Datenzentrierte Künstliche Intelligenz für ein prädiktives Qualitätsmanagement in der Automobilindustrie (DZKI-PQ)

Schoch, Andreas

dc.date.accessioned	2023-08-04T07:38:03Z
dc.date.available	2023-08-04T07:38:03Z
dc.date.issued	2023
dc.identifier	doi:10.17170/kobra-202306208267
dc.identifier.uri	http://hdl.handle.net/123456789/14972
dc.description	Zugleich: Dissertation, Universität Kassel, 2023
dc.language.iso	ger
dc.publisher	kassel university press
dc.rights	Namensnennung - Weitergabe unter gleichen Bedingungen 4.0 International	*
dc.rights.uri	http://creativecommons.org/licenses/by-sa/4.0/	*
dc.subject	Künstliche Intelligenz	ger
dc.subject	Qualitätsmanagement	ger
dc.subject	Automobilindustrie	ger
dc.subject	Digitalisierung	ger
dc.subject	Daten	ger
dc.subject.ddc	600
dc.title	Datenzentrierte Künstliche Intelligenz für ein prädiktives Qualitätsmanagement in der Automobilindustrie (DZKI-PQ)	ger
dc.type	Buch
dcterms.abstract	Der zunehmende Kostendruck im Zuge der Globalisierung, die steigende Variantenzahlen bei zugleich verkürzten Produktlebenszyklen stellen das gesamte produzierende Gewerbe vor große Herausforderungen. Zudem führt das erhöhte Qualitätsbewusstsein der Kunden dazu, dass Unternehmen im Bereich des Qualitätsmanagements nach innovativen Ansätzen suchen müssen, um Lösungen für das zunehmend komplexer werdende Spannungsfeld aus Zeit, Kosten und Qualität zu finden. Eine Möglichkeit, den erhöhten Anforderungen künftig besser gerecht zu werden, stellt der Einsatz von Machine Learning zur Qualitäts- und Effizienzsteigerung in der Produktion dar. Dass derzeit laut einer Studie des McKinsey Global Instituts (MGI) nur etwa 20 bis 30% des Potentials von Machine Learning Anwendungen in der Produktion ausgeschöpft werden [73], ist unter anderem auf die enorme Bandbreite an Herausforderungen zurückzuführen, die bewältigt werden müssen, um ein Machine Learning Projekt erfolgreich in der Praxis durchzuführen. Aus diesem Grund wird bei der Durchführung von Machine Learning Projekten in vielen Fällen auf Vorgehensmodelle zurückgegriffen. Bei herkömmlichen Vorgehensmodellen spielt der Transfer einer geschäftlichen in eine Machine Learning Aufgabenstellung (Use-Case-Machine-Learning-Fit), die Optimierung der Daten für einen Anwendungsfall (Use-Case-Data-Fit) sowie eine strukturierte Vorgehensweise bei der Projektdurchführung (Machine-Learning-Data-Fit) bislang eine untergeordnete Rolle. Dabei belegen zahlreiche Untersuchungen [47], dass insbesondere eine Optimierung des Use-Case-Data-Fits einen weitaus größeren Einfluss auf die Vorhersagegenauigkeit ausüben kann als die Hyperparameteroptimierung eines x-beliebigen Machine Learning Modells. [79] Aus diesem Grund wurde in der vorliegenden Arbeit das neue Vorgehensmodell DZKI-PQ (Daten-Zentrierte Künstliche Intelligenz für ein Prädiktives Qualitätsmanagement) entwickelt. Das Vorgehensmodell verfolgt das Ziel, die Leistungsfähigkeit von Machine Learning Modellen durch eine Optimierung des Use-Case-Machine-Learning-Fits, des Use-Case-Data-Fits und des Machine-Learning-Data-Fits zu steigern. Anhand eines konkreten Fallbeispiels aus der Fahrzeugmontage wird nachgewiesen, dass sich die Leistungsfähigkeit von Machine Learning Modellen durch die Anwendung des Vorgehensmodells DZKI-PQ um bis zu 30% steigern lässt.	ger
dcterms.abstract	The increasing cost pressure, the rising number of variants and the shortened product life cycles due to the globalization put a lot of economic pressure on the entire manufacturing industry. In addition, the growing quality awareness of customers increases the need for companies to look for innovative approaches in the area of quality management in order to find the best possible fit between time, costs and quality. One way to meet these new requirements in the future is to apply machine learning at manufacturing to improve product quality as well as production efficiency. According to a study by the McKinsey Global Institute (MGI), only about 20 to 30% of the potential of machine learning applications in production is being leveraged. [73] One reason are the enormous challenges that must be overcome in order to successfully execute a machine learning project in practice. Therefore, machine learning process models are used to carry out machine learning projects. In traditional process models, the transfer of a business task into a machine learning task (use-casemachine-learning-fit), the optimization of data for a specific use case (use-case-data-fit), and the selected approach for the project execution (machine-learning-data-fit) have played a subordinate role. Numerous studies [47] however, prove that especially the optimization of the use-case-data-fit can have a significantly bigger impact on the prediction accuracy than the hyperparameter optimization of any machine learning model. [79] For this reason, in the work a new machine learning process model DZKI-PQ (Daten-Zentrierte Künstliche Intelligenz für ein Prädiktives Qualitätsmanagement) was developed. The process model pursues the goal of increasing the performance of machine learning models by optimizing the use-case-machine-learning-fit, the use-case-data-fit and the machine-learning-data-fit. Applying this process model on an automotive manufacturing case study has shown, that the performance of machine learning models can be increased by up to 30%.	eng
dcterms.accessRights	open access
dcterms.creator	Schoch, Andreas
dcterms.dateAccepted	2023-04-27
dc.contributor.corporatename	Kassel, Universität Kassel, Fachbereich Maschinenbau	ger
dc.contributor.referee	Refflinghaus, Robert (Prof. Dr.-Ing.)
dc.contributor.referee	Jochem, Roland (Prof. Dr.-Ing.)
dc.publisher.place	Kassel
dc.relation.isbn	978-3-7376-1118-3
dc.subject.swd	Digitalisierung	ger
dc.subject.swd	Künstliche Intelligenz	ger
dc.subject.swd	Kraftfahrzeugindustrie	ger
dc.subject.swd	Qualitätsmanagement	ger
dc.subject.swd	Daten	ger
dc.type.version	publishedVersion
dcterms.source.series	Kasseler Schriftenreihe Qualitätsmanagement	ger
dcterms.source.volume	Band 8
kup.iskup	true
kup.price	39,00
kup.series	Kasseler Schriftenreihe Qualitätsmanagement	ger
kup.subject	Naturwissenschaft, Technik, Informatik, Medizin	ger
kup.typ	Dissertation
kup.institution	FB 15 / Maschinenbau
kup.binding	Softcover
kup.size	DIN A5
ubks.epflicht	true