Kurz und Bündig

Der Komplexitätsgrad der Tätigkeiten von Blue Collar Worker wächst, zugleich erfordern diese mit zunehmender inhaltlicher Agilität mehr technisches Wissen. Demographische Entwicklung und Fachkräftemangel in der Industrie verschärfen den Gegensatz zwischen Komplexitätsanstieg, Agilität und Personalentwicklung. Befähigungsinstrumente wie Assistenz und Wissensdiensten sind daher erforderlich. Die erste Generation dieser Dienste hat sich als noch nicht praxistauglich erweisen. Für die zweite Generation gilt es, in einer neuen Phase von Forschung, Entwicklung und Transfer in die Praxis, die Skalier- und Multiplizierbarkeit in den Fokus zu stellen, so dass diese in Kombination mit Beratungs- und technologischen Dienstleistungen wirtschaftlich und wissenschaftlich breit verwertet werden können

Das Delta zwischen dem wissenschaftlichtechnologisch Machbaren und dem in Unternehmen de facto Umsetzbaren ist hinsichtlich Arbeitsplatzintegrierter Assistenz und Wissensdiensten in cyberphysischen Produktionssystemen noch immer erheblich. Nicht zuletzt angesichts des Fachkräftemangels sind aber Befähigungsinstrumente wie Assistenz und Wissensdienste erforderlich, die Blue Collar Worker in cyberphysischen Produktionsumgebungen in die Lage versetzen, komplexe Tätigkeiten zu verrichten, die im Einzelfall ihre eigentlichen Fähigkeiten übersteigen.

Ausgangssituation und Forschungsdesiderate

Die anwendungsorientierte Forschung zu Assistenz und Wissensdiensten in cyberphysischen Produktionsumgebungen fokussiert seit Beginn der 2010er Jahre deren Nutzung in eng umrissenen Pilotszenarien zur arbeitsplatzintegrierten Unterstützung und Qualifizierung in ausgewählten Handlungsfeldern der SmartProduction . Werden Methoden und Anwendungen der Künstlichen Intelligenz integriert, sind diese auf regelwerkbasierte Verfahren begrenzt: Adaptivität und Individualisierung sind somit nur eingeschränkt möglich , Empfehlungssysteme kommen im Einzelfall zum Einsatz. Auf dem Shopfloor werden in Einsatzszenarien von Assistenz und Wissensdiensten oftmals stationäre Displays oder Tablet PCs für die Mensch-Computer- Interaktion genutzt; der Einsatz von Wearables (beispielsweise Datenbrillen) oder die Nutzung von Mixed Reality Technologien stehen hingegen erst am Anfang der Entwicklung. Das Delta zwischen dem wissenschaftlich-technologisch Machbaren und dem in Unternehmen de facto Umsetzbaren ist hinsichtlich Arbeitsplatzintegrierter Assistenz und Wissensdiensten in cyberphysischen Produktionssystemen noch immer erheblich. Zugleich wird die Notwendigkeit neuer Methoden für Arbeitsplatzintegrierte Assistenz und Arbeitsplatznahe Qualifizierung auf allen Ebenen geäußert: im politischen Diskurs zur breiten, qualifizierten Umsetzung von Industrie 4.0, Möglichkeiten der Plattformökonomie und der digitalen Transformation der Wirtschaft, in produzierenden Unternehmen aufgrund des Komplexitätsanstiegs an Maschinen und in Arbeitsprozessen, in der Wissenschaft hinsichtlich der zukunftsweisenden Möglichkeiten des Internets der Dinge und der Anwendungen Künstlicher Intelligenz zur Veredelung von Produkten und Dienstleistungen. De facto wächst der Komplexitätsgrad der Tätigkeiten von Blue Collar Worker auf dem Shopfloor an, zugleich erfordern diese mehr technisches Wissen, in kürzeren Zeiträumen, mit zunehmender inhaltlicher Agilität. In der Industrie steht dieser Entwicklung ein Rückgang qualifizierten Personals sowie der Verlust von Erfahrungswissen durch ausscheidendes Personal gegenüber. Demographische Entwicklung und Fachkräftemangel verschärfen den zunehmenden Gegensatz zwischen Komplexitätsanstieg, Agilität und Personalentwicklung. Befähigungsinstrumente wie Assistenz und Wissensdienste sind erforderlich, die Blue Collar Worker in cyberphysischen Produktionsumgebungen nachweislich in die Lage versetzen, komplexe Tätigkeiten zu verrichten, die im Einzelfall ihre eigentlichen Fähigkeiten übersteigen .

Assistenz und Wissensdienste der ersten und zweiten Generation

Einem breiten Einsatz existierender Lösungen zu Assistenz und Wissensdiensten der ersten Generation in der Smart Production steht aus Erfahrung von Forschung, Entwicklung und Transfer etwa der Projekte APPsist, ALINA, DigiLernPro, ADAPTION der Bundesministerien für Wirtschaft und Energie bzw. für Bildung und Forschung derzeit entgegen : (i) Prototypisch entwickelte Software mit niedrigem Reifegrad, (ii) hoher Aufwand und geringe Kreativität bei Erstellung von Regelwerken für Anwendungen der Künstlichen Intelligenz, (iii) nicht standardisierte Implementation der Assistenz und Wissensdienste, (iv) eng begrenzte Adaptivitätsoptionen durch kleinvolumige Datenbasen von Maschinen und Nutzern, (v) fehlende Domänspezifische Konzepte, unzureichende Serviceleistungen sowie kostspielige Pilotierungen. Für eine neue, zweite Generation von Assistenz und Wissensdiensten gilt es daher, in einer neuen Phase von Forschung, Entwicklung und Transfer in die Praxis, die Skalier und Multiplizierbarkeit von Assistenz und Wissensdienste in den Fokus zu stellen, so dass diese als OnPrem oder CloudAnwendung in Kombination mit Beratungs und technologischen Dienstleistungen wirtschaftlich und wissenschaftlich breit verwertet werden können. Charakteristika von Assistenz und Wissensdiensten der zweiten Generation müssen sein: (i) Breite Integration von Methoden und Anwendungen der Künstlichen Intelligenz, (ii) selbstlernende Optimierung von Assistenz und Wissensdiensten, (iii) automatisierte ShopfloorImplementierung, (iv) wettbewerbsfähige SoftwareLösung sowie (v) Beratungs- und technologische Dienstleistungen zu Assistenz und Wissensdiensten.

Künstliche Intelligenz in Assistenz und Wissensdiensten

Hinsichtlich der Integration von Methoden und Anwendungen der Künstlichen Intelligenz in Assistenz und Wissensdienste der zweiten Generation sind bis dato händisch durchgeführte, konstitutive Arbeiten zu automatisieren. Ohne diese Entwicklung erweist sich eine breite Einführung als SoftwareLösung in neue Einsatzgebieten als nicht effizient und betriebswirtschaftlich kaum rentabel. Ansätze zur automatischen Erstellung von Domänen und DidaktikModellen für wissensbasierte Expertensysteme in der Produktion etwa benötigen strukturierte Daten, die das Layout eines Maschinenparks, die Geometriemodelle der Produkte oder die Montagevorgänge enthalten . De facto ist diese Information bei Unternehmen derzeit nicht oder nur unvollständig, verteilt und bestenfalls unstrukturiert vorhanden. Es müssen daher Verfahren zum Einsatz kommen, die aus unstrukturierten Daten relevante Information extrahieren. Derartige Ansätze wurden bereits sehr früh in Domänen wie Chemie oder Medizin erfolgreich angewendet, so dass davon ausgegangen werden kann, dass dies auch für Industrie 4.0 möglich ist. Statistische Verfahren (unter anderem Latent Semantic Analysis, Kookkurrenz, Clustering, Deep Belief Networks) können verwendet werden, um Konzepte zu erkennen, während linguistische Verfahren (unter anderem semantische Templates, syntaktische Strukturanalysen) es ermöglichen, Hierarchien zwischen Konzepten zu lernen. Information RetrievalForschungsarbeiten haben gezeigt, dass in der Mathematik, im Ingenieur und Bauwesen Zugang zu relevanten Informationen aus un- oder semistrukturierten, vielformatigen Dokumenten gezielt ermöglicht werden kann . Die bisher nicht beantwortete und noch zu bearbeitende Forschungsfrage ist, wie die zur Verfügung stehenden Methoden spezialisiert und kombiniert werden müssen, um die Vielzahl der in der Industrie verwendeten Daten und Datenformate behandeln zu können. Neue Forschungsfragen ergeben sich auch hinsichtlich der Ausweitung der betrachteten Interaktionen der Lernenden vom digitalen Raum der Lernumgebung auf den physischrealen Raum des Hallenbodens, also auf Handlungen von Lernenden an Maschinen. In den vorab genannten Forschungsprojekten wurden erstmals Industrieanlagensensoren, die zur Steuerung der Produktion dienen, und darüber aggregierte Daten zur Adaption von Handlungsunterstützung und für Qualifizierung genutzt. Das Potential der Daten geht jedoch weit darüber hinaus. Aktuelle Forschung zu Education Data Mining zeigt, dass die Kombination verschiedener Datenströme die Performanz von Detektoren lernrelevanter Benutzereigenschaften erheblich verbessern kann . Die Einbindung von Sensordaten aus Produktionsanlagen war bis dato kein Forschungsgegenstand. Daher ist zukünftig auch zu erforschen, wie Verfahren des Education Data Mining, von Academic Analytics und Learning Analytics auf solche Daten zugeschnitten werden können, um eine gezieltere, dynamischere Modellierung der Benutzer durch automatische Identifikation von Benutzergruppen durch Clustering zu ermöglichen. Weiteres Potential werden in der Nutzung dieser Daten für automatisches Lernen, Anpassen der Adaptionsregeln pädagogischer Modelle, Optimierung der Assistenz und Wissensdienste, Messung der Effektivität von Bildungsmaßnahmen durch Verwendung von Klassifikationsverfahren oder Assoziationsanalyse sowie zur Bilddatenoptimierung zwecks automatischer Erkennung von Handlungsabläufen mit Augmented Reality gesehen. Offen ist letztlich auch die Frage, wie weit automatische Verfahren basierend auf Methoden Künstlicher Intelligenz gehen können und welche manuelle Nacharbeit trotz hybrider Verfahren erforderlich oder auch zu empfehlen ist. Maschinelle Lernverfahren erreichen heutzutage durchaus Performanz auf und gar über dem menschlichen Niveau, die Leistung ist aber abhängig etwa von Datenqualität und Zielaufgabe. Weiterhin auch die Frage nach der optimalen Kombination von automatischer und menschlicher Tätigkeit bei Assistenz und Wissensdiensten in cyberphysischen Produktionsumgebungen, die nicht zuletzt aufgrund umfänglicher informeller, erfahrungsbasierter Prozesse und Wissensbausteine bei Einsatz und Implementierung von Assistenz und Wissensdienste auf dem Shopfloor als geboten, wenn nicht gar erforderlich, erscheint.