Schwerpunkte

Maschinelles Lernen

Das muss das Management tun

25. Januar 2017, 14:14 Uhr   |  Dr.-Ing. Hans Egermeier, Dr. Thomas Natschläger, Markus Riedenbauer

Das muss das Management tun
© Fotolia / PixlMakr, Shutterstock / Rawpixel.com

Das maschinelle Lernen hält auch in der Fabrikautomation Einzug. Doch was muss das Management tun, um die Technologie im Unternehmen zu integrieren? Und wie sieht eine konkrete Umsetzung aus?

Der erste Teil des Artikels machte bereits deutlich, wie sich maschinelles Lernen technologisch umsetzen lässt. Doch stellt sich die Frage, wie die aus der Perspektive des Engineering neu dazugekommenen Experten im Entwicklungsablauf eingeordnet werden sollen. Ist es eine neue ‚Über-Disziplin‘, die über das Prinzip ‚Wissen ist Macht‘ alle anderen Disziplinen dominieren kann – so wie am Schluss der Finanzvorstand nach dem Motto ‚Wer zahlt schafft an‘ den Geldhahn auf und zu drehen kann? Oder wurde nun das buchstäblich letzte Glied in der Kette der Produktentwicklung gefunden, das am Ende eines sequenziellen Entwicklungsprozesses nach der Software-Entwicklungsabteilung eingereiht wird?

Einen echten mechatronischen Entwicklungsprozess in der Praxis umzusetzen, ist schon eine enorme Herausforderung für sich und erfordert neben der Offenheit des Managements und der jeweiligen beteiligten Personen eine systematische Koordination der Prozesse. Kommt nun die Datenanalyse und maschinelles Lernen als weitere Disziplin hinzu, wird die Gemengelage noch ein Stück unübersichtlicher. Für den Einstieg ist es daher wichtig, zuerst die zentralen organisatorischen Schnittstellen für die mit der neuen Querschnitts-Engineering-Aufgabe betrauten Kollegen zu schaffen. Der Wert der Arbeit steht und fällt mit der Qualität der Daten, die im Entwicklungsprozess vorliegen und später im laufenden Betrieb der Maschine gesammelt und verarbeitet werden können. Stellen sich die ­weiteren am Entwicklungsprozess beteiligten Disziplinen und die Unter­nehmens-IT nicht darauf ein, so ist, wenn überhaupt, nur ein suboptimales Ergebnis zu erwarten. Ein ausgewogenes und interdisziplinäres Miteinander ist Pflicht!

Optimalerweise ist zudem eine Werkzeugunterstützung, die auch auf Datenebene ein gemeinsames paralleles und kooperatives Arbeiten ermöglicht, mit berücksichtigt. Dieses sogenannte Concurrent-Engineering beziehungsweise Simultaneous Engineering beginnt mit einem gemeinsamen übergreifenden Anforderungs- und Fehlermanagement sowie der Versionsverwaltung über ein gemeinsames Projektmanagement bis hin zu ganzheitlichen Systemsimulationen.

Seite 1 von 4

1. Das muss das Management tun
2. Verschachtelte Prozesse
3. Stakeholder eines Analytics-Projekts
4. Analytics in der Praxis

Auf Facebook teilenAuf Twitter teilenAuf Linkedin teilenVia Mail teilen

Das könnte Sie auch interessieren

Maschinelles Lernen - der Einstieg!

Verwandte Artikel

Ingenieurbüro lean-digital-transformation