ALT + + Schriftgröße anpassen
ALT + / Kontrast anpassen
ALT + M Hauptnavigation
ALT + Y Socials
ALT + W Studiengang wählen
ALT + K Homenavigation
ALT + G Bildwechsel
ALT + S Übersicht
ALT + P Funktionsleiste
ALT + O Suche
ALT + N Linke Navigation
ALT + C Inhalt
ALT + Q Quicklinks
ESC Alles zurücksetzen
X
A - keyboard accessible X
A
T

MetaLearn

Künstliche Intelligenz (KI) zur Entscheidungsunterstützung bei der Parametrierung von Produktionsprozessen von komplexen kundenindividuellen Spezialprodukten mit kleinen Stückzahlen

 

Ziel des vom Bundesministerium für Bildung und Forschung (BMBF) geförderten Forschungsprojekts MetaLearn ist die Erhöhung der Produktqualität und die Verkürzung von Anlauf- wie auch Rüstzeiten durch eine Empfehlung der Maschinenparameter und Bauteilkombination bei Produktionsprozessen mit niedriger Stückzahl durch Identifikation, Entwicklung und Anwendung geeigneter KI-Algorithmen.

Dazu werden Analogien zwischen zwei Anwendungsfällen in verschiedenen Sektoren (Spezialwerkzeug- und Getriebeproduktion) bei den beteiligten Unternehmen untersucht. Obwohl es sich um verschiedene Sektoren und damit verbundene Herausforderungen in der Produktion handelt, lassen sich die Probleme in vergleichbare Grundmuster abstrahieren und dadurch mit ähnlichen KI-Algorithmen bearbeiten.

Des Weiteren werden die technologische Akzeptanz und Praktikabilität des Verfahrens im produktiven und unternehmerischen Umfeld erprobt und die Zeit- und Kostenvorteile durch KI untersucht. Die Ergebnisse sollen über die beiden Anwendungsfälle hinaus generalisiert werden, um die algorithmischen Ansätze in anderen Produktionsprozessen einzusetzen.

Konkret ergibt sich damit folgende übergeordnete Forschungsfrage:
„Wie kann ein Produktionsprozess bei kundenindividueller Produktion mit niedrigen Stückzahlen mit Hilfe von KI optimiert werden?"

Einblick in den Fertigungsbereich Schleifen Quelle: Paul Horn GmbH

Projektbeschreibung und -ziele

Die Herausforderungen für die Herstellung hochwertiger kundenspezifischer Produkte sind groß. Die Stückzahlen bei Spezialprodukten sind in der Regel gering, gleichzeitig ist die spezifische Anpassung der Produktion aufwändig. Die Minimierung von Rüstzeiten und die Vermeidung von Qualitätsmängeln sind entscheidende Stellschrauben der Produktionskosten und der Fertigungsdauer. Die Herausforderung für die Unternehmen liegt in der Komplexität des Produktionsprozesses, die von vielen Faktoren beeinflusst wird und deren Wirkzusammenhänge bislang nur unvollständig verstanden sind.

MetaLearn nutzt Künstliche Intelligenz (KI), um diese Zusammenhänge und Abhängigkeiten auf Basis der verfügbaren Daten (geometrische Bauteilmaße, Materiallegierungen, Maschineneinstellungen, Raumtemperatur, Werkstücktemperaturen, etc.) zu erkennen und Verbesserungen in der Parameterkombination abzuleiten. Rüstzeiten werden dadurch kürzer und die Qualität gesteigert. So kann bspw. mit Hilfe von Bilderkennung der Werkzeugverschleiß diagnostiziert  werden, welches eine hohe Produktqualität garantiert und die optimale Nutzung der Werkzeuglebensdauer ermöglicht. In der Werkzeugproduktion beeinflussen Legierung, Form und Maschinenparameter die Rüstzeit maßgeblich.

Ziel des Projekts ist es daher, Verfahren der KI für kleine Datenmengen auf diese Problemstellung zu übertragen und im Rahmen zweier exemplarischer Anwendungsfälle in verschiedenen Sektoren (Spezialwerkzeuge und Getriebe) anzuwenden.

In beiden Anwendungsfällen lassen sich die Herausforderungen in der Produktion in ähnliche Problemklassen abstrahieren. Die Variantenvielfalt ist aufgrund der verschiedenen Produkteigenschaften und der im Produktionsprozess zu berücksichtigenden Parametern sehr groß. Andererseits ist die aus der Produktion verfügbare Datenmenge gering, weil die Stückzahlen relativ klein sind und Daten aus dem Produktionsprozess teilweise nur lückenhaft gespeichert werden.

Es stellen sich drei Herausforderungen:

  • Transfer von dateneffizienten KI-Algorithmen,
  • Anwendung von KI-Algorithmen zur Vorhersage optimaler Produktionsparameter und Identifikation aller relevanten Eingangsgrößen
  • das Lernen einer sinnvollen Repräsentation des spezifischen Produkts (welche den stärksten aber gleichzeitig komplexesten  Einfluss auf die Ergebnisgüte hat)
Was ist Künstliche Intelligenz?

Unter Künstlicher Intelligenz wird ein Teilbereich der Informatik verstanden, welcher sich mit der Automatisierung von intelligentem Verhalten und dem maschinellen Lernen (Machine Learning) befasst. Maschinelles Lernen beschäftigt sich mit Lernalgorithmen. Diese können u.a. eingesetzt werden, um aus vorhandenen Daten Vorhersagen über zukünftige Ereignisse zu treffen. Wesentliche Eigenschaft des maschinellen Lernens ist die selbstständige Anpassung der Algorithmen an die jeweilige Anwendungsumgebung.

PROJEKTSTRUKTUR UND PARTNER

Kick-Off des Projekts "MetaLearn" bei der Paul Horn GmbH in Tübingen

ESB BUSINESS SCHOOL

Die ESB Business School ist die wirtschaftswissenschaftliche Fakultät der Hochschule Reutlingen und seit Sommer 2019 akkreditiert durch die Association to Advance Collegiate Schools of Business (AACSB). In der Forschungsgruppe Digitalisierung und Management forschen acht Professoren der ESB Business School interdisziplinär zu Digitalisierung und deren Wechselwirkung mit dem Management. Bei MetaLearn liegt der Schwerpunkt auf Fragen aus der Informatik & Wirtschaftsinformatik (Prof. Dr. Clemens van Dinther) sowie der Digitalisierung in der Industrie (Prof. Dr. Günter Bitsch).

Die Forschungsgruppe Digitalisierung und Managementhat langjährige Erfahrung in der Verbundforschung. Aktuelle Publikationen befassen sich mit KI im Mittelstand, welche im Kontext des Projekts ANIMATE (Förderung: Land Baden-Württemberg – Innovative Projekte/Kooperationsprojekte) entstehen, und mit der Analyse von Stromdaten und Clusteranalysen.

Prof. Dr. Clemens van Dinther und Prof. Dr. Günter Bitsch haben sich in verschiedenen Arbeiten bereits mit intelligenten Lernalgorithmen insbesondere zur Simulation befasst. Im vorliegenden Forschungsvorhaben sollen KI-Algorithmen für die Entscheidungsunterstützung in der Kleinserienproduktion bei hoher Variantenvielfalt eingesetzt werden.

 

J. M. Voith SE & Co. KG

Die J. M. Voith SE & Co. KG ist ein weltweit agierender Technologiekonzern mit einer über 150-jährigen Unternehmensgeschichte in Familienbesitz. Das breite Portfolio aus Anlagen, Produkten, Services und digitalen Anwendungen bedient mit Energie, Öl & Gas, Papier, Rohstoffe und Transport & Automotive fünf essenzielle Märkte in allen Regionen der Welt.

Das operative Geschäft der Voith Group ist in vier Konzernbereichen gebündelt: Voith Hydro, Voith Paper, Voith Turbo und Voith Digital Ventures. MetaLearn wird in der Division Turbo erarbeitet und später auf die anderen Divisionen übertragen. So lässt sich eine Allgemeingültigkeit der Erkenntnisse noch innerhalb des Projektes verproben.

Die Division Turbo zeichnet sich mit mehr als 90 Produkten und einer Variantenzahl zwischen Losgröße 1 und 60 durch eine vielseitige, kundenspezifische Einzel- bis Kleinserienfertigung aus. Innerhalb der Varianten und auch zwischen unterschiedlichen Produkten existieren Ähnlichkeiten hinsichtlich der Funktionalität, Beschaffenheit und Bearbeitung der Bauteile. Dadurch lässt sich der Parameterraum im Projekt vergrößern, sodass mithilfe von KI-basierten Verfahren prädiktive Qualität erreicht werden kann.

Paul Horn GmbH

Die Hartmetall-Werkzeugfabrik Paul Horn GmbH, gegründet 1969, entwickelt und produziert Präzisionswerkzeuge für technologisch anspruchsvolle Zerspanaufgaben.

Das Kerngeschäft besteht aus Werkzeugen für unterschiedlichste Anwendungsbereiche und kundenspezifischen Lösungen mit hoher Technologiedichte und großer Produktvielfalt.

Hauptabnehmer der Horn-Präzisionswerkzeuge sind der Maschinen- und Anlagenbau, die Automobil- und deren Zulieferindustrie, die Medizintechnik sowie die Luft- und Raumfahrttechnik. Die Horn-Gruppe mit Hauptsitz in Tübingen beschäftigt rund 1.500 Mitarbeiter. International ist Horn in über 70 Ländern aufgestellt. Produktionsstandorte sind neben Deutschland die Tschechische Republik, Großbritannien und die USA.

Layer 7 AI GmbH

Die Layer7 AI GmbH wurde 2018 an der Universität Tübingen gegründet und ist ein Gründungsmitglied des Cyber Valley Startup Network.

Im Kerngeschäft entwickelt Layer7 AI maßgeschneiderte KI-Lösungen im Bereich Industrie 4.0 (z.B. KI-basierte Ausschussreduzierung, automatische visuelle Qualitätskontrolle oder optimierte Maschinensteuerung) für große mittelständische Unternehmen. Aktuell arbeiten 12 Mitarbeiter für Layer7 AI, die Expertise im Bereich Machine Learning (u.a. Ex-Cyber Valley), Consulting (u.a. Ex-BCG) und Implementierung (u.a. Ex-IBM Watson) vereinigen.

Durch diese Kombination an Expertise ist es Layer7 AI möglich, seine Kunden sowohl bei der Identifizierung & Priorisierung als auch bei der Umsetzung von KI-Anwendungsfällen zu begleiten.

Forschungszentrum Informatik (FZI)

Das FZI Forschungszentrum Informatik ist eine gemeinnützige Forschungseinrichtung für Anwendungsforschung und Technologietransfer im Bereich Informationstechnologien. Das FZI ist offizieller Innovationspartner des Karlsruher Instituts für Technologie (KIT) mit institutionsübergreifenden Forschungsgruppen.

Die an diesem Vorhaben beteiligte FZI Abteilung Wissensmanagement unter der wissenschaftlichen Leitung von Prof. Dr. York Sure-Vetter konzentriert sich auf die Themen maschinelles Lernen und Stream Processing.

Beispiele für erfolgreiche Forschungstransferprojekte der Abteilung mit weltweiter Sichtbarkeit ist z.B. die Open Source-Lösung StreamPipes (ausgezeichnet als einer von “100 Orten für Industrie 4.0 in Baden-Württemberg”; kürzlich in die Apache Software Foundation überführt). Einen derzeitigen strategischen Forschungsschwerpunkt bildet das Themengebiet “Applied Reinforcement Learning”, in dem das FZI neueste Erkenntnisse bzgl. der Anwendung neuronaler Netze und Reinforcement Learning kombiniert und deren Verknüpfung mit Erklärbarkeits- und Interaktionsmodellen erforscht, um die Akzeptanz und Nachvollziehbarkeit KI-basierter Anwendungen insbesondere für die am FZI relevante KMU-Zielgruppe zu verbessern.

PROJEKTFÖRDERUNG

Bundesministerium für Bildung und Forschung (BMBF)

Maßnahme:

„Lernende Produktionstechnik – Einsatz künstlicher Intelligenz (KI) in der Produktion (ProLern)“

Dieses Forschungs- und Entwicklungsprojekt wird/ wurde durch das Bundesministerium für Bildung und Forschung (BMBF) gefördert und vom Projektträger Karlsruhe (PTKA) betreut. Die Verantwortung für den Inhalt dieser Veröffentlichung liegt bei der Autorin/beim Autor.

Lernende Produktionstechnik – Einsatz künstlicher Intelligenz (KI) in der Produktion

Kürzere Entwicklungs-, Fertigungs- und Lieferzeiten,  wachsender Kostendruck und höhere Qualitätsanforderungen fordern die Produzenten. Dabei spielt in komplexen Fertigungsprozessen der Einsatz von modernen Produktionsausrüstungen eine wesentliche Rolle. Gleichzeitig verändern sich auch die Entwicklungsprozesse der Produktionsausrüstungen durch die digitale Transformation rasant. Im Fokus der Fördermaßnahme „Lernende Produktionstechnik – Einsatz künstlicher Intelligenz (KI) in der Produktion (ProLern)“ steht daher die Erhöhung der Leistungsfähigkeit und Funktionalität von Maschinen und Ausrüstungen der Fertigungstechnik durch den verstärkten Einsatz von KI, beispielsweise durch das maschinelle Lernen. Die Potenziale der KI im Fertigungseinsatz sollen aufgezeigt und beschleunigt erschlossen werden. Hierzu werden Methoden und Werkzeuge der KI entwickelt oder weiterentwickelt und angewandt. Die Lösungen werden beispielhaft implementiert und prototypisch unter realitätsnahen Bedingungen an und in Fertigungsmaschinen in den Unternehmen erprobt. Damit wird ein wesentlicher Beitrag zur Steigerung der Wirtschaftlichkeit der gesamten Wertschöpfungskette geleistet. Es werden Vorteile im internationalen Wettbewerb erzielt.

Projektleitung (ESB Business School)

Clemens van Dinther

Prof. Dr. Clemens van DintherWirtschaftsinformatik, Business Analytics (derzeit beurlaubt)

Sprechstunde: nach Vereinbarung

ESB-Profilseite

Gebäude 5
Raum 210
Mail senden »

Amt/Aufgabe
  • derzeit beurlaubt
Vorlesungsschwerpunkte
  • Management Information Systems
  • Computational Economics
  • Smart Grid Economics
  • Gründung von Internet-Startups
  • IT-Management
  • Wissensmanagement
Forschungsthemen

Interessensgebiete:

  • Business Analytics, Big Data
  • Electronic Markets
  • Mechanism Design
  • Electronic Services
  • Value Networks
  • Artificial Intelligence

Forschungsprojekte:

Vita
  • seit Oktober 2014 Professor für Wirtschaftsinformatik/Business Analytics an der ESB
  • Geschäftsführer der Genek GmbH und Co. KG
  • Lehraufträge an der RWTH Aachen
  • Director Energy Management/Business Process Outsourcing, Manager Business Development bei der ista Deutschland GmbH
  • Privatdozent am Karlsruher Institut für Technologie (Venia Legendi für BWL)
  • Professurvertretung Informationsbetriebswirtschaftslehre am Karlsruher Institut für Technologie
  • Abteilungsleiter Information Management and Systems, Forschungszentrum Informatik Karlsruhe, Projektleiter eines EU-Projekts
  • Projektleiter eines BMBF-Forschungsprojekts und Doktorand, Universität Karlsruhe (TH)
  • Studium an den Universitäten Stuttgart, Karlsruhe und Galway (Irland); Diplom Wirtschaftsingenieur
Publikationen

Beiträge in referierten Fachzeitschriften:

F. Salah, J. Ilg, C. Flath, H. Basse, C. van Dinther: Impact of Electric Vehicles on High-Voltage Grids – A Swiss Case Study, Journal of Applied Energy, 2015, vol. 137, pp. 88-96

Provider Learning in Service Value Networks (zusammen mit C. Haas, S. Kimbrough), Journal of Service Research (JSR), 16(3), 2013, pp. 259–276.

Stochastic simulation of the economic impact of load forecast errors on electricity storage systems (zusammen mit K.-H. Ahlert), Electric Power Systems Research, forthcoming

Clusteranalyse von Smart Meter Daten – Eine praxisorientierte Umsetzung (zusammen mit C. Flath, T. Conte, L. Filipova-Neumann, D. Nicolay), Zeitschrift Wirtschaftsinformatik, Vol. 54, No. 1, February 2012, pp. 33-42

Rewarding Participation in Service Value Networks, e-Service Journal, Vol. 7, No. 2, Indiana University Press, 2010 (zusammen mit: T. Conte, B. Blau, G. Satzger, C. Weinhardt ; Vorversion erschienen auf der AMCIS 2009)

A Multidimensional Procurement Auction for Trading Composite Services, Issue in the Electronic Commerce Research and Applications Journal (ECRA) on Emerging Economic, Strategic and Technical Issues in Online Auction and Electronic Markets, Elsevier, Vol. 9, No. 5, September 2010, pp. 460-472 (zusammen mit B. Blau, T. Conte)

How to Coordinate Value Generation in Service Networks? -- A Semantic Mechanism Design Approach. Journal of Business and Information Systems Engineering (Wirtschaftsinformatik), Vol. 1, No. 5., October 2009, pp. 343-356 (zusammen mit B. Blau, T. Conte, Y. Xu, C. Weinhardt)

Negotiation for Cooperation in Logistic Networks - An Experimental Study, Group Decision and Negotiation, Springer, Netherlands, Vol. 19, No. 3, May 2010, pp. 211-226 (zusammen mit D. Rief; Vorversion erschienen auf der GDN-Konferenz)

Agent-based Simulation in Market Engineering - Bidding under Uncertainty, KI - Zeitschrift Künstliche Intelligenz, Rubrik “Zusammenfassung von KI-Dissertationen”, 2007, pp. 70-72 (unreferiert)

Management Decision Support using Long-Term Market Simulation, Journal of Information Systems and e-Business Management (ISeB), 1(4), 2003, pp. 405-423 (zusammen mit W. Fichtner, D. Veit und C. Weinhardt)

Assessing the Impact of Electric Vehicle Charging Behavior on the Distribution Grid.  AMCIS 2020 Proceedings 2020. p. 1-10. URL: https://aisel.aisnet.org/amcis2020/sig_green/sig_green/12.

Machine Learning in SME: An Empirical Study on Enablers and Success Factors.  AMCIS 2020 Proceedings 2020. p. 1-10. URL: aisel.aisnet.org/amcis2020/adv_info_systems_research/adv_info_systems_research/3.

Monographien/Herausgeberschaften:

D. Kiefer, C. van Dinther and J. Spitzmüller: Digital Innovation Culture – A Systematic Literature Review. In: Proceeding of the 16. Internationale Tagung der Wirtschaftsinformatik (WI). 16. Auflage. Duisburg-Essen 2021.

D. Kiefer, F. Grimm, M. Bauer and C. van Dinther, “Demand Forecasting Intermittent and Lumpy Time Series: Comparing Statistical, Machine Learning and Deep Learning Methods,” in Proc. 54rd Hawaii Int. Conf. Syst. Sci., Maui, HI, USA, Jan. 2021.

D. Kiefer, C. van Dinther and J. Spitzmüller: Digital Innovation Culture – A Systematic Literature Review. In: Proceeding of the 16. Internationale Tagung der Wirtschaftsinformatik (WI). 16. Auflage. Duisburg-Essen 2021.

D. Kiefer, F. Grimm, M. Bauer and C. van Dinther, “Demand Forecasting Intermittent and Lumpy Time Series: Comparing Statistical, Machine Learning and Deep Learning Methods,” in Proc. 54rd Hawaii Int. Conf. Syst. Sci., Maui, HI, USA, Jan. 2021.

Energieinformatik 2011, Tagungsband. FZI Forschungszentrum Informatik, Karlsruhe. ISBN 978-3-00-036436-5 (gemeinsam mit Appelrath, H. J.; Weinhardt, C.; Dinther, C. v.; Filipova-Neumann, L.; Nieße, A.; Sonnenschein, M.)

Designing Service Value Networks – Coordination, Competition and Cooperation, Habilitationsschrift, Karlsruher Institut für Technologie, 2010

Adaptive Bidding in Single Sided Auctions under Uncertainty, Whitestein Series in Software Agent Technologies and Autonomic Computing, Birkhäuser, Basel, Boston, Berlin, 2007

CAME-Toolsuite meet2trade - auf dem Weg zum Computer Aided Market Engineering, Universitätsverlag Karlsruhe, Karlsruhe, Abschlussbericht des Projekts electronic Financial Trading, 2006 (zusammen mit C. Weinhardt, M. Grunenberg, K. Kolitz, M. Kunzelmann, J. Mäkiö, I. Weber, H. Weltzien)

Referierte Beiträge in Büchern und Konferenzen:

Kimbrough, S. O.; McElfresh, M.; van Dinther, Clemens (2018): On the Business Case of Merchant Solar. In: Proceedings of the 19th IEEE International Conference on Industrial Technology, Lyon, February 20-22, 2018, S. 1012–1018. Online verfügbar unter proceedings.ieee-ies.org/icit18/

Bischoff, Bettina und Clemens van Dinther (2016): Workflow Management Systems – an analysis of current open source products, in Dieter Hertweck, Christian Decker (Hrsg.): Digital Enterprise Computing 2016, Lecture Notes in Informatics (LNI), Gesellschaft für Informatik, Bonn 2016

Renewable Energy for Electric Vehicles: Price Based Charging Coordination, 12th IAEE European Energy Conference, Venice, Italy (gemeinsam mit J. Richstein, A. Schuller, W. Ketter und C. Weinhardt)

Demand Response in Smart Grids: Opportunities for IS Research, eingereicht bei der AMCIS 2012, (gemeinsam mit Jens Strüker)

Benchmarking Electric Vehicle Charging Control Strategies. Proceedings of the 2012 Innovative Smart Grid Technologies, Washington, 2012 (gemeinsam mit A. Schuller, und J. Ilg)

Personality Traits, Feedback Mechanisms and their Impact on Motivation to Contribute to Wikis in Higher Education, als Poster angenommen bei The International Symposium on Wikis and Open Collaboration 2011 (WikiSym), Mountain View, October 2011 (gemeinsam mit A. Mazarakis)

Motivation durch Feedbackmechanismen in Vorlesungswikis – Welche versprechen mehr Wirkung? Angenommen bei der Konferenz DeLFI 2011, September, Dresden (zusammen mit A. Mazarakis)

Motivationssteigerung in Wikis durch systemneutrales Feedback. angenommen bei der Konferenz Mensch&Computer, Chemnitz, 2011 (zusammen mit A. Mazarakis)

Designing Auctions for Coordination in Service Networks. in: The Science of Service Systems (Demirkan, H.; Spohrer, J. C.; Krishna, V., eds.), Springer Series: Service Science: Research and Innovations in the Service Economy, March 2011, ISBN: 978-1-4419-8269-8 (zusammen mit B. Blau, T. Conte, C. Weinhardt,)

Managing the Quality of Modular Services – a Process-Oriented Aggregation of Expected Service Levels Based on Probability Distributions, Proceedings of the 12th IEEE Conference on Commerce and Enterprise Computing, Shanghai, 2010 (zusammen mit R. Knapper., B. Blau, C. Conte, A. Anandasivam)

Innovation Assessment via Enterprise Information Markets. Proceedings of the 1st International Conference on IT-enabled Innovation in Enterprise, Athen, 2010 (zusammen mit S. Stathel, F. Teschner, T. Kullnig, T. Kranz, C. Weinhardt)

Robustness of Scheduling Algorithms for Distributed Storage Systems. Proceedings of the Multikonferenz Wirtschaftsinformatik (MKWI), Göttingen, 2010 (zusammen mit K.-H. Ahlert)

Annotieren von Bildschirmfotos zur Steigerung der Anwenderbeteiligung, 9. Konferenz Mensch und Computer, Berlin, 2009, pp. 193-202 (zusammen mit A. Rashid)

Open, Clocked And Multimodal Transport Networks, Volatile and Fragile Supply Chains, Logistics Research Network Conference 2009 (LRN), Cardiff, pp. 840-848 (zusammen mit A. Oelbermann, H. Breier)

Enabling Service Networks Through Contribution-Based Value Distribution, 15th Americas Conference on Information Systems, San Francisco, 2009, Paper 764 (zusammen mit T. Conte, B. Blau, G. Satzger)

Service Value Networks. In Proceedings of the 11th IEEE Conference on Commerce and Enterprise Computing, Vienna, 2009, pp. 194-201 (zusammen mit B. Blau, J. Krämer, T. Conte)

Coordinating Value Generation in Service Networks, 17th European Conference on Information Systems, Verona, 2009 (zusammen mit B. Blau, T. Conte; als Vortrag angenommen)

Sensitivity Analysis of the Economic Benefits from Electricity Storage at the End Consumer Level, Proceedings of the IEEE conference PowerTech 2009, Bucharest, published on CD, Paper 687 (zusammen mit K.-H. Ahlert)
Basil Papadias Award (Best Student Paper Award für K.-H. Ahlert)

Strategic Behavior in Service Networks under Price and Service Level Competition, 9. Internationale Tagung Wirtschaftsinformatik 2009, Wien, Band 1, pp. 599-608 (zusammen mit B. Blau, T. Conte)

Estimating economic benefits of electricity storage at the end consumer level, 9. Internationale Tagung Wirtschaftsinformatik 2009, Wien, Band 2, pp. 665-674 (zusammen mit K.-H. Ahlert)

Service Innovation with Information Markets, 9. Internationale Tagung Wirtschaftsinformatik 2009, Wien, Band 1, pp. 825-834 (zusammen mit S. Stathel, A. Schönfeld)

Definition of an Optimization Model for Scheduling Electricity Storage Devices. In Web 2008 - 7th Workshop on e-Business, Paris (zusammen K.-H. Ahlert)

Auctions for Service Brokerage in Business Value Networks, Proceedings of the GDN 2008, Coimbra, pp. 43-44 (zusammen C. Holtmann, T. Setzer, A. Stage, S. Stathel)

Incentives and control for information revelation - an empirical study, Proceedings of the GDN 2008, Coimbra, pp. 41-42 (zusammen mit T. Conte, G. Baust)

Offene getaktete robuste multimodale Dienstleistungsnetze. 13. Magdeburger Logistiktagung, 2008, pp. 73-92 (zusammen mit C. Cardeneo, K. Furmans, C. Weinhardt)

Agent-based Simulation for Research in Economics, Handbook of Finance, 2007, pp. 421-442

Collaborative Smart Items, INFORMATIK 2007 – Informatik trifft Logistik, GI Proceedings 110, Band 2,Bremen, pp. 221-226 (zusammen mit C. Decker, J. Müller, M. Schleyer, E. Peev)

Negotiation for Cooperation in Logistic Networks - An Experimental Study, Proceedings of the GDN 2007, Volume II, Montreal, pp. 293-306 (zusammen mit D. Rief)
Best Student Paper Award

meet2trade: A generic electronic trading platform, Proceedings of the 4th Workshop on e-Business (WEB 2005), Las Vegas, USA (zusammen mit C. Weinhardt, K. Kolitz, J. Mäkiö, I. Weber)

Simulation for Evaluating Electronic Markets – An Agent-based Environment, IEEE Workshop Proceedings of the International Symposium on Applications and the Internet (SAINT 2005), pp. 392-395

Simulation of Ending Rules in Online Auctions, Proceedings of The Eleventh Research Symposium on Emerging Electronic Markets (RSEEM 2004), pp. 97-106 (zusammen mit I. Weber, C. Weinhardt)

Integrating Electronic Market Models – Problems and Solution of Parallel Markets, Proceedings of the 10th Research Symposium on Emerging Electronic Markets (RSEEM 2003), pp. 93-104 (zusammen mit K. Kolitz, J. Mäkiö, I. Weber, C. Weinhardt)

Automated Bidding Strategy Adaption using Learning Agents in Many-to-Many e-Markets, Poster Proceedings of the Workshop on Agent Mediated Electronic Commerce V (AMEC-V), held AAMAS), Melbourne, 2003 (zusammen mit D. Veit)

Sonstige Beiträge:

van Dinther C, Mauch S. Chancen der künstlichen Intelligenz zur Prognose im Mittelstand. Decision Growth. 2019:  p. 21-27. ISSN: 2698-8569.

F. Bomarius; G. Brunekreeft; H. Frey; B. Heinlein; H. Hubschneider; B. Jahn; van Dinther, Clemens et al. (2018): Künstliche Intelligenz aus der Sicht von Energie und Klima. Hg. v. Bundesverband der Deutschen Industrie e.V. Berlin (Positionspapier BDI Internet der Energie). Online verfügbar unter bdi.eu/publikation/news/internet-der-energie-kuenstlicheintelligenz-aus-der-sicht-von-energie-und-klima/. Seiten: 15

van Dinther, B. Fey, S. Renelt, J. Strüker, C. Flath, O. Terzidis und P. Brettschneider: Die 10 Punkte Agenda der Bundesregierung zur Energiewende – eine Reflektion anhand von fünf Prinzipien, Energiewirtschaftliche Tagesfragen (et), 03/2017

Boes, C. van Dinther, T. Heim, T. Keller, J. Meßmer, G. da Silva, H. Stoll, A. Weidlich: Klimafreundliches Pendeln in der Grenzregion Hochrhein, horizonte Nr. 49, Koordinierungsstelle für Forschung und Entwicklung, Mannheim, 2017, S. 32

C. van Dinther, P. Kleine-Möllhoff, S. Löbbe, H. Nebeling, G. Schullerus, B. Thomas, F. Truckenmüller, T. Zenner: Das Reutlinger Energiezentrum (REZ) – für die Energiewende gewappnet, horizonte Nr. 47, Koordinierungsstelle für Forschung und Entwicklung, Mannheim, 2016

Auf dem Weg zum Internet der Energie - Der Wettbewerb allein wird es nicht richten. Smart Grid. Paradigmenwechsel in Deutschland, BDI-Drucksache Nr. 450 Bundesverband der Deutschen Industrie e.V. (BDI), 05, 2011 (zusammen mit Kollegen des BDI-Arbeitskreises)

Service Procurement Auctions under Service Level Uncertainty. Abstract at the 18th Annual Frontiers in Service Conference 2009, Honolulu, USA (zusammen mit S. Haak, T. Conte)

Value co-creation by customers – Challenges in Web 2.0-based Business. Proceedings of the QUIS 11 (Stauss, B.; Brown, S. W.; Edvardsson, B.; Johnston, R., eds.), 2009, p. 52 (zusammen mit T. Conte, C. Holtmann, M. Umfahrer)

Information Efficiency and Liquidity in Information Markets - A market maker based approach, Third Workshop on Prediction Markets, ACM Conference on Electronic Commerce 2008, Chicago, USA (zusammen mit S. Stathel, S. Luckner)

Internet der Energie - IKT für die Energiemärkte der Zukunft, BDI-Drucksache Nr. 418 Bundesverband der Deutschen Industrie e.V. (BDI), 12, 2008 (zusammen mit Kollegen des BDI-Arbeitskreises)

Some strategic considerations on open service/logistics networks, Accepted Abstract, INFORMS Annual Meeting 2008, Washington D.C. (zusammen mit M. Schleyer)

Design of Warehouses under the Constraint of On-Time Order Fulfillment, Accepted Abstract, INFORMS Annual Meeting 2008, Washington D.C. (zusammen mit M. Schleyer)

Value Webs Evaluation and Pricing in Service Networks, Accepted Abstract at the Frontiers in Service Conference, Washington DC, October 2-5, 2008 (zusammen mit T. Conte, B. Blau, C. Weinhardt, S. Lamparter, C. Holtmann)

State of the Art in Service Modeling Languages, Technical Report, Universität Karlsruhe (TH),2007, zusammen mit B. Blau, M. Behrendt

Adaptive Bidding in Auctions under Uncertainty – An Agent-based Approach in Market Engineering, accepted abstract, INFORMS Annual Meeting 2007, Seattle

Energiemärkte der Zukunft, White Paper, 2006 (zusammen mit A. Weidlich, C. Block)

Mobiles Diktieren im Krankenhaus – Neue Wege mit mobiler IT (Teil 1+2), Krankenhaus IT-Journal, Ausgabe 01 und 02/2006, Antares Computerverlag, Dietzenbach, 2006 (zusammen mit A. Rashid, C. Holtmann)

Towards integrated parallel Markets - A Solution Approach to the Order Allocation Problem, Discussion Paper, Universität Karlsruhe (TH), 2002, zusammen mit K. Kolitz, J. Mäkiö, I. Weber and C. Weinhardt

ExpSoft in Java – Ein Programmpaket für internetunterstützte experimentelle Spiele, Working Paper in: "Game Theory and Experimental Economics" (12), Institut für Statistik und Mathematische Wirtschaftstheorie, Universität Karlsruhe (TH), 2000, zusammen mit Holländer, Wünstel, Ostmann

APLIGAME - Ein Programmpaket für Experimentelle Spiele, Working Paper in: "Game Theory and Experimental Economics" (9), Institut für Statistik und Mathematische Wirtschaftsforschung. Universität Karlsruhe (TH), 1998, zusammen mit A. Ostmann, K. Planta

Günter Bitsch

Prof. Dr. Günter BitschDigitalisierung in der Industrie, Wirtschaftsinformatik

Sprechstunde: Montag 14:00 bis 19:30 Uhr (nach vorheriger Vereinbarung)

ESB-Profilseite

Gebäude 16
Raum 111
Tel. +49 7121 271 3079
Mail senden »

Studienprogramme

DIME, MOM, IMX, Production Management

Vorlesungsschwerpunkte
  • Information & Communication Technologies and Systems

  • Research Methods

  • Prozessmanagement; Prof. Dr. Günter Bitsch nutzt für seine Vorlesungen die Software Visual Paradigm Online.Darüber können Studierende ​​online und kooperativ Prozessmodelle erstellen und diverse Diagrammtypen nutzen. 

Forschungsthemen
  • Hybride Entscheidungsunterstützungssysteme
  • (Teil-)dezentrale Steuerungen
  • Planungssysteme
  • Digitales Shopfloor-Management
Vita

Prof. Dr. Günter Bitsch ist Gründer und geschäftsführender Gesellschafter der becos GmbH in Stuttgart. Er ist bekannt als Experte für Manufacturing Execution (MES) und Business-Intelligence (BI). 2010 promovierte er an der Universität Siegen. Seit 2013 lehrte er als Honorarprofessor an der ESB Business School der Hochschule Reutlingen und ist seit dem Sommersemester 2020 fester Bestandteil des Lehrkörpers.

Publikationen

Bitsch, G. (2019). Digitales Shopfloor-Management: Ein adaptives Informations- und Entscheidungsinstrument im Umfeld von Industrie-4.0-Produktionssystemen. In R. Obermaier (Ed.), Handbuch Industrie 4.0 und Digitale Transformation: Betriebswirtschaftliche, technische und rechtliche Herausforderungen (pp. 295-315). Wiesbaden: Springer.

Bitsch, G. (2016). „Smart Decisions“ als integraler Bestandteil von Industrie 4.0. In R. Obermaier (Ed.), Industrie 4.0 als unternehmerische Gestaltungsaufgabe: Betriebswirtschaftliche, technische und rechtliche Herausforderungen (pp. 121-136). Wiesbaden: Springer.

Kühnle, H., & Bitsch, G. (2015). Foundations & Principles of Distributed Manufacturing. Elements of Manufacturing Networks, Cyber-Physical Production Systems and Smart Automation. Cham: Springer.

Bitsch, G. (2013). Theoretische Fundierung einer Coaching-Wissenschaft. Berlin Heidelberg: Springer.

Bitsch, G. (2011). Strategisches Wachstumsmanagement eigentümergeführter, wissensbasierter kleiner und mittlerer Unternehmen (Vol. 5). Frankfurt am Main: Lang.

Tim Straub

Dr. Tim StraubWirtschaftsinformatik, Business Analytics

Sprechstunde: nach Vereinbarung


Gebäude 5
Raum 211
Tel. +49 7121 271 3149
Mail senden »

Projektmitarbeiter (ESB Business School)

Daniel Kiefer

Daniel Kiefer, M.Sc.Forschungsgruppe Digitalisierung und Management

Sprechstunde: Nach Vereinbarung

ESB-Profilseite
LinkedIn-Profilseite
Xing-Profilseite

Gebäude 5
Raum 011
Tel. +49 7121 271 1466
Mail senden »

Verantwortungsbereiche

Wissenschaftlicher Mitarbeiter in der Forschungsgruppe Digitalisierung und Management

Forschungsthemen
  • Artificial Intelligence
  • Machine learning
  • Deep Learning
  • Digitalisierung & Management
  • Industrie 4.0
Aktuelle Forschungsprojekte
Vita

Berufserfahrung:

  • Science & Research, ESB Business School
  • Management Consulting, Barkawi Management Consultants
  • Management Consulting, goetzpartners
  • Private Equity, CAPCELLENCE
  • Lean Management Consulting, STAUFEN.SHANGHAI
  • Management Consulting, TARGUS Management Consulting
  • SYNCHRO Inhouse Consulting, TRUMPF North America
  • Inhouse Consulting, Carl Zeiss Vision

Akademische Ausbildung:

  • PhD Candidate, Artificial Intelligence, Karlsruhe Institute of Technology (KIT)
  • Operations Management (M. Sc.), ESB Business School
  • Business & Entrepreneurship, Cambridge Judge Business School
  • Computer Science & Business Administration ,University Bologna
  • Maschinenbau – Wirtschaft und Management (B. Eng.), Aalen University

Stipendien:

  • 100 KI Talente Stipendiat, Fraunhofer IAO
  • Studienstiftung des deutschen Volkes
  • Elevate VDI – Verein Deutscher Ingenieure
  • DAAD - Deutscher Akademischer Austauschdienst
  • McKinsey Firsthand Program
  • BCG Emerald Talent Program
Publikationen
  • G. Blessing and D. Kiefer: Digital Skills of Procurement Employees and their Attitudes toward Digital Technologies. In: Proceedings of the 14th International Conference on Human Centred Intelligent Systems (KES-HCIS-21). Rom 2021.
  • D. Kiefer, M. Bauer and F. Grimm: Univariate Time Series Forecasting: Machine Learning Prediction of the Best Suitable Forecast Model based on Time Series Characteristics. In: Proceedings of the 14th International Conference on Human Centred Intelligent Systems (KES-HCIS-21). Rom 2021.
  • M. Bauer, D. Kiefer and F. Grimm: Sales Forecasting under Economic Crisis: A Case study of the Impact of the COVID19 Crisis to the predictability of Sales of a Medium-Sized Enterprise. In: Proceedings of the 14th International Conference on Human Centred Intelligent Systems (KES-HCIS-21). Rom 2021.
  • F. Grimm, D. Kiefer and M. Bauer: Univariate Time Series Forecasting by Investigating Intermittence and Demand Individually. In: Proceedings of the 14th International Conference on Human Centred Intelligent Systems (KES-HCIS-21). Rom 2021.
  • D. Kiefer, C. van Dinther and J. Spitzmüller: Digital Innovation Culture – A Systematic Literature Review. In: Proceeding of the 16. Internationale Tagung der Wirtschaftsinformatik (WI). 16. Auflage. Duisburg-Essen 2021.
  • D. Kiefer, F. Grimm, M. Bauer and C. van Dinther, “Demand Forecasting Intermittent and Lumpy Time Series: Comparing Statistical, Machine Learning and Deep Learning Methods,” in Proc. 54rd Hawaii Int. Conf. Syst. Sci., Maui, HI, USA, Jan. 2021.
  • Bauer M., Dinther C. van, & Kiefer D., “Machine Learning in SME: An Empirical Study on Enablers and Success Factors: An Empirical Study on Enablers and Success Factors,” AMCIS 2020 Proceedings 3, no. 3, 2020.
  • Kiefer, D., Ulmer, A. & Dinther, C. van. (2019). Application of Artificial Intelligence to optimize forecasting capability in procurement. In U. Kloos, N. Martinez, & G. Tullius (Hrsg.), Wissenschaftliche Vertiefungskonferenz. Tagungsband 2019 (1. Aufl., S. 69–80). Reutlingen: Reutlingen University. doi: doi.org/10.5281/zenodo.3539397
  • Eberl, A., Fallert, B., Kiefer, D., Leuschner, D., Mastroianni, L., Richter, P., . . . Palm, D. (2018). Methoden zur Sofortpreis-kalkulation von CNC-Drehteilen. ZWF Zeitschrift für wirtschaftlichen Fabrikbetrieb, 113(12), 835–839. doi.org/10.3139/104.112020
Florian Grimm

Florian Grimm, M.Sc.Forschungsgruppe Digitalisierung und Management

ESB-Profilseite
LinkedIn-Profil
XING-Profil

Gebäude 5
Raum 011
Tel. +49 7121 271 1498
Mail senden »

Verantwortungsbereiche

Wissenschaftlicher Mitarbeiter der Forschungsgruppe Digitalisierung und Management

Forschungsthemen
  • Artificial Intelligence
    • Machine Learning
    • Deep Learning
  • Data Analysis
    • Time Series Analysis/Prediction/Classification
    • Data Augmentation
Aktuelle Forschungsprojekte

ANIMATE

Vita
  • Wissenschaftlicher Mitarbeiter an der ESB Business School der Hochschule Reutlingen, Reutlingen
  • Studium der Medieninformatik (M.Sc.), Eberhard Karls Universität Tübingen, Tübingen
    • Auslandssemester an der Università degli Studi Roma Tre, Rom (Italien)
    • Praktikum im Bereich Datenanalyse, Daimler AG, Untertürkheim
    • Masterthesis bei der Daimler AG
      Thema: Classifying Industrial Welding Data Using Support Vector Machines and Neural Networks
  • Studium der Medieninformatik (B.Sc.), Eberhard Karls Universität Tübingen, Tübingen
  • Ausbildung zum Fachinformatiker im Bereich Systemintegration, Deutsche Telekom AG, Regensburg
Publikationen
  • D. Kiefer, M. Bauer and F. Grimm: Univariate Time Series Forecasting: Machine Learning Prediction of the Best Suitable Forecast Model based on Time Series Characteristics. In: Proceedings of the 14th International Conference on Human Centred Intelligent Systems (KES-HCIS-21). Rom 2021.
  • M. Bauer, D. Kiefer and F. Grimm: Sales Forecasting under Economic Crisis: A Case study of the Impact of the COVID19 Crisis to the predictability of Sales of a Medium-Sized Enterprise. In: Proceedings of the 14th International Conference on Human Centred Intelligent Systems (KES-HCIS-21). Rom 2021.
  • F. Grimm, D. Kiefer and M. Bauer: Univariate Time Series Forecasting by Investigating Intermittence and Demand Individually. In: Proceedings of the 14th International Conference on Human Centred Intelligent Systems (KES-HCIS-21). Rom 2021.
  • D. Kiefer, C. van Dinther and J. Spitzmüller: Digital Innovation Culture – A Systematic Literature Review. In: Proceeding of the 16. Internationale Tagung der Wirtschaftsinformatik (WI). 16. Auflage. Duisburg-Essen 2021.
  • D. Kiefer, F. Grimm, M. Bauer and C. van Dinther, “Demand Forecasting Intermittent and Lumpy Time Series: Comparing Statistical, Machine Learning and Deep Learning Methods,” in Proc. 54rd Hawaii Int. Conf. Syst. Sci., Maui, HI, USA, Jan. 2021.