Overcoming Challenges for Successful Artificial Intelligence Projects in the Manufacturing Industry

Titelangaben

Leuthe, Daniel:
Overcoming Challenges for Successful Artificial Intelligence Projects in the Manufacturing Industry.
Bayreuth , 2025 . - III, 70 S.
( Dissertation, 2024 , Universität Bayreuth, Rechts- und Wirtschaftswissenschaftliche Fakultät)

Volltext

	Format: PDF Name: Dissertation_LeutheDaniel_Veröffentlichung.pdf Version: Veröffentlichte Version Verfügbar mit der Lizenz Creative Commons BY 4.0: Namensnennung
	Download (1MB)

Abstract

Driven by, on the one hand, recent advances in the field of artificial intelligence (AI), such as the accessibility of large-scale data sources as well as the improvement of AI algorithms, and, on the other hand, growing competitive pressure and changing customer needs, many incumbents in the manufacturing sector have embarked on a journey to realize the business value of AI. In this vein, manufacturers enhance their operational efficiency and optimize existing processes, for example, by using anomaly detection to enable condition monitoring. Even further, AI paves the way to offer disruptive value propositions that push them beyond the limits of existing products or services, such as AI-based prediction and control of machine usage, to offer customized business models. To implement AI and unlock its business value, manufacturers have started to conduct AI projects. However, AI projects pose several challenges that arise on an overarching organizational level as well as on a project level. Those challenges are conceptualized using the three-dimensional technology-organization-environment framework and extended by a fourth data-centric dimension. First, those challenges include business challenges, such as developing an organization-wide AI strategy or identifying the organizational capabilities required for those new AI-based business models. Second, technical challenges emerge, such as ensuring the explainability of AI models or managing technology-induced security issues at the organizational level. Third, these challenges encompass data challenges, such as providing enough high-quality labeled data or reducing the data dimensionality. Lastly, sustainability challenges must be considered, such as increasing fairness during AI projects or promoting responsible AI use. Motivated by these challenges, this cumulative dissertation provides solutions to conduct successful AI projects in the manufacturing sector. It comprises six research articles that deliver research artifacts to assist in overcoming the outlined challenges. Regarding the challenges AI projects reveal at an organizational level, research article #1 provides 24 organization-wide success factors for AI projects, structured along four success dimensions and specified by 93 subordinated success manifestations, laying the foundations on how to plan and execute AI projects successfully. Thereafter, research article #2 addresses what capabilities manufacturers need to implement suitable AI-based and data-driven business models. The result is a maturity model that assists in identifying the organizational capabilities required. Since such AI and data-driven business models increase the risk of information technology security incidents, research article #3 addresses the issue of an organizational-wide incident response management. A maturity model is developed that provides manufacturers with a comprehensive perspective on capabilities for developing effective incident response management since IT security incidents can never be prevented entirely. Focusing on the challenges at the project level, research article #4 develops a data-efficient active learning architecture for anomaly detection in industrial time series data and its instantiation for a real-world robotic screwdriving application. In particular, this helps to overcome the time-consuming anomaly data labeling challenge. Since such advanced AI approaches reduce the explainability of AI models, research article #5 compares and evaluates three frequently used transparent AI models and four different state-of-the-art Explainable AI (XAI) methods by conducting an online survey. The results encourage using XAI methods as the right choice of the methods enables an increase in the measured human-centered explainability by 10%. Lastly, research article #6 presents the sustainable machine learning design pattern matrix to overcome the sustainability challenges. The artifact serves as a diagnostic tool to capture the sustainability status quo and develop a vision regarding the sustainability of AI projects. In sum, this doctoral thesis strives to empower manufacturers to overcome the business, technical, data, and sustainability challenges of AI projects by presenting and evaluating applicable artifacts that contribute to the existing knowledge of AI in the manufacturing sector.

Abstract in weiterer Sprache

Angetrieben von, zum einen, den neuesten Fortschritten im Bereich der künstlichen Intelligenz (KI), wie zum Beispiel dem Zugang zu umfangreichen Datenquellen und der Verbesserung von KI-Algorithmen, und, zum anderen, dem zunehmenden Wettbewerbsdruck und den sich ändernden Kundenbedürfnissen haben sich viele etablierte Unternehmen des Machinen- und Anlagenbaus auf den Weg gemacht, um den geschäftlichen Mehrwert von KI zu realisieren. Auf diese Weise können die Unternehmen ihre betriebliche Effizienz steigern und bestehende Prozesse optimieren, indem sie beispielsweise die Erkennung von Anomalien zur Zustandsüberwachung nutzen. Darüber hinaus ebnet KI den Weg für disruptive Wertversprechen, die über die Grenzen bestehender Produkte oder Dienstleistungen hinausgehen, wie zum Beispiel KI-basierte Vorhersage und Steuerung der Maschinennutzung, um maßgeschneiderte Geschäftsmodelle anzubieten. Um KI zu implementieren und den geschäftlichen Mehrwert zu erschließen, haben die Maschinen- und Anlagenbauer begonnen, KI-Projekte durchzuführen. KI-Projekte bringen jedoch einige Herausforderungen mit sich, die sowohl auf übergeordneter organisatorischer Ebene als auch auf Projektebene auftreten. Diese Herausforderungen (Challenges) werden anhand des dreidimensionalen Technology-Organization-Environment Framework konzeptualisiert und um eine vierte datenzentrische Dimension erweitert. Dazu gehören erstens geschäftliche Herausforderungen (Business Challenges), wie die Entwicklung einer unternehmensweiten KI-Strategie oder die Ermittlung der organisatorischen Fähigkeiten, die für diese neuen KI-basierten Geschäftsmodelle erforderlich sind. Zweitens entstehen technische Herausforderungen (Technical Challenges), wie die Gewährleistung der Erklärbarkeit von KI-Modellen oder die Bewältigung technologiebedingter IT-Securityprobleme auf organisatorischer Ebene. Drittens umfassen diese Herausforderungen auch Datenprobleme (Data Challenges), wie z. B. die Bereitstellung einer ausreichenden Anzahl qualitativ hochwertiger gelabelter Daten oder die Reduzierung der Datendimensionalität. Schließlich müssen auch die Herausforderungen der Nachhaltigkeit (Sustainability Challenges) berücksichtigt werden, z. B. die Erhöhung der Fairness bei KI-Projekten oder die Förderung eines verantwortungsvollen Umgangs mit KI. Motiviert durch diese Herausforderungen, bietet diese kumulative Dissertation Lösungen für die Durchführung erfolgreicher KI-Projekte im Maschinen- und Anlagenbau. Sie umfasst sechs Forschungsartikel, welche Forschungsartefakte liefern, die bei der Bewältigung der beschriebenen Herausforderungen helfen. Im Hinblick auf die Herausforderungen, welche KI-Projekte auf organisatorischer Ebene mit sich bringen, liefert der Forschungsartikel #1 24 organisationsweite Erfolgsfaktoren für KI-Projekte, die entlang von vier Erfolgsdimensionen strukturiert und durch 93 untergeordnete Erfolgsmanifestationen spezifiziert sind und die Grundlagen für die erfolgreiche Planung und Durchführung von KI-Projekten bilden. Anschließend wird in Forschungsartikel #2 untersucht, welche Fähigkeiten Maschinen- und Anlagenbauer benötigen, um geeignete KI-basierte und datengesteuerte Geschäftsmodelle umzusetzen. Das Ergebnis ist ein Reifegradmodell, welches dabei hilft, die erforderlichen organisatorischen Fähigkeiten zu ermitteln. Da solche KI- und datengesteuerten Geschäftsmodelle das Risiko von IT-Sicherheitsvorfällen erhöhen, befasst sich Forschungsartikel #3 mit der Thematik eines organisationsweiten Incident-Response-Managements. Es wird ein Reifegradmodell entwickelt, das Unternehmen eine umfassende Perspektive auf die Fähigkeiten zur Entwicklung eines effektiven Incident-Response-Managements bietet, da IT-Sicherheitsvorfälle nie vollständig verhindert werden können. Im Hinblick auf die Herausforderungen auf Projektebene entwickelt Forschungsartikel #4 eine dateneffiziente aktive Machine Learning-Architektur für die Erkennung von Anomalien in industriellen Zeitreihendaten und deren Umsetzung in einer realen Schraubroboteranwendung. Dies trägt insbesondere dazu bei, das zeitaufwändige Labeling von Anomaliedaten zu überwinden. Da solche fortgeschrittenen KI-Ansätze die Erklärbarkeit von KI-Modellen einschränken, vergleicht und bewertet Forschungsartikel #5 drei häufig verwendete transparente KI-Modelle und vier verschiedene Explainable AI (XAI) Methoden, indem eine Online-Umfrage durchgeführt wird. Die Ergebnisse empfehlen den Einsatz von XAI-Methoden, da die richtige Wahl der Methode eine Steigerung der gemessenen menschenzentrierten Erklärbarkeit um 10% ermöglicht. Abschließend wird in Forschungsartikel #6 die „sustainable machine learning design pattern matrix“ vorgestellt, um die Herausforderungen der Nachhaltigkeit zu bewältigen. Das Artefakt dient als Diagnoseinstrument, um den Status quo der Nachhaltigkeit zu erfassen und eine Vision für die Nachhaltigkeit von KI-Projekten zu entwickeln.