Zum Inhalt springen

Learn2WIn – Arbeitsabläufe mit Hilfe von KI optimieren

Learn2WIn – Arbeitsabläufe mit Hilfe von KI optimierenLearn2WIn – Arbeitsabläufe mit Hilfe von KI optimierenLearn2WIn – Arbeitsabläufe mit Hilfe von KI optimieren

Damit es in Logistik und Produktion schneller geht, muss die Abfolge von Arbeitsschritten klar sein. In Learn2WIn lotet ein Forschungsteam der Universität Passau aus, wie Künstliche Intelligenz dabei helfen kann. Das Vorhaben wird im Rahmen des BMVI-Projekts KIMoNo gefördert.


Vom Hobbykoch bis zum Automobilkonzern kämpfen alle täglich mit einem Problem, das im Projekt Learn2WIn adressiert wird: Wenn es schneller gehen soll, müssen mehrere Schritte parallel ablaufen. Aber welcher Schritt muss dabei zwingend vor einem anderen gemacht werden? Optimiert Künstliche Intelligenz (KI) die Abläufe in Logistik oder Produktion, muss teils für mehrere tausend Arbeitsschritte klar sein: Muss Schritt a vor oder nach Schritt b gemacht werden oder können sie gleichzeitig ablaufen? Diese Frage muss für alle Kombinationen der Schritte beantwortet werden – teils sind das mehrere Millionen. In der Praxis können diese Daten in der notwendigen Genauigkeit meist nur durch Experteninterviews gesammelt werden. Doch alle Fragen zu stellen, würde Jahre dauern. 


In dem Projekt Learn2WIn versucht ein Team um Prof. Dr. Alena Otto, Inhaberin des Lehrstuhls für Betriebswirtschaftslehre mit Schwerpunkt Management Science/Operations and Supply Chain Management an der Universität Passau, eine Art dynamischen Fragebogen zu entwickeln, der mit möglichst wenig Antworten in einem Experteninterview auskommt. Eine KI soll eine begrenzte Anzahl von Schlüsselfragen ausmachen und möglichst viele Informationen aus den Expertenantworten auf diese Fragen ziehen, aus denen die KI wiederum bestimmt,, welche Frage als nächstes gestellt werden soll und möglichst viel Informationsgehalt liefert. So kann eine kleine Anzahl von gestellten Fragen jahrelange Interviews mit Expert*innen ersetzen.


„Das Vorgehen ist sehr spannend für Automobilindustrie und Logistiker“, so Prof. Dr. Alena Otto. „Unser Datenerhebungsverfahren ermöglicht eine umfassende Unterstützung der Prozessplaner*innen mit Methoden der Optimierung und KI. So können neben Einsparpotenzialen weitere wichtige und schwer handzuhabende Aspekte besser berücksichtigt werden, wie beispielsweise Energieeffizienz, Ergonomie und Lerneffekte.“

Das Projekt-Akronym Learn2WIn steht für „Learning Precedence Relations with Interviews: Optimization Approaches“. Das Vorhaben läuft vom 1. April 2021 bis 30. Juni 2021. Mit Learn2WIn hat Projektleiterin Prof. Dr. Alena Otto erfolgreich Fördermittel bei einem Ideenwettbewerb im Rahmen des BMVI-Projekts KIMoNo eingeworben, das die Mobilität im ländlichen Raum untersuchen und gestalten will. Prof. Dr. Otto hat an der Universität Passau den Lehrstuhl für Betriebswirtschaftslehre mit Schwerpunkt Management Science/Operations and Supply Chain Management inne. Sie bearbeitet das Projekt gemeinsam mit dem Nachwuchswissenschaftler Dr. Benedikt Finnah. Dabei kooperiert das Team mit Prof. Dr. Jochen Gönsch (Universität Duisburg-Essen).


Laufzeit 01.04.2021 - 30.06.2021
Diese Seite teilen

Beim Anzeigen des Videos wird Ihre IP-Adresse an einen externen Server (Vimeo.com) gesendet.

Video anzeigen