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


https://www.youtube.com/watch?v=N9t2AFIX5RI


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

http://www.acatech.de/fileadmin/user_upload/Baumstruktur_nach_Website/Acatech/root/de/Material_fuer_Sonderseiten/Industrie_4.0/Abschlussbericht_Industrie4.0_barrierefrei.pdf

Vorstellung des Lehrstuhls


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


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?


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:

http://www.handwerk-magazin.de/angst-vor-wissensverlust/150/4/198942



„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



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

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



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*


• 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*


• 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


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


SocialMedia

Web Data

Bilder, Videos, Media

Dokumente

• Heutige Wissensmanager sind mit einer Vielzahl Wissensquellen konfrontiert:

• Maschinelles Lernen (Beispiele)

Analyseverfahren


Klassifikationsverfahren

Entscheidungsbäume

Lernen von Netzen (z.B. Bayessche oder

Neuronale Netze)

Textbasierte Analyseverfahren

Lernen von Konzepten

Meta-analyse

• Textbasierte Analyseverfahren (Beispiele)

Analyseverfahren


Temporalanalyse

Text Mining

Sentiment Analyse

Semantische Klassifikation

Semantische Vernetzung

WIRPRO PROJEKT

Beispiel I


• 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




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



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


Machbarkeitsstudie zur integrierten & kosteneffektiven Überwachung innovativer Energieinfrastruktursysteme

Beispiel 2: MIKE Projekt


• Gefördert durch: Förderung vernetzter Forschungsprojekte, Universität Siegen

• Projekt Laufzeit: 2015-2016

Beispiel 2: MIKE Projekt


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


• Projektträger:Förderungsprogramm Regionale Forschungspartnerschaften, Universität Siegen

Beispiel 3: OntoLog Projekt


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


• 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


Entscheidungen werden heutzutage im Hochfrequenzhandel gefällt…… automatisch!

Beispiel 4: Sentimentanalyse im Finanzmarkt


Quelle (adaptiert): Gourley, Sean: Information Processing Time. In: High frequency trading and the new algorithmic ecosystem (Presentation), 2012.



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).



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


• 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


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

mailto:[email protected]

Wissensmanagement im Zeitalter von Industrie 4 - …...Wissensmanagement im Zeitalter von Industrie...

Documents

Transcript of Wissensmanagement im Zeitalter von Industrie 4 - …...Wissensmanagement im Zeitalter von Industrie...