erwartungen an die Technologie und ihrem tatsächlichen Einsatz in der Praxis schließen.
Zusammenfassung der Kapitel
Die Arbeit ist in fünf Kapitel unterteilt. Kapitel 2 liefert die theoretischen Grundlagen, indem es die Begriffe Logistik, maschinelles Lernen, Business Transformation und Reifegradmodelle definiert. Kapitel 3 analysiert den aktuellen Stand der Forschung zu Erfolgsfaktoren und Barrieren von ML-Projekten, sowie zu existierenden Reifegradmodellen und aktuellen Trends im Bereich des maschinellen Lernens. In Kapitel 4 wird das reifegradmodellbasierte Gestaltungskonzept für die Umsetzung von maschinellem Lernen in der Logistik vorgestellt. Dieses Konzept umfasst acht Gestaltungsfelder mit jeweils drei Reifegradstufen. Die Arbeit schließt mit einer Zusammenfassung der Ergebnisse und einem Ausblick auf weiteren Forschungsbedarf in Kapitel 5.
Schlüsselwörter
Die Arbeit befasst sich mit den Schlüsselbegriffen maschinelles Lernen, Logistik, Business Transformation, Reifegradmodelle, Datenqualität, Datensicherheit, Datenaustausch, Unternehmenskultur, Projektmanagement, und Wertschöpfungsnetzwerk.
- Quote paper
- Janic Frank (Author), 2021, Das Potenzial von maschinellem Lernen in der Logistik. Ein Gestaltungskonzept für den erfolgreichen Einsatz von Machine Learning, Munich, GRIN Verlag, https://www.grin.com/document/1148146
