Identification of Machine Learning Algorithms to Share Tacit Experimental Knowledge in Manual Production

Die Babybommer-Generation der 1960er Jahre wird in den kommenden Jahren verrentet. Dadurch verlieren Unternehmen langjährige erfahrene Beschäftigte und auch deren Wissen, wenn nicht effiziente Lösungen gefunden werden, dieses zu identifizieren, zu speichern und zu transferieren. Dieser Herausforderung widmet sich das Forschungsvorhaben „KI_eeper – Know-how to keep“. Im Projekt wird erforscht, inwiefern künstliche Intelligenz Möglichkeiten eröffnet, um das implizite Erfahrungswissen von Beschäftigten automatisiert im Arbeitskontext zu erfassen, zu verarbeiten und zu transferieren. Aktuelle Ansätze des Wissenstransfers sind aufwendig und häufig auch mit hohen Kosten verbunden. Dabei hat jedoch eben das implizite Wissen große Relevanz für Unternehmen, welche für kleine und mittlere Unternehmen (KMU) noch stärker ausgeprägt ist. Am Ende des Projektes soll ein digitales Assistenzsystem entstehen, welches das gesammelte und ausgewertete implizite Wissen von Erfahrungsträgern allen Beschäftigen zugänglich macht und diese somit bei der Ausführung ihrer Tätigkeiten bedarfsgerecht unterstützt. Dabei soll zunächst der Fokus auf Tätigkeiten in der Produktionsfertigung gelegt werden. Aufgrund der großen Vielfallt an Fertigungsverfahren und damit verbundenen unterschiedlichen Daten, soll eine allgemeingültige Lösung für Verarbeitung der Daten mittels der künstlichen Intelligenz gewählt werden. In dieser Veröffentlichung sollen ausgewählte Algorithmen betrachtet werden, welche für eine potenzielle technische Lösung verwendet werden können.