Machine Learning in industriellen Dienstleistungen. Ein Vorgehensmodell

Inhaltsverzeichnis

1 Einleitung

2 Begriffliche Grundlagen und Forschungsstand zu relevanten Vorgehensmodellen

2.1 Industrieunternehmen und deren Dienstleistungen

2.1.1 Eigenschaften von Industrieunternehmen

2.1.2 Charakterisierung industrieller Dienstleistungen am Beispiel vorausschauender Instandhaltung

2.2 Künstliche Intelligenz und maschinelles Lernen

2.2.1 Einordnung und Definition des Begriffs ‚künstliche Intelligenz‘

2.2.2 Maschinelles und überwachtes Lernen als Bestandteil von industriellen Dienstleistungen

2.3 Vorgehensmodelle zur Einführung von maschinellem Lernen in industriellen Dienstleistungen

2.3.1 Abgrenzung des Begriffs ‚Vorgehensmodell‘ und Auswahl des Modelltyps

2.3.2 Relevante Vorgehensmodelle, Ansätze und Rahmenwerke im Forschungskontext

3 Analyse von Vorgehensmodellen

3.1 Methodik zur Analyse der betrachteten Vorgehensmodelle

3.2 Rahmenwerk zu Bewertung und Vergleich der Modelle

3.3 Beschreibung und Analyse der Vorgehensmodelle

3.3.1 Prozessmodelle zur Dienstleistungsentwicklung

3.3.2 Modelle zur Durchführung von Projekten des maschinellen Lernens

3.3.3 Ansätze zur Einführung von künstlicher Intelligenz oder maschinellem Lernen in die Instandhaltung

3.4 Vergleich der Vorgehensmodelle und Ableitung der Ergebnisse für die Konzeption des Vorgehensmodells

4 Konzeption und Evaluation des Vorgehensmodells

4.1 Methodik zur Konzeption und Evaluation

4.2 Konzeption des Vorgehensmodells

4.2.1 Vorüberlegungen zu Aufbau, Ablauf und Eigenschaften des Vorgehensmodells

4.2.2 Entwicklung des Vorgehensmodells

4.3 Evaluation des neu konzipierten Vorgehensmodells

5 Zusammenfassung und Ausblick

5.1 Zusammenfassung und kritische Würdigung der Arbeit

5.2 Ausblick

Zielsetzung & Themen

Die vorliegende Arbeit zielt darauf ab, ein wissenschaftlich fundiertes Vorgehensmodell für die erfolgreiche Einführung von maschinellem Lernen (ML) in industriellen Dienstleistungen zu konzipieren. Ausgehend von der Forschungsfrage, wie ein solches Modell strukturiert sein muss, werden bestehende Ansätze aus der Dienstleistungsentwicklung sowie aus dem Bereich des ML analysiert und kombiniert, um eine Lücke in der aktuellen Forschung zu schließen.

• Konzeption eines Vorgehensmodells zur ML-Einführung
• Analyse und Vergleich bestehender Vorgehensmodelle und Rahmenwerke
• Integration von Methoden der Dienstleistungsentwicklung und Data-Mining-Prozessen
• Besondere Berücksichtigung der Datenqualität in ML-Projekten
• Evaluation des neu entwickelten Vorgehensmodells

Auszug aus dem Buch

Zusammenfassung der Kapitel

1 Einleitung: Diese Einleitung identifiziert die Forschungslücke, dass viele Machine-Learning-Projekte an mangelnder Planung scheitern, und definiert das Ziel der Masterarbeit: die Konzeption eines Vorgehensmodells für industrielle Dienstleistungen.

2 Begriffliche Grundlagen und Forschungsstand zu relevanten Vorgehensmodellen: Dieses Kapitel definiert die zentralen Begriffe Industrieunternehmen, Dienstleistungen, Künstliche Intelligenz und Machine Learning und sichtet den aktuellen Forschungsstand zu existierenden Vorgehensmodellen.

3 Analyse von Vorgehensmodellen: Hier wird ein Rahmenwerk zur Bewertung verschiedener Modelle entwickelt und angewendet, um deren Eignung für die Konzeption eines neuen Vorgehensmodells zu prüfen.

4 Konzeption und Evaluation des Vorgehensmodells: Der Hauptteil der Arbeit, in dem auf Basis der vorangegangenen Analysen ein neues, mehrstufiges Vorgehensmodell unter besonderer Berücksichtigung der Datenqualität entwickelt und anschließend evaluiert wird.

5 Zusammenfassung und Ausblick: Dieses abschließende Kapitel fasst die zentralen Erkenntnisse der Arbeit kritisch zusammen und gibt Empfehlungen für zukünftige Forschungsansätze und die praktische Anwendung.

Schlüsselwörter

Machine Learning, Künstliche Intelligenz, Vorgehensmodell, Industrielle Dienstleistungen, Instandhaltung, Data Mining, CRISP-DM, Service Engineering, Datenqualität, Prototyping, Evolutionäres Modell, Prozessmodell, Unternehmensprozesse, Projektmanagement, Industrie 4.0

Häufig gestellte Fragen

Worum geht es in dieser Arbeit grundsätzlich?

Die Arbeit beschäftigt sich mit der Konzeption eines systematischen Vorgehensmodells zur Einführung von Machine Learning (ML) in industriellen Dienstleistungsunternehmen, um die Erfolgschancen solcher Projekte zu erhöhen.

Was sind die zentralen Themenfelder?

Die zentralen Themenfelder sind industrielle Dienstleistungen (insbesondere vorausschauende Instandhaltung), Künstliche Intelligenz (KI), Machine Learning (ML) und Prozessmodelle zur Software- und Dienstleistungsentwicklung.

Was ist das primäre Ziel oder die Forschungsfrage?

Die primäre Forschungsfrage lautet: Wie muss ein Vorgehensmodell konzipiert sein, um eine erfolgreiche Einführung von maschinellem Lernen in industriellen Dienstleistungen zu ermöglichen?

Welche wissenschaftliche Methode wird verwendet?

Die Arbeit nutzt eine Literaturstudie zur Bestandsaufnahme, leitet daraus Anforderungen an ein Vorgehensmodell ab, analysiert bestehende Prozessmodelle und nutzt diese als Basis für die Neukonzeption eines eigenen, hybriden Modells.

Was wird im Hauptteil behandelt?

Der Hauptteil umfasst die detaillierte Analyse und den Vergleich bestehender Modelle sowie die explizite Herleitung und anschließende Evaluation des eigenen, neu konzipierten Vorgehensmodells.

Welche Schlüsselwörter charakterisieren die Arbeit?

Die wichtigsten Begriffe sind Machine Learning, Vorgehensmodell, industrielle Dienstleistungen, Data Mining und Datenqualität.

Warum ist eine eigene Iteration für Datenqualität wichtig?

Die Analyse zeigt, dass Datenqualität in ML-Projekten eine entscheidende Herausforderung darstellt. Da fehlerhafte Daten zu schlechten Ergebnissen führen, ist eine explizite Prüfung und Verbesserung der Datenqualität im Vorgehensmodell unerlässlich.

Wie trägt das Prototyping zum Erfolg bei?

Das Prototyping ermöglicht es, in frühen Phasen experimentell mit ML-Modellen zu arbeiten und Ergebnisse durch den Kunden frühzeitig validieren zu lassen, was die Qualität des Endprodukts erhöht.

Ist das konzipierte Modell universell einsetzbar?

Obwohl das Modell auf industrielle Dienstleistungen fokussiert ist, bietet es durch die Kombination aus evolutionärem Ansatz und Prototyping eine flexible Struktur, die jedoch an die spezifischen Anforderungen des jeweiligen Unternehmens angepasst werden muss.