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
1 Einleitung
1.1 Problemstellung
1.2 Zielsetzung
1.3 Vorgehensweise
2 Grundlagen
2.1 Mittelständische Industrieunternehmen
2.1.1 Mittelstand
2.1.2 Industrieunternehmen
2.1.3 Wertschöpfungskette nach Porter
2.2 Künstliche Intelligenz
2.2.1 Begriffsbestimmung
2.2.2 Intelligente Agenten
2.2.3 Historische Entwicklung
2.3 Machine Learning und Deep Learning
2.3.1 Machine Learning
2.3.2 Deep Learning
2.3.3 Abgrenzungsmerkale
2.4 Maschinelle Lernverfahren
2.4.1 Überwachtes Lernen
2.4.2 Unbewachtes Lernen
2.4.3 Teilüberwachtes Lernen
2.4.4 Bestärkendes Lernen
3 Forschungsdesign
3.1 Methodenwahl
3.2 Datenerhebung
3.2.1 Literaturanalyse
3.2.2 Interviewleitfaden
3.2.3 Auswahl der Experten
3.3 Datenauswertung
4 Ergebnisse
4.1 Stand der Forschung
4.2 Ergebnisse der Literaturanalyse
4.2.1 ML-Einsatzbereiche
4.2.2 ML-Erfolgsfaktoren
4.3 Ergebnisse der Experteninterviews
4.3.1 Unternehmens- und Personenmerkmale
4.3.2 ML-Einsatzbereiche
4.3.3 ML-Erfolgsfaktoren
4.3.4 Erfahrungswerte zur ML-Projektierung im Mittelstand
5 Diskussion
5.1 ML-Einsatzbereiche
5.2 ML-Erfolgsfaktoren
5.3 Kritische Würdigung
6 Fazit und Ausblick
Zielsetzung und thematische Schwerpunkte
Das Hauptziel dieser Arbeit besteht darin, geeignete Einsatzbereiche für die initiale Nutzung von Machine Learning (ML) in der Wertschöpfungskette mittelständischer Industrieunternehmen zu identifizieren und die für eine erfolgreiche Einführung und Nutzung entscheidenden Erfolgsfaktoren zu analysieren.
- Identifikation vorrangiger ML-Einsatzbereiche im industriellen Mittelstand
- Analyse für eine erfolgreiche Einführung und Nutzung erforderlicher Faktoren
- Gegenüberstellung theoretisch abgeleiteter Ergebnisse mit Experteninterviews
- Evaluierung des digitalen Reifegrades als Bewertungskriterium
- Untersuchung von Kosten-Nutzen-Verhältnissen bei der Implementierung
- Ableitung von Handlungsempfehlungen für KMU-Einsteiger
Auszug aus dem Buch
2.4.1 Überwachtes Lernen
Überwachtes Lernen basiert auf der Grundlage, dass anhand von Eingabe-Ausgabe-Datenpaaren eine Funktion bestimmt wird, die unbekannte Eingabedaten auf bekannte Zielwerte abbildet (Vgl. Schacht & Lanquillon, 2019, S. 96). Die gewünschte Ausgabe in Form einer Zielvariable sowie einem dazugehörigen Ergebniswert, wie beispielsweise Spam = Ja / Nein, ist bereits zu Beginn bekannt, jedoch muss der Algorithmus darauf trainiert werden, eine korrekte Zuordnung von Dateneingabe zu Datenausgabe herzustellen. Hierzu werden die Eingabedaten aus dem Trainingsdatensatz etikettiert (gelabelt), d.h. sie erhalten eine Beschriftung und werden der gewünschten Datenausgabe zugeordnet (Vgl. Kreutzer & Sirrenberg, 2019, S. 7). Der zugrundeliegende Algorithmus versucht mithilfe der präparierten Trainingsdaten korrelative Ähnlichkeiten, Unterschiede und weitere statistisch signifikante Merkmale zwischen den Eingabe-Ausgabe-Paaren zu identifizieren und somit eine Funktion zur Vorhersage anhand der beschrifteten Daten abzuleiten (Vgl. Brenner et al., 2021, S. 7 f.). Sobald eine zufriedenstellende Ergebnisqualität zwischen dem Mapping von Dateneingabe und Datenausgabe erreicht wird, werden zur weiteren Bestimmung der Modellgüte iterative Durchläufe mithilfe von Test- und Validierungsdaten vorgenommen. Die Ergebnisse eines überwachten Lernalgorithmus sind durch das manuelle Annotieren von Eingabe zu gewünschter Ausgabe vergleichsweise einfach nachvollziehbar. Hierbei ist jedoch zu beachten, dass sich die initiale Zuordnung von Eingabe-Ausgabe-Paaren als ressourcenintensiv erweisen kann. Überwachte Lernalgorithmen werden primär für Vorhersagen von Wahrscheinlichkeiten und numerischen Werten, also für Klassifikations- und Regressionsaufgaben verwendet (Vgl. Matzka, 2021, S. 11 f.). Bekannte Algorithmen, die im Rahmen des überwachten Lernens eingesetzt werden, sind die lineare- und logistische Regression, neuronale Netzwerke und Entscheidungsbäume. Das überwachte Lernen wird u.a. zur vorausschauenden Maschinen- und Anlagenwartungen, der Klassifikation von Bildern sowie zur Sprachübersetzung verwendet (Vgl. Chollet, 2018, S. 130).
Zusammenfassung der Kapitel
1 Einleitung: Diese Einleitung führt in die Relevanz von Künstlicher Intelligenz ein und definiert die Problemstellung sowie die Forschungsfragen hinsichtlich der ML-Integration in mittelständische Unternehmen.
2 Grundlagen: Hier werden die theoretischen Begriffsdefinitionen wie Mittelstand, Künstliche Intelligenz, Machine Learning und verschiedene maschinelle Lernverfahren detailliert erläutert.
3 Forschungsdesign: Dieses Kapitel begründet den qualitativen Forschungsansatz, die methodische Vorgehensweise bei der Literaturanalyse und die Durchführung der Experteninterviews.
4 Ergebnisse: Hier erfolgt die Darstellung des Forschungsstands sowie die Aufbereitung und Präsentation der gewonnenen Erkenntnisse aus Literaturrecherche und Expertenbefragung.
5 Diskussion: In diesem Teil werden die Einsatzbereiche und Erfolgsfaktoren für ML kritisch reflektiert und in den unternehmerischen Kontext eingeordnet.
6 Fazit und Ausblick: Das Fazit fasst die zentralen Untersuchungsergebnisse zusammen und gibt einen Ausblick auf zukünftige Forschungsbedarfe im Kontext von KMU und KI-Technologien.
Schlüsselwörter
Machine Learning, Künstliche Intelligenz, Mittelstand, Industrieunternehmen, Wertschöpfungskette, Erfolgsfaktoren, Prozessautomatisierung, Datenqualität, IT-Infrastruktur, Experteninterviews, Predictive Analytics, Digitalisierung, Implementierung, Datensätze, Prozessstandardisierung.
Häufig gestellte Fragen
Worum geht es in dieser Bachelor-Thesis grundsätzlich?
Die Arbeit analysiert, wie mittelständische Industrieunternehmen Machine Learning (ML) effizient einsetzen können, um Wettbewerbsvorteile zu generieren.
Was sind die zentralen Themenfelder der Arbeit?
Die Schwerpunkte liegen auf der Identifikation geeigneter Einsatzbereiche in der Wertschöpfungskette und der Definition kritischer Erfolgsfaktoren für eine erfolgreiche Einführung.
Welche Forschungsfragen verfolgt der Autor?
Der Fokus liegt auf der Ermittlung der vorrangig zu priorisierenden Einsatzbereiche für ML sowie der Identifizierung der Faktoren, die für die Einführung und Nutzung maßgeblich sind.
Welche wissenschaftlichen Methoden kommen zum Einsatz?
Die Arbeit nutzt einen qualitativen Ansatz, bestehend aus einer systematischen Literaturanalyse (Sekundärforschung) und leitfadengestützten Experteninterviews mit fünf Fachvertretern (Primärforschung).
Was wird im Hauptteil der Untersuchung behandelt?
Der Hauptteil gliedert sich in theoretische Grundlagen, die Darlegung des Forschungsdesigns sowie die detaillierte Auswertung der gewonnenen Daten zu Einsatzbereichen und Erfolgsfaktoren.
Welche Schlüsselbegriffe charakterisieren diese Arbeit?
Die Arbeit ist geprägt durch Begriffe wie "Automatisierung", "Digitale Reife", "Datenqualität", "Mittelstand" und "Prozessstandardisierung".
Warum wird der Fokus bei der Einführung auf die Logistik gelegt?
Experten identifizieren die Logistik als besonders geeignet, da dort häufig eine hohe Prozessstandardisierung und eine gute Datenverfügbarkeit vorliegen, was schnelle Projekterfolge ermöglicht.
Wie bewerten die Experten das Risiko einer ML-Einführung im Mittelstand?
Die Experten betonen, dass kleine, schnell umsetzbare Anwendungsfälle ("Quick Wins") das Investitionsrisiko minimieren und die Akzeptanz bei der Belegschaft fördern.
- 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
