Refine
Has Fulltext
- no (226) (remove)
Year of publication
Document Type
- Article (145)
- Monograph/Edited Volume (26)
- Part of a Book (21)
- Conference Proceeding (20)
- Other (7)
- Contribution to a Periodical (5)
- Doctoral Thesis (1)
- Review (1)
Keywords
- Industry 4.0 (5)
- knowledge management (5)
- ERP (4)
- Industrie 4.0 (4)
- CPPS (3)
- CPS (3)
- deep reinforcement learning (3)
- digital learning (3)
- evaluation (3)
- industry 4.0 (3)
Institute
- Wirtschaftswissenschaften (131)
- Fachgruppe Betriebswirtschaftslehre (83)
- Hasso-Plattner-Institut für Digital Engineering GmbH (3)
- Wirtschafts- und Sozialwissenschaftliche Fakultät (3)
- Fachgruppe Politik- & Verwaltungswissenschaft (2)
- Bürgerliches Recht (1)
- Department Psychologie (1)
- Forschungsbereich „Politik, Verwaltung und Management“ (1)
- Sozialwissenschaften (1)
Nowadays, production planning and control must cope with mass customization, increased fluctuations in demand, and high competition pressures. Despite prevailing market risks, planning accuracy and increased adaptability in the event of disruptions or failures must be ensured, while simultaneously optimizing key process indicators. To manage that complex task, neural networks that can process large quantities of high-dimensional data in real time have been widely adopted in recent years. Although these are already extensively deployed in production systems, a systematic review of applications and implemented agent embeddings and architectures has not yet been conducted. The main contribution of this paper is to provide researchers and practitioners with an overview of applications and applied embeddings and to motivate further research in neural agent-based production. Findings indicate that neural agents are not only deployed in diverse applications, but are also increasingly implemented in multi-agent environments or in combination with conventional methods — leveraging performances compared to benchmarks and reducing dependence on human experience. This not only implies a more sophisticated focus on distributed production resources, but also broadening the perspective from a local to a global scale. Nevertheless, future research must further increase scalability and reproducibility to guarantee a simplified transfer of results to reality.
The development of new and better optimization and approximation methods for Job Shop Scheduling Problems (JSP) uses simulations to compare their performance. The test data required for this has an uncertain influence on the simulation results, because the feasable search space can be changed drastically by small variations of the initial problem model. Methods could benefit from this to varying degrees. This speaks in favor of defining standardized and reusable test data for JSP problem classes, which in turn requires a systematic describability of the test data in order to be able to compile problem adequate data sets. This article looks at the test data used for comparing methods by literature review. It also shows how and why the differences in test data have to be taken into account. From this, corresponding challenges are derived which the management of test data must face in the context of JSP research.
Der vorliegende Beitrag gibt eine Einführung in die Analyse und Optimierung wissensintensiver Geschäftsprozesse. Dazu wird die Modellierungsmethodik KMDL® vorgestellt und ein Szenario ihrer Anwendung auf wissensintensive Prozesse im Finanzdienstleistungssektor entworfen. Dies wird exemplarisch am Dienstleistungsentwicklungsprozess sowie am Kundenberatungsprozess demonstriert. Dabei werden für beide Prozesse durch den Einsatz der KMDL® erkennbare Potenzialfelder aufgezeigt und Handlungsempfehlungen entworfen.
Die Ressource Wissen als Bestandteil der unternehmerischen Wertschöpfung hat in den letzten Jahren stark an Bedeutung gewonnen. Besonders davon beeinflusst sind Branchen und Geschäftsmodelle, deren Wertschöpfung zu einem Großteil auf Erwerb, Erzeugung und Nutzung von Wissen basiert. Bekannte Werkzeuge für die Geschäftsprozessmodellierung berücksichtigen in der Regel nur explizites Wissen, welches in statischer Form abgebildet wird. Dabei gerät die Betrachtung von personenbezogenem Wissen, welches nicht unmittelbar zur Erzeugung von Informationen benötigt wird, aus dem Blickfeld. In diesem Beitrag werden klassische Verfahren der Modellierung von Geschäftsprozessen auf ihre Eignung zur Darstellung wissensintensiver Geschäftsprozesse untersucht. Basierend auf den vorgefundenen Defiziten wird der Modellierungsansatz KMDL (Knowledge Modeling Description Language) vorgestellt.
Dieses Kapitel diskutiert die Notwendigkeit einer stärkeren Praxisorientierung für die Schaffung konkreter Lehr- und Lernräume in Unternehmen und zeigt die Vorteile einer Lernfabrik vor dem Hintergrund der stattfindenden Digitalisierung als Mittel zur Kompetenzentwicklung auf. Die technologiebedingt erweiterten Weiterbildungsziele erfordern die Nutzung geeigneter Konzepte und Lösungen. Dahingehend erfolgt die zielorientierte Konkretisierung der Kreation geeigneter Lehr- und Lernsituationen. Die Darstellung der Nutzbarmachung einer Modellfabrik als Lernfabrik der betrieblichen Weiterbildungspraxis zeigt nicht nur eine Lösung für die intendierte Bereitstellung flexibler Lehr- und Lernsituationen, sondern liefert ebenso Handlungsempfehlungen und Best-Practices für die erfolgreiche Kompetenzentwicklung. Insbesondere Praktiker profitieren von der Darstellung der Lernfabrik: aus dieser können sowohl betriebliche Weiterbildner als auch Geschäftsverantwortliche Implikationen für die didaktische Transformation betrieblicher Arbeitsorte in betriebliche Lern-Orte ableiten. Die detaillierte Darstellung einer Tagesschulung zum Thema Auswirkungen von Industrie 4.0 auf die Arbeit der Mitarbeiter sowie Illustration eines Lernszenarios geben reale Einblicke, wie betriebliche Weiterbildung abseits von Lehr-Lern-Kurzschluss-orientierter Didaktik gelingt.