Machine-Learning-Anwendungen in mittelständischen Industrieunternehmen. Einsatzbereiche und Erfolgsfaktoren

Inhaltsverzeichnis

• Einleitung
• Problemstellung
• Zielsetzung
• Vorgehensweise
• Grundlagen
• Mittelständische Industrieunternehmen
• Mittelstand
• Industrieunternehmen
• Wertschöpfungskette nach Porter
• Künstliche Intelligenz
• Begriffsbestimmung
• Intelligente Agenten
• Historische Entwicklung
• Machine Learning und Deep Learning
• Machine Learning
• Deep Learning
• Abgrenzungsmerkmale
• Maschinelle Lernverfahren
• Überwachtes Lernen
• Unbewachtes Lernen
• Teilüberwachtes Lernen
• Bestärkendes Lernen
• Methodenwahl
• Forschungsdesign
• Datenerhebung
• Literaturanalyse
• Interviewleitfaden
• Auswahl der Experten
• Datenauswertung
• Ergebnisse
• Stand der Forschung
• Ergebnisse der Literaturanalyse
• ML-Einsatzbereiche
• ML-Erfolgsfaktoren
• Ergebnisse der Experteninterviews
• Unternehmens- und Personenmerkmale
• ML-Einsatzbereiche
• ML-Erfolgsfaktoren
• Erfahrungswerte zur ML-Projektierung im Mittelstand
• Diskussion
• ML-Einsatzbereiche
• ML-Erfolgsfaktoren
• Kritische Würdigung
• Fazit und Ausblick

Zielsetzung und Themenschwerpunkte

Die Bachelor-Thesis befasst sich mit der Analyse von Einsatzbereichen und Erfolgsfaktoren für die Nutzung von Machine Learning Anwendungen in mittelständischen Industrieunternehmen. Das Ziel der Arbeit ist es, einen umfassenden Überblick über den aktuellen Stand der Forschung und der Praxis in diesem Bereich zu liefern und spezifische Herausforderungen und Chancen für die Implementierung von Machine Learning im Mittelstand aufzuzeigen.

• Einsatzmöglichkeiten von Machine Learning in der mittelständischen Industrie
• Erfolgsfaktoren für die Implementierung von Machine Learning-Anwendungen
• Herausforderungen und Chancen für die Nutzung von Machine Learning im Mittelstand
• Best Practices und Fallbeispiele für die erfolgreiche Implementierung von Machine Learning
• Zukünftige Trends und Entwicklungen im Bereich von Machine Learning und Industrie 4.0

Zusammenfassung der Kapitel

Die Arbeit beginnt mit einer Einleitung, in der die Problemstellung, die Zielsetzung und die Vorgehensweise der Arbeit erläutert werden. Anschließend werden die grundlegenden Begriffe und Konzepte von mittelständischen Industrieunternehmen, Künstlicher Intelligenz, Machine Learning und Deep Learning definiert und in den Kontext der Arbeit eingeordnet. Das Forschungsdesign stellt die Methoden der Datenerhebung und -auswertung vor, wobei der Schwerpunkt auf der Literaturanalyse und den Experteninterviews liegt. Die Ergebnisse der Arbeit zeigen den aktuellen Stand der Forschung und die Ergebnisse der Datenerhebung auf. Die Diskussion analysiert die gewonnenen Erkenntnisse und liefert eine kritische Würdigung der Ergebnisse. Abschließend werden im Fazit und Ausblick die wichtigsten Erkenntnisse der Arbeit zusammengefasst und Zukunftsperspektiven für die Nutzung von Machine Learning im Mittelstand aufgezeigt.

Schlüsselwörter

Machine Learning, Mittelstand, Industrieunternehmen, Künstliche Intelligenz, Deep Learning, Einsatzbereiche, Erfolgsfaktoren, Herausforderungen, Chancen, Best Practices, Fallbeispiele, Industrie 4.0.