Wissensmanagement im Zeitalter von Industrie 4 - …...Wissensmanagement im Zeitalter von Industrie...
Transcript of Wissensmanagement im Zeitalter von Industrie 4 - …...Wissensmanagement im Zeitalter von Industrie...
Wissensmanagement im Zeitalter von Industrie 4.0
Prof. Dr.-Ing. Madjid Fathi ([email protected])
Region im Dialog, Sparkasse Siegen, 29. Oktober 2015
All People Talk about Industry 4.0
29.10.2015 Wissensbasierte Systeme & Wissensmanagement 2
• Video Bayerischer Rundfunk: – „Industrie 4.0 – Die große Vision“
• https://www.youtube.com/watch?v=N9t2AFIX5RI
Industrie 4.0 – Die große Vision
29.10.2015 Wissensbasierte Systeme & Wissensmanagement 3
29.10.2015 Wissensbasierte Systeme & Wissensmanagement 4
Umsetzungsempfehlungen für das Zukunftsprojekt Industrie 4.0, Abschlussbericht des Arbeitskreises Industrie 4.0, acatech, gefördert BMBF, April 2013, http://www.acatech.de/fileadmin/user_upload/Baumstruktur_nach_Website/Acatech/root/de/Material_fuer_Sonderseiten/Industrie_4.0/Abschlussbericht_Industrie4.0_barrierefrei.pdf.
1. Standardisierung und Referenzarchitektur2. Beherrschung komplexer Systeme3. Flächendeckende Breitbandinfrastruktur für die Industrie4. Sicherheit5. Arbeitsorganisation und –gestaltung6. Aus- und Weiterbildung7. Rechtliche Rahmenbedingungen8. Ressourceneffizienz
– Wie kann Smart Factory erreicht werden? – Welche phyischen und wissensbasierten Ressourcen finden Einsatz ?– Wie kann Wissensmanagement diesen neuen Herausforderungen begegnen?
8 Herausforderungen von Industrie 4.0
Vorstellung des Lehrstuhls
29.10.2015 Wissensbasierte Systeme & Wissensmanagement 5
KollaborativeIdeenfindung
Produkt und Service Verbesserung / Innovation
Personalauswahl & Training
Wissens-/Experten-netzwerke
Wissens-Visualisierung
Aufbau Wissensbasis
Daten- & Textanalyse
WBS
Entscheidungs-unterstützung
Innovations-management
Kompetenz Mgmt.
Wissens-transfer
MultikriterielleEU
Key Performance Indikatoren
Wissens-tranfer
präskriptive Entscheidung
Daten-erfassung
deskriptive Entscheidung
Definition von Wissensmanagement
29.10.2015 Wissensbasierte Systeme & Wissensmanagement 6
Wissensmanagement nach [North, 2011, S. 3]: • „ Wissensmanagement hat zum Ziel, Wissen optimal zu nutzen, weiterzuentwickeln und in neue Produkte, Prozesse und Geschäftsfelder umzusetzen.“
• Wissenskapital soll vermehrt werden, um dadurch den Unternehmenswert nachhaltig zu steigern
• Einbindung unterschiedlicher Stakeholder wie Kunden, Lieferanten, Wissens-Allianzpartner, oder weitere Know-How-Träger/Experten
North, K: Wissensorientierte Unternehmensführung. Wertschöpfung durch Wissen, 5. Edition, Gabler Verlag, Wiesbaden, 2011
Herausforderungen Wissensmanagement?
29.10.2015 Wissensbasierte Systeme & Wissensmanagement 7
Handwerk-Magazin: http://www.handwerk-magazin.de/angst-vor-wissensverlust/150/4/198942
• Studie aus 2013 im Handwerk-Magazin zum Thema Know-HowVerlust:– 19% sehen drohenden Verlust von Wissen– 18% beklagen mangelnden Wissensaustausch– 18% fehlt der Überblick bei Prozesswissen– 14% fehlt ein System zur Wissenserfassung– …
Mangelnder Überblick bei Daten und damit Know-How (z.B. Akten im Keller)Mangelnde Übersicht zu Marktlücken und MarktbedarfMangelnde InnovationsfähigkeitNachteile gegenüber der Konkurrenz
Wissensverlust bedroht Institutionen auf unterschiedlichen Ebenen:
Herausforderungen Wissensmanagement?
29.10.2015 Wissensbasierte Systeme & Wissensmanagement 8
„Laut einer Umfrage eines Wirtschaftsjournals verbringen amerikanische Manager im Durchschnitt 25% ihrer Arbeitszeit oder 60 Arbeitstage pro Jahr mit der Suche
nach Informationen!“ [Lehner, 2014, S. 6]
Zentrales Problem: Flüchtigkeit des Wissens!
• Individuum kennt sein Wissen, • Organisation verliert dieses über die Zeit ohne geeignete Maßnahmen
Lehner, F.: Wissensmanagement: Grundlagen, Methoden und technische Unterstützung. 4. Auflage, Hanser, 2012
• Collaboration Internationale Zusammenarbeit von unterschiedlichen Standorten, in unterschiedlichen Sprachen, zu unterschiedlicher Zeit
• Demographischer Wandel Wie kann das Erfahrungswissen von „älteren“ Arbeitnehmern bei Austritt aus dem Unternehmen sichergestellt werden?
• Wissensmanagement zur Unterstützung von Nachhaltigkeit und Green Computing Effektiver Ressourceneinsatz
• Erweiterte Such- und Analysetechniken bei immer größer werdenden Datenmengen
Herausforderungen Wissensmanagement?
29.10.2015 Wissensbasierte Systeme & Wissensmanagement 9
Quellen u.a.: Bitkom, Wichtige Trends im Wissensmanagement 2007-2011, https://www.bitkom.org/Publikationen/2007/Leitfaden/Positionspapier-Wichtige-Trends-im-Wissensmanagement-2007-bis-2011/Trendreport_WM_zur_KnowTech2007.pdf
• Unternehmen 2.0 Einsatz von Blogs, Foren, Wikis, Social Media etc.
• Lebenslanges Lernen Immer neue Anforderungen im Arbeitsalltag die Fort- und Weiterbildungen notwendig machen
Herausforderungen Wissensmanagement?
29.10.2015 Wissensbasierte Systeme & Wissensmanagement 10
E-Learning, Mobile Learning & Zusammenspiel mit Social Networking
Teilen von Wissen
Relevanz / Wichtigkeit von Wissen!?„Mein Hund ist erkältet“
„Das neue Produkt ABC lässt sich gut bedienen“
Analysewerkzeuge
Stimmungsanalyse
Ableiten von Trends
Quellen u.a.: Bitkom, Wichtige Trends im Wissensmanagement 2007-2011, https://www.bitkom.org/Publikationen/2007/Leitfaden/Positionspapier-Wichtige-Trends-im-Wissensmanagement-2007-bis-2011/Trendreport_WM_zur_KnowTech2007.pdf
Trendstudie Bank und Zukunft 2015*
29.10.2015 Wissensbasierte Systeme & Wissensmanagement 11
• Aufbruch zu neuen Kundenerlebnissen undServices in der digitalen Ökonomie:
Kundenmanagement ohne Einbeziehung der Kunden Intensivierung des Kundenmanagements durch verstärkte Nutzung
digitaler Kanäle wie sozialer Medien
Vertrieb: Rückzug aus der Fläche Vertriebsorganisation durch den Aufbau der digitalen Präsenz und
Standardisierung von Vertriebsprozessen
* Fraunhofer IAO
Trendstudie Bank und Zukunft 2015*
29.10.2015 Wissensbasierte Systeme & Wissensmanagement 12
• Aufbruch zu neuen Kundenerlebnissen undServices in der digitalen Ökonomie:
Zukünftige Rolle der Filialen Modernisierung aufgrund neuer Geschäftsmodelle (u.a. Mobilität,
Pervasive Computing) anstatt rein baulicher Maßnahmen
Transformation in der realen Organisation und IT-Management Verstärkte Vernetzung bei Reduzierung der Prozesskomplexität, Einsatz innovativer Informations- und Kommunikationstechnologien
bei kontinuierlich steigenden Anforderungen an die Sicherheit zur Umsetzung zukunftsorientierter Geschäftsmodelle
* Fraunhofer IAO
Wissensnetzwerke monitoren und unterstützen
(Competence, Change)
Kunden in den Fokus stellen: Point of
Contact, Agile Behaviour
Anforderungen an Wissensmanager 3.0
29.10.2015 Wissensbasierte Systeme & Wissensmanagement 13
Interaktionsstrukturenschaffen: Interaktive Apps,
Guidance Systeme, Interaktive Umgebungen einbinden
Abstimmung der IT-Strategie mit der Business Strategie
• Strategische Rahmenbedingungen schaffen:
Strategisches Wissen sammeln, analysieren und in Entwicklungen und Produkten
umsetzen
Integrations-potentiale nutzen
PLM Daten
Sensor-daten
Normen, Richtlinien,
Externes Wissen
Kunden-feedback
Anforderungen an Wissensmanager 3.0
29.10.2015 Wissensbasierte Systeme & Wissensmanagement 14
SocialMedia
Web Data
Bilder, Videos, Media
Dokumente
• Heutige Wissensmanager sind mit einer Vielzahl Wissensquellen konfrontiert:
• Maschinelles Lernen (Beispiele)
Analyseverfahren
29.10.2015 Wissensbasierte Systeme & Wissensmanagement 15
Klassifikationsverfahren
Entscheidungsbäume
Lernen von Netzen (z.B. Bayessche oder
Neuronale Netze)
Textbasierte Analyseverfahren
Lernen von Konzepten
Meta-analyse
• Textbasierte Analyseverfahren (Beispiele)
Analyseverfahren
29.10.2015 Wissensbasierte Systeme & Wissensmanagement 16
Temporalanalyse
Text Mining
Sentiment Analyse
Semantische Klassifikation
Semantische Vernetzung
WIRPRO PROJEKT
Beispiel I
29.10.2015 Wissensbasierte Systeme & Wissensmanagement 17
• Projekt WiRPro (gefördert durch DFG)– Erweiterung des Produkt Lifecycle Managements durch
wissensbasierte Rückführung von Produktnutzungsinformationen in die Produktentwicklung
• Zusammenarbeit mit Maschinenbauinformatik der Ruhr-Universität Bochum
• Zielsetzung – Analyse von strukturierten Feedbackdaten aus der
Produktnutzung zur Verbesserung der Produktentwicklung– Einsatz von Verfahren zum Lernen von Bayesschen Netzen
Beispiel 1: WiRPro Projekt
29.10.2015 Wissensbasierte Systeme & Wissensmanagement 18
Beispiel 1: WiRPro Projekt
29.10.2015 Wissensbasierte Systeme & Wissensmanagement 19
Dienst, S.; Fathi, M.; Abramovici, M. und Lindner, A.: A Conceptual Data Management Model of a Feedback Assistance System to support Product Improvement. In IEEE International Conference on Systems, Man and Cybernetics (IEEE SMC 2011). Anchorage, Alaska, 2011.
Einteilung nach (Bracht, 2011): Feedbackdaten:• objektiven Datenquellen• Zeitstempel• Eindeutige Zuordnung zu einer
Produktinstanz Hauptquellen: Instandhaltung und
Sensoren (Condition Monitoring) Limitation: Industriegüter Data Mining: Aufdeckung von
verborgenen Informationen
Bracht, U.; Geckler, D. & Wenzel, S.: Digitale Fabrik - Methoden und Praxisbeispiele. Berlin, Heidelberg: Springer Verlag, 2011
Beispiel 1: WiRPro Projekt
29.10.2015 Wissensbasierte Systeme & Wissensmanagement 20
Berechnung von Kennzahlen
Ziel: Auslösen der Produktverbesserung
Lernen eines Diagnose Netzes
Ziel: Aufdeckung der Fehlerursachen
Bewertung der Verbesserungsalternativen
Ziel: Auswahl einer Alternative
Prognose: Erweiterung des Diagnose Netzes
Ziel: Berechnung des Erfolgs bekannter Varianten
• Dienst, S.; Fathi, M.; Abramovici, M. und Lindner, A.,: Nutzungs-Szenarien eines wissensbasierten Assistenzsystems zur Entscheidungsunterstützung in der Produktverbesserung. In 6th Conference on Professional Knowledge Management: From Knowledge to Action. Innsbruck, Austria, 2010.
• Abramovici, M.; Lindner, A. und Dienst, S.: Use Case of providing Decision Support for Product Developers in Product Improvement Processes. In 5th Int. Conference on Integrated Systems, Design and Technology (ISDT). Mallorca, 2012.
Erfassung und Übertragung der Feedbackdaten
Ziel: Aufbau einer zentralen Datenbasis
MIKE PROJEKT
Beispiel II
29.10.2015 Wissensbasierte Systeme & Wissensmanagement 21
Machbarkeitsstudie zur integrierten & kosteneffektiven Überwachung innovativer Energieinfrastruktursysteme
Beispiel 2: MIKE Projekt
29.10.2015 Wissensbasierte Systeme & Wissensmanagement 22
• Gefördert durch: Förderung vernetzter Forschungsprojekte, Universität Siegen
• Projekt Laufzeit: 2015-2016
Beispiel 2: MIKE Projekt
29.10.2015 Wissensbasierte Systeme & Wissensmanagement 23
Planung und Controlling von Instandhaltungskosten
Koordinator Service / Instandhaltung
Kostencontrolling:•Kostenberechnungen•Budget•Kostenhistorie•Instandhaltungsstrategie
Planung der Instandhaltungsmaßnahmen der FolgeperiodeKostenkalkulation via „Costprove mathematical model“• Definition geplanter und ungeplanter Kosten• Kostenberechnung Einzelanlagen• Einbeziehung Clustereffekte• Verknüpfung der Metaanalyse von Betriebs- und SHM-Daten mit
der Kostenkalkulation
Kostensenkungspotenzial durch Früherkennung und Diagnose
Weitergabe von Hinweisen an den Techniker
Dokumentation der Kostenkalkulation in der AnlagenhistorieAnpassung / Verbesserung derInstandhaltungsstrategie(Prozessverbesserung)
ONTOLOG PROJEKT
Beispiel III
29.10.2015 Wissensbasierte Systeme & Wissensmanagement 24
• Projektträger:Förderungsprogramm Regionale Forschungspartnerschaften, Universität Siegen
Beispiel 3: OntoLog Projekt
29.10.2015 Wissensbasierte Systeme & Wissensmanagement 25
OntoLog Wiki
Modelling OntologyEvaluation
Theme Ontology Role Ontology
Ontology Integration
View Add Edit Delete
System Features
Role OntologyTheme Ontology
Ontology Engineer
End-User
Ontologischer Ansatz zum Aufbau einer Wissensbasis
Themen OntologieManuelle und Automatische
Ansätze
Rollen (Aufgaben)-Ontologie
• Die Wissensbausteine sind klar zudefinieren und zu strukturieren, sodasseine eindeutige Zuordnung derWissensbausteine zur jeweiligen Rolleund zum jeweiligen Themenfeld möglichist.
• Somit kann das Wissen adressatengerechtzur Verfügung gestellt werden. Es solleine Benutzerschnittstelle (z.B. als Wiki)den Zugang zu sämtlichen Inhalten ineiner strukturierten Form ermöglichen.Hier kann Wissen abgerufen, ergänzt undggf. gelöscht werden.
Beispiel 3: OntoLog Projekt
29.10.2015 Wissensbasierte Systeme & Wissensmanagement 26
• Das gesammelte und neu erworbene Wissen ordnen und einheitlich abrufbar machen. Dies geschieht mit Hilfe von rollen- und themenbasierten Ontologien.
SENTIMENTANALYSE IM FINANZMARKT
Beispiel IV
29.10.2015 Wissensbasierte Systeme & Wissensmanagement 27
Entscheidungen werden heutzutage im Hochfrequenzhandel gefällt…… automatisch!
Beispiel 4: Sentimentanalyse im Finanzmarkt
29.10.2015 Wissensbasierte Systeme & Wissensmanagement 28
Quelle (adaptiert): Gourley, Sean: Information Processing Time. In: High frequency trading and the new algorithmic ecosystem (Presentation), 2012.
Beispiel 4: Sentimentanalyse im Finanzmarkt
29.10.2015 Wissensbasierte Systeme & Wissensmanagement 29
Informationen werden mit Text Mining Verfahren aus unstrukturierten Daten auf unterschiedlichen Ebenen gewonnen. Dabei kommt die Sentimentanalysezur Untersuchung und Erkennung von Stimmungen von Texten und semantisch verknüpften Textinhalten zum Einsatz.
Dokument(e)
Satz
Textfenster
Boerse-Go.de: EUREX/DAX-Futures drehen ins Plus und schließen auf Tageshoch http://www.boerse-go.de/nachricht/,a2382551.html, (22.10.15).
Beispiel 4: Sentimentanalyse im Finanzmarkt
29.10.2015 Wissensbasierte Systeme & Wissensmanagement 30
Nachrichten haben Einfluss auf die Preisentwicklung von Aktienpreisen auf unvollkommenen Märkten.Mithilfe der Sentimentanalyse kann dieser Einfluss modelliert werden.
Boerse-Go.de: EUREX/DAX-Futures drehen ins Plus und schließen auf Tageshoch http://www.boerse-go.de/nachricht/,a2382551.html, (22.10.15).
Die lokalen Hoch- und Tiefpunkte sind sowohl
im Preis als auch imSentiment erkennbar.
Sentiment (basierend auf Nachrichteninformationen)
• Aktuelle Forschungsthemen– Wissensmanagement in Industrie 4.0 Umgebungen– Wissensanalyse für Big Data– Kontextbasiertes Echtzeit-Wissen– Wissensmanagement in Virtuellen Realitäten
(„Augmented Reality“)– Nachhaltiges Wissensmanagement– Proaktives Cost Controlling– Kollaboratives Lernen– Predictive Analytics
Ausblick und Forschungsherausforderungen
29.10.2015 Wissensbasierte Systeme & Wissensmanagement 31
• Methodenkompetenz WBS– Meta- und Datenanalyse– Text Mining– Ontologie-Entwicklung, Semantische Vernetzung– Case Based Reasoning– Maschinelles Lernen– Wissensvisualisierung– Wissensmanagement in Industrie- und
Gesundheitskontexten
Ausblick und Forschungsherausforderungen
29.10.2015 Wissensbasierte Systeme & Wissensmanagement 32
Vielen Dank für Ihre Aufmerksamkeit!
„Sprechen Sie mich gerne für Projektvorhaben an!“
Kontakt:Universität Siegen, Lehrstuhl für Wissensbasierte Systeme & WissensmanagementProf. Dr.-Ing. Madjid FathiHölderlinstr. 3, 57068 Siegen0271/[email protected] © Universität Siegen