Ziel ist die Konzeption eines Vorgehensmodells zur Einführung von Machine Learning (ML) in industriellen Dienstleistungen. Im Rahmen einer Literaturstudie wird der Forschungsstand im Hinblick auf bestehende Vorgehensmodelle zur Einführung von ML in industriellen Dienstleistungen dargestellt. Anschließend werden Vorgehensmodelle analysiert, die zur Konzeption des Vorgehensmodells herangezogen werden können. Dabei orientiert sich diese Arbeit an folgender Leitfrage: Wie muss ein Vorgehensmodell konzipiert sein, um eine erfolgreiche Einführung von maschinellem Lernen in industriellen Dienstleistungen zu ermöglichen?
Forschungsarbeiten, Artikel in Journalen oder Geschäftsmodelle von Unternehmen belegen die Bedeutung von Künstlicher Intelligenz beziehungsweise Machine Learning für die Industrie (zum Beispiel Predictive Maintenance, Bots, Analytics). Es liegen allerdings Ursachen vor, die zum Scheitern von KI- oder ML-Projekten führen. Das Problem besteht häufig darin, dass Unternehmen oft ohne vorherige Planung und definierte Prozesse Projekte durchführen. Zudem scheitern ML-Projekte oft daran, dass sich beim Anwenden von ML eine Reihe von Problemen ergeben. Diese Probleme sind in der Regel unvorhersehbar, können nur mit einem hohen Kostenaufwand gelöst werden und führen direkt zum Ausfall. Herausforderungen im Rahmen von ML-Projekten stellen zum Beispiel der Umgang mit Big Data oder die Korrektheit der Ergebnisse dar.
Es ist daher für die erfolgreiche Umsetzung von IT-Projekten zu empfehlen, ein Vorgehensmodell zu verwenden. Dieses bietet die Beschreibung eines koordinierten Ansatzes bei der Durchführung des Projekts und definiert sowohl die Eingabe, die für die Ausführung einer Tätigkeit erforderlich ist, als auch die Ausgabe, die als Ergebnis einer Aktivität erzeugt wird. Zudem werden durch die Anwendung eines Vorgehensmodells Prozesse im Projekt transparenter, planbarer und kontrollierbarer, was sich wiederum positiv auf die Qualität der Ergebnisse des Projekts auswirkt.
Inhaltsverzeichnis (Table of Contents)
- 1 Einleitung
- 2 Begriffliche Grundlagen und Forschungsstand zu relevanten Vorgehensmodellen
- 2.1 Industrieunternehmen und deren Dienstleistungen
- 2.1.1 Eigenschaften von Industrieunternehmen
- 2.1.2 Charakterisierung industrieller Dienstleistungen am Beispiel vorausschauender Instandhaltung
- 2.2 Künstliche Intelligenz und maschinelles Lernen
- 2.2.1 Einordnung und Definition des Begriffs, künstliche Intelligenz'
- 2.2.2 Maschinelles und überwachtes Lernen als Bestandteil von industriellen Dienstleistungen
- 2.3 Vorgehensmodelle zur Einführung von maschinellem Lernen in industriellen Dienstleistungen
- 2.3.1 Abgrenzung des Begriffs, Vorgehensmodell' und Auswahl des Modelltyps
- 2.3.2 Relevante Vorgehensmodelle, Ansätze und Rahmenwerke im Forschungskontext
- 3 Analyse von Vorgehensmodellen
- 3.1 Methodik zur Analyse der betrachteten Vorgehensmodelle
- 3.2 Rahmenwerk zu Bewertung und Vergleich der Modelle
- 3.3 Beschreibung und Analyse der Vorgehensmodelle
- 3.3.1 Prozessmodelle zur Dienstleistungsentwicklung
- 3.3.2 Modelle zur Durchführung von Projekten des maschinellen Lernens
- 3.3.3 Ansätze zur Einführung von künstlicher Intelligenz oder maschinellem Lernen in die Instandhaltung
- 3.4 Vergleich der Vorgehensmodelle und Ableitung der Ergebnisse für die Konzeption des Vorgehensmodells
- 4 Konzeption und Evaluation des Vorgehensmodells
- 4.1 Methodik zur Konzeption und Evaluation
- 4.2 Konzeption des Vorgehensmodells
- 4.2.1 Vorüberlegungen zu Aufbau, Ablauf und Eigenschaften des Vorgehensmodells
- 4.2.2 Entwicklung des Vorgehensmodells
- 4.3 Evaluation des neu konzipierten Vorgehensmodells
- 5 Zusammenfassung und Ausblick
- 5.1 Zusammenfassung und kritische Würdigung der Arbeit
- 5.2 Ausblick
- Charakterisierung industrieller Dienstleistungen und deren Besonderheiten im Kontext von Machine Learning
- Analyse und Bewertung bestehender Vorgehensmodelle für die Einführung von Machine Learning in verschiedenen Bereichen
- Entwicklung eines neuen Vorgehensmodells, das auf die spezifischen Anforderungen industrieller Dienstleistungen zugeschnitten ist
- Evaluation des Modells hinsichtlich seiner Praktikabilität und Wirksamkeit
- Zusammenfassung der Ergebnisse und Ausblick auf zukünftige Forschungsbedarfe
Zielsetzung und Themenschwerpunkte (Objectives and Key Themes)
Diese Masterarbeit zielt darauf ab, ein Vorgehensmodell für die Einführung von Machine Learning in industriellen Dienstleistungen zu entwickeln. Das Modell soll Unternehmen dabei unterstützen, die Möglichkeiten des maschinellen Lernens effektiv zu nutzen und Prozesse zu optimieren.
Zusammenfassung der Kapitel (Chapter Summaries)
Kapitel 1 bietet eine Einleitung in das Thema und erläutert die Motivation und Zielsetzung der Arbeit. Kapitel 2 definiert die relevanten Begriffe, beleuchtet den Forschungsstand zu Vorgehensmodellen und analysiert die Eigenschaften von Industrieunternehmen sowie deren Dienstleistungen, insbesondere am Beispiel der vorausschauenden Instandhaltung. Kapitel 3 analysiert verschiedene bestehende Vorgehensmodelle und bewertet deren Eignung für den Kontext der Einführung von Machine Learning in industriellen Dienstleistungen. Kapitel 4 entwickelt das neue Vorgehensmodell, beschreibt dessen Aufbau, Ablauf und Eigenschaften und evaluiert seine Qualität. Kapitel 5 fasst die Ergebnisse zusammen, zieht eine kritische Würdigung der Arbeit und gibt einen Ausblick auf zukünftige Forschungsmöglichkeiten.
Schlüsselwörter (Keywords)
Die Arbeit beschäftigt sich mit den Schlüsselbegriffen Machine Learning, industrielle Dienstleistungen, Vorgehensmodelle, Instandhaltung, Künstliche Intelligenz, Datenanalyse, Prozessoptimierung und Business Value. Die Arbeit basiert auf empirischen Forschungsarbeiten und untersucht verschiedene Modelle und Ansätze, um die Einführung von Machine Learning in industriellen Dienstleistungen erfolgreich zu gestalten.
- Arbeit zitieren
- Felix Lammers (Autor:in), 2018, Machine Learning in industriellen Dienstleistungen. Ein Vorgehensmodell, München, GRIN Verlag, https://www.grin.com/document/465505
