Die Arbeit hat das Ziel folgende Forschungsfragen zu beantworten: Welche Einsatzbereiche sollten mittelständische Industrieunternehmen für eine initiale Nutzung von Machine-Learning-Anwendungen vorrangig berücksichtigen? Welche Faktoren sind für eine erfolgreiche Einführung und Nutzung von Machine-Learning-Anwendungen zu berücksichtigen?
Aufgrund der zunehmenden wirtschaftlichen Relevanz einer breiten Integration und Nutzung von KI-Technologien sowie der soeben aufgeführten Problemstellung besteht ein erstes Ziel der Forschungsarbeit darin, geeignete Einsatzbereiche für die initiale Nutzung von KI-Technologien in der Wertschöpfungskette mittelständischer Industrieunternehmen zu identifizieren. Ferner sollen mithilfe von qualitativen Forschungsmethoden zunächst literaturgeleitet, potenzielle Einsatzbereiche und Erfolgsfaktoren für die Einführung eruiert werden. Um einen möglichst großen Praxistransfer gewährleisten zu können, werden die Ergebnisse der Literaturanalyse mithilfe nachgelagerter Experteninterviews erweitert und kontrastiert. Aufgrund des breiten Anwendungsspektrums von KI-Technologien in einer Vielzahl von Wirtschaftsbereichen, fokussiert sich diese Arbeit gezielt auf die Verwendung von KI im industriellen Mittelstand. Überdies wird zur weiteren Eingrenzung des Forschungsvorhabens ausschließlich die KI-Teilmenge des Machine Learning (ML) berücksichtigt.
Während Künstliche Intelligenz (KI) in den vergangenen Jahren häufig mit Science-Fiction ähnlichen Anwendungsformen assoziiert wurde, so wird die Technologie bereits heute in einer Vielzahl von Unternehmen der digitalen Ökonomie eingesetzt. Bekannte KI-Anwendungsformen wie Sprachassistenzsysteme, intelligente Suchmaschinen, nutzungsbedingte Empfehlungssysteme, Chatbots oder autonome Fahrzeugsysteme sind für viele Gesellschaftsgruppen fester Bestandteil des Alltags geworden.
Die Anwendungsmöglichkeiten von KI-Technologien sind jedoch weitaus umfangreicher als aus dem gesellschaftlichen Kontext bekannt und umfassen gleichermaßen klassische Wirtschaftssektoren wie die industrielle Produktion und Agrarwirtschaft, die Mode- und Touristikbranche sowie das Gesundheits-, Finanz- und Transportwesen. Als Folge der zunehmenden Digitalisierung und Ubiquität sowie der sich daraus schließenden Menge an verfügbaren Daten, bietet KI als Querschnitts- und Zukunftstechnologie sowohl aus volks- als auch betriebswirtschaftlicher Perspektive signifikante Wachstumspotenziale.
Einer Repräsentativerhebung des Bundesministeriums für Wirtschaft und Energie zufolge, können Unternehmen durch die Verwendung von KI-Technologien bei gleichbleibenden Umsätzen bis zu 25% mehr Gewinn erzielen. Neben der intelligenten Verknüpfung und Interpretation von Unternehmensdaten zur Steigerung der betrieblichen Effizienz, bieten KI-Technologien durch ergänzende Produktdienstleistungen und neuartige Produktkombinationen die Möglichkeit, bestehende Geschäftsmodelle zu transformieren.
Inhaltsverzeichnis
- Einleitung
- Problemstellung
- Zielsetzung
- Vorgehensweise
- Grundlagen
- Mittelständische Industrieunternehmen
- Mittelstand
- Industrieunternehmen
- Wertschöpfungskette nach Porter
- Künstliche Intelligenz
- Begriffsbestimmung
- Intelligente Agenten
- Historische Entwicklung
- Machine Learning und Deep Learning
- Machine Learning
- Deep Learning
- Abgrenzungsmerkmale
- Maschinelle Lernverfahren
- Überwachtes Lernen
- Unbewachtes Lernen
- Teilüberwachtes Lernen
- Bestärkendes Lernen
- Methodenwahl
- Forschungsdesign
- Datenerhebung
- Literaturanalyse
- Interviewleitfaden
- Auswahl der Experten
- Datenauswertung
- Ergebnisse
- Stand der Forschung
- Ergebnisse der Literaturanalyse
- ML-Einsatzbereiche
- ML-Erfolgsfaktoren
- Ergebnisse der Experteninterviews
- Unternehmens- und Personenmerkmale
- ML-Einsatzbereiche
- ML-Erfolgsfaktoren
- Erfahrungswerte zur ML-Projektierung im Mittelstand
- Diskussion
- ML-Einsatzbereiche
- ML-Erfolgsfaktoren
- Kritische Würdigung
- Fazit und Ausblick
Zielsetzung und Themenschwerpunkte
Die Bachelor-Thesis befasst sich mit der Analyse von Einsatzbereichen und Erfolgsfaktoren für die Nutzung von Machine Learning Anwendungen in mittelständischen Industrieunternehmen. Das Ziel der Arbeit ist es, einen umfassenden Überblick über den aktuellen Stand der Forschung und der Praxis in diesem Bereich zu liefern und spezifische Herausforderungen und Chancen für die Implementierung von Machine Learning im Mittelstand aufzuzeigen.
- Einsatzmöglichkeiten von Machine Learning in der mittelständischen Industrie
- Erfolgsfaktoren für die Implementierung von Machine Learning-Anwendungen
- Herausforderungen und Chancen für die Nutzung von Machine Learning im Mittelstand
- Best Practices und Fallbeispiele für die erfolgreiche Implementierung von Machine Learning
- Zukünftige Trends und Entwicklungen im Bereich von Machine Learning und Industrie 4.0
Zusammenfassung der Kapitel
Die Arbeit beginnt mit einer Einleitung, in der die Problemstellung, die Zielsetzung und die Vorgehensweise der Arbeit erläutert werden. Anschließend werden die grundlegenden Begriffe und Konzepte von mittelständischen Industrieunternehmen, Künstlicher Intelligenz, Machine Learning und Deep Learning definiert und in den Kontext der Arbeit eingeordnet. Das Forschungsdesign stellt die Methoden der Datenerhebung und -auswertung vor, wobei der Schwerpunkt auf der Literaturanalyse und den Experteninterviews liegt. Die Ergebnisse der Arbeit zeigen den aktuellen Stand der Forschung und die Ergebnisse der Datenerhebung auf. Die Diskussion analysiert die gewonnenen Erkenntnisse und liefert eine kritische Würdigung der Ergebnisse. Abschließend werden im Fazit und Ausblick die wichtigsten Erkenntnisse der Arbeit zusammengefasst und Zukunftsperspektiven für die Nutzung von Machine Learning im Mittelstand aufgezeigt.
Schlüsselwörter
Machine Learning, Mittelstand, Industrieunternehmen, Künstliche Intelligenz, Deep Learning, Einsatzbereiche, Erfolgsfaktoren, Herausforderungen, Chancen, Best Practices, Fallbeispiele, Industrie 4.0.
- Arbeit zitieren
- Nicolai Stanev (Autor:in), 2022, Machine-Learning-Anwendungen in mittelständischen Industrieunternehmen. Einsatzbereiche und Erfolgsfaktoren, München, GRIN Verlag, https://www.grin.com/document/1327964
