You are here: Home → Proceedings
Document Actions

Citation and metadata

Back to the article.

Recommended citation

Vojdani N, Erichsen B (2020). Anwendungspotenziale von maschinellem Lernen in der Produktion und Logistik. Logistics Journal : Proceedings, Vol. 2020. (urn:nbn:de:0009-14-51352)

Download Citation

Endnote

%0 Journal Article
%T Anwendungspotenziale von maschinellem Lernen in der Produktion und Logistik
%A Vojdani, Nina
%A Erichsen, Björn
%J Logistics Journal : Proceedings
%D 2020
%V 2020
%N 12
%@ 2192-9084
%F vojdani2020
%X Im Vergleich zu anderen Anwendungsdomänen ist bislang der Einsatz von Methoden der künstlichen Intelligenz wie zum Beispiel maschinellen Lernverfahren in Produktion und Logistik weniger stark verbreitet. Mit fortschreitender Vernetzung durch neu entwickelte Informations- und Kommunikationstechnologien sowie dem Einsatz von Sensortechniken und cyberphysischen Systemen können Daten von produktionstechnischen und logistischen Prozessen jedoch vermehrt hochauflösend erfasst werden. Die Verfügbarkeit von umfangreichen Betriebs- und Sensordaten birgt große Optimierungspotenziale, die durch moderne Datenanalysemethoden erschlossen werden können. In jüngster Vergangenheit ist daher ein stetig wachsendes Interesse an Methoden der künstlichen Intelligenz insbesondere dem maschinellen Lernen in den Bereichen Produktion und Logistik zu beobachten. Diesbezüglich besteht die Herausforderung darin, für diese Anwendungsbereiche die passenden Machine Learninig-Algorithmen auszuwählen. Dieser Beitrag gibt einen Überblick über die Anwendungsmöglichkeiten von maschinellem Lernen und untersucht im Rahmen eines Literature Reviews die Anwendungsintensitäten von verschiedenen Machine Learninig-Algorithmen in Produktion und Logistik. Aus den gewonnenen Erkenntnissen wird weiterer Forschungsbedarf abgeleitet.
%L 620
%K Künstliche Intelligenz
%K Literaturübersicht
%K Logistics
%K Maschinelles Lernen
%K Production
%K Produktion
%K artificial intelligence
%K literature review
%K logistik
%K machine learning
%R 10.2195/lj_Proc_erichsen_de_202012_01
%U http://nbn-resolving.de/urn:nbn:de:0009-14-51352
%U http://dx.doi.org/10.2195/lj_Proc_erichsen_de_202012_01
Download

Bibtex

@Article{vojdani2020,
  author = 	"Vojdani, Nina
		and Erichsen, Bj{\"o}rn",
  title = 	"Anwendungspotenziale von maschinellem Lernen in der Produktion und Logistik",
  journal = 	"Logistics Journal : Proceedings",
  year = 	"2020",
  volume = 	"2020",
  number = 	"12",
  keywords = 	"K{\"u}nstliche Intelligenz; Literatur{\"u}bersicht; Logistics; Maschinelles Lernen; Production; Produktion; artificial intelligence; literature review; logistik; machine learning",
  abstract = 	"Im Vergleich zu anderen Anwendungsdom{\"a}nen ist bislang der Einsatz von Methoden der k{\"u}nstlichen Intelligenz wie zum Beispiel maschinellen Lernverfahren in Produktion und Logistik weniger stark verbreitet. Mit fortschreitender Vernetzung durch neu entwickelte Informations- und Kommunikationstechnologien sowie dem Einsatz von Sensortechniken und cyberphysischen Systemen k{\"o}nnen Daten von produktionstechnischen und logistischen Prozessen jedoch vermehrt hochaufl{\"o}send erfasst werden. Die Verf{\"u}gbarkeit von umfangreichen Betriebs- und Sensordaten birgt gro{\ss}e Optimierungspotenziale, die durch moderne Datenanalysemethoden erschlossen werden k{\"o}nnen. In j{\"u}ngster Vergangenheit ist daher ein stetig wachsendes Interesse an Methoden der k{\"u}nstlichen Intelligenz insbesondere dem maschinellen Lernen in den Bereichen Produktion und Logistik zu beobachten. Diesbez{\"u}glich besteht die Herausforderung darin, f{\"u}r diese Anwendungsbereiche die passenden Machine Learninig-Algorithmen auszuw{\"a}hlen. Dieser Beitrag gibt einen {\"U}berblick {\"u}ber die Anwendungsm{\"o}glichkeiten von maschinellem Lernen und untersucht im Rahmen eines Literature Reviews die Anwendungsintensit{\"a}ten von verschiedenen Machine Learninig-Algorithmen in Produktion und Logistik. Aus den gewonnenen Erkenntnissen wird weiterer Forschungsbedarf abgeleitet.",
  issn = 	"2192-9084",
  doi = 	"10.2195/lj_Proc_erichsen_de_202012_01",
  url = 	"http://nbn-resolving.de/urn:nbn:de:0009-14-51352"
}
Download

RIS

TY  - JOUR
AU  - Vojdani, Nina
AU  - Erichsen, Björn
PY  - 2020
DA  - 2020//
TI  - Anwendungspotenziale von maschinellem Lernen in der Produktion und Logistik
JO  - Logistics Journal : Proceedings
VL  - 2020
IS  - 12
KW  - Künstliche Intelligenz
KW  - Literaturübersicht
KW  - Logistics
KW  - Maschinelles Lernen
KW  - Production
KW  - Produktion
KW  - artificial intelligence
KW  - literature review
KW  - logistik
KW  - machine learning
AB  - Im Vergleich zu anderen Anwendungsdomänen ist bislang der Einsatz von Methoden der künstlichen Intelligenz wie zum Beispiel maschinellen Lernverfahren in Produktion und Logistik weniger stark verbreitet. Mit fortschreitender Vernetzung durch neu entwickelte Informations- und Kommunikationstechnologien sowie dem Einsatz von Sensortechniken und cyberphysischen Systemen können Daten von produktionstechnischen und logistischen Prozessen jedoch vermehrt hochauflösend erfasst werden. Die Verfügbarkeit von umfangreichen Betriebs- und Sensordaten birgt große Optimierungspotenziale, die durch moderne Datenanalysemethoden erschlossen werden können. In jüngster Vergangenheit ist daher ein stetig wachsendes Interesse an Methoden der künstlichen Intelligenz insbesondere dem maschinellen Lernen in den Bereichen Produktion und Logistik zu beobachten. Diesbezüglich besteht die Herausforderung darin, für diese Anwendungsbereiche die passenden Machine Learninig-Algorithmen auszuwählen. Dieser Beitrag gibt einen Überblick über die Anwendungsmöglichkeiten von maschinellem Lernen und untersucht im Rahmen eines Literature Reviews die Anwendungsintensitäten von verschiedenen Machine Learninig-Algorithmen in Produktion und Logistik. Aus den gewonnenen Erkenntnissen wird weiterer Forschungsbedarf abgeleitet.
SN  - 2192-9084
UR  - http://nbn-resolving.de/urn:nbn:de:0009-14-51352
DO  - 10.2195/lj_Proc_erichsen_de_202012_01
ID  - vojdani2020
ER  -
Download

Wordbib

<?xml version="1.0" encoding="UTF-8"?>
<b:Sources SelectedStyle="" xmlns:b="http://schemas.openxmlformats.org/officeDocument/2006/bibliography"  xmlns="http://schemas.openxmlformats.org/officeDocument/2006/bibliography" >
<b:Source>
<b:Tag>vojdani2020</b:Tag>
<b:SourceType>ArticleInAPeriodical</b:SourceType>
<b:Year>2020</b:Year>
<b:PeriodicalTitle>Logistics Journal : Proceedings</b:PeriodicalTitle>
<b:Volume>2020</b:Volume>
<b:Issue>12</b:Issue>
<b:Url>http://nbn-resolving.de/urn:nbn:de:0009-14-51352</b:Url>
<b:Url>http://dx.doi.org/10.2195/lj_Proc_erichsen_de_202012_01</b:Url>
<b:Author>
<b:Author><b:NameList>
<b:Person><b:Last>Vojdani</b:Last><b:First>Nina</b:First></b:Person>
<b:Person><b:Last>Erichsen</b:Last><b:First>Björn</b:First></b:Person>
</b:NameList></b:Author>
</b:Author>
<b:Title>Anwendungspotenziale von maschinellem Lernen in der Produktion und Logistik</b:Title>
<b:Comments>Im Vergleich zu anderen Anwendungsdomänen ist bislang der Einsatz von Methoden der künstlichen Intelligenz wie zum Beispiel maschinellen Lernverfahren in Produktion und Logistik weniger stark verbreitet. Mit fortschreitender Vernetzung durch neu entwickelte Informations- und Kommunikationstechnologien sowie dem Einsatz von Sensortechniken und cyberphysischen Systemen können Daten von produktionstechnischen und logistischen Prozessen jedoch vermehrt hochauflösend erfasst werden. Die Verfügbarkeit von umfangreichen Betriebs- und Sensordaten birgt große Optimierungspotenziale, die durch moderne Datenanalysemethoden erschlossen werden können. In jüngster Vergangenheit ist daher ein stetig wachsendes Interesse an Methoden der künstlichen Intelligenz insbesondere dem maschinellen Lernen in den Bereichen Produktion und Logistik zu beobachten. Diesbezüglich besteht die Herausforderung darin, für diese Anwendungsbereiche die passenden Machine Learninig-Algorithmen auszuwählen. Dieser Beitrag gibt einen Überblick über die Anwendungsmöglichkeiten von maschinellem Lernen und untersucht im Rahmen eines Literature Reviews die Anwendungsintensitäten von verschiedenen Machine Learninig-Algorithmen in Produktion und Logistik. Aus den gewonnenen Erkenntnissen wird weiterer Forschungsbedarf abgeleitet.</b:Comments>
</b:Source>
</b:Sources>
Download

ISI

PT Journal
AU Vojdani, N
   Erichsen, B
TI Anwendungspotenziale von maschinellem Lernen in der Produktion und Logistik
SO Logistics Journal : Proceedings
PY 2020
VL 2020
IS 12
DI 10.2195/lj_Proc_erichsen_de_202012_01
DE Künstliche Intelligenz; Literaturübersicht; Logistics; Maschinelles Lernen; Production; Produktion; artificial intelligence; literature review; logistik; machine learning
AB Im Vergleich zu anderen Anwendungsdomänen ist bislang der Einsatz von Methoden der künstlichen Intelligenz wie zum Beispiel maschinellen Lernverfahren in Produktion und Logistik weniger stark verbreitet. Mit fortschreitender Vernetzung durch neu entwickelte Informations- und Kommunikationstechnologien sowie dem Einsatz von Sensortechniken und cyberphysischen Systemen können Daten von produktionstechnischen und logistischen Prozessen jedoch vermehrt hochauflösend erfasst werden. Die Verfügbarkeit von umfangreichen Betriebs- und Sensordaten birgt große Optimierungspotenziale, die durch moderne Datenanalysemethoden erschlossen werden können. In jüngster Vergangenheit ist daher ein stetig wachsendes Interesse an Methoden der künstlichen Intelligenz insbesondere dem maschinellen Lernen in den Bereichen Produktion und Logistik zu beobachten. Diesbezüglich besteht die Herausforderung darin, für diese Anwendungsbereiche die passenden Machine Learninig-Algorithmen auszuwählen. Dieser Beitrag gibt einen Überblick über die Anwendungsmöglichkeiten von maschinellem Lernen und untersucht im Rahmen eines Literature Reviews die Anwendungsintensitäten von verschiedenen Machine Learninig-Algorithmen in Produktion und Logistik. Aus den gewonnenen Erkenntnissen wird weiterer Forschungsbedarf abgeleitet.
ER
Download

Mods

<mods>
  <titleInfo>
    <title>Anwendungspotenziale von maschinellem Lernen in der Produktion und Logistik</title>
  </titleInfo>
  <name type="personal">
    <namePart type="family">Vojdani</namePart>
    <namePart type="given">Nina</namePart>
  </name>
  <name type="personal">
    <namePart type="family">Erichsen</namePart>
    <namePart type="given">Björn</namePart>
  </name>
  <abstract>Im Vergleich zu anderen Anwendungsdomänen ist bislang der Einsatz von Methoden der künstlichen Intelligenz wie zum Beispiel maschinellen Lernverfahren in Produktion und Logistik weniger stark verbreitet. Mit fortschreitender Vernetzung durch neu entwickelte Informations- und Kommunikationstechnologien sowie dem Einsatz von Sensortechniken und cyberphysischen Systemen können Daten von produktionstechnischen und logistischen Prozessen jedoch vermehrt hochauflösend erfasst werden. Die Verfügbarkeit von umfangreichen Betriebs- und Sensordaten birgt große Optimierungspotenziale, die durch moderne Datenanalysemethoden erschlossen werden können. In jüngster Vergangenheit ist daher ein stetig wachsendes Interesse an Methoden der künstlichen Intelligenz insbesondere dem maschinellen Lernen in den Bereichen Produktion und Logistik zu beobachten. Diesbezüglich besteht die Herausforderung darin, für diese Anwendungsbereiche die passenden Machine Learninig-Algorithmen auszuwählen. Dieser Beitrag gibt einen Überblick über die Anwendungsmöglichkeiten von maschinellem Lernen und untersucht im Rahmen eines Literature Reviews die Anwendungsintensitäten von verschiedenen Machine Learninig-Algorithmen in Produktion und Logistik. Aus den gewonnenen Erkenntnissen wird weiterer Forschungsbedarf abgeleitet.</abstract>
  <subject>
    <topic>Künstliche Intelligenz</topic>
    <topic>Literaturübersicht</topic>
    <topic>Logistics</topic>
    <topic>Maschinelles Lernen</topic>
    <topic>Production</topic>
    <topic>Produktion</topic>
    <topic>artificial intelligence</topic>
    <topic>literature review</topic>
    <topic>logistik</topic>
    <topic>machine learning</topic>
  </subject>
  <classification authority="ddc">620</classification>
  <relatedItem type="host">
    <genre authority="marcgt">periodical</genre>
    <genre>academic journal</genre>
    <titleInfo>
      <title>Logistics Journal : Proceedings</title>
    </titleInfo>
    <part>
      <detail type="volume">
        <number>2020</number>
      </detail>
      <detail type="issue">
        <number>12</number>
      </detail>
      <date>2020</date>
    </part>
  </relatedItem>
  <identifier type="issn">2192-9084</identifier>
  <identifier type="urn">urn:nbn:de:0009-14-51352</identifier>
  <identifier type="doi">10.2195/lj_Proc_erichsen_de_202012_01</identifier>
  <identifier type="uri">http://nbn-resolving.de/urn:nbn:de:0009-14-51352</identifier>
  <identifier type="citekey">vojdani2020</identifier>
</mods>
Download

Full Metadata

Bibliographic Citation Logistics Journal : referierte Veröffentlichungen, Vol. 2020, Iss. 12
Title

Anwendungspotenziale von maschinellem Lernen in der Produktion und Logistik (ger)
Author Nina Vojdani, Björn Erichsen
Language ger
Abstract Im Vergleich zu anderen Anwendungsdomänen ist bislang der Einsatz von Methoden der künstlichen Intelligenz wie zum Beispiel maschinellen Lernverfahren in Produktion und Logistik weniger stark verbreitet. Mit fortschreitender Vernetzung durch neu entwickelte Informations- und Kommunikationstechnologien sowie dem Einsatz von Sensortechniken und cyberphysischen Systemen können Daten von produktionstechnischen und logistischen Prozessen jedoch vermehrt hochauflösend erfasst werden. Die Verfügbarkeit von umfangreichen Betriebs- und Sensordaten birgt große Optimierungspotenziale, die durch moderne Datenanalysemethoden erschlossen werden können. In jüngster Vergangenheit ist daher ein stetig wachsendes Interesse an Methoden der künstlichen Intelligenz insbesondere dem maschinellen Lernen in den Bereichen Produktion und Logistik zu beobachten. Diesbezüglich besteht die Herausforderung darin, für diese Anwendungsbereiche die passenden Machine Learninig-Algorithmen auszuwählen. Dieser Beitrag gibt einen Überblick über die Anwendungsmöglichkeiten von maschinellem Lernen und untersucht im Rahmen eines Literature Reviews die Anwendungsintensitäten von verschiedenen Machine Learninig-Algorithmen in Produktion und Logistik. Aus den gewonnenen Erkenntnissen wird weiterer Forschungsbedarf abgeleitet. Compared to other application domains, the use of artificial intelligence methods such as machine learning processes in production and logistics has so far been less widespread. With increasing networking through newly developed information and communication technologies as well as the use of sensor technologies and cyber-physical systems, however, data from production-related and logistics processes can increasingly be recorded in high resolution. The availability of extensive operating and sensor data holds great potential for optimization, which can be tapped using modern data analysis methods. In the recent past, therefore, a steadily growing interest in methods of artificial intelligence, especially machine learning, can be observed in the areas of production and logistics. In this regard, the challenge is to select the right machine learning algorithms for these application areas. This article gives an overview of the possible applications of machine learning and examines the application intensities of various machine learning algorithms in production and logistics as part of a literature review. Further research needs are derived from the knowledge gained.
Subject Künstliche Intelligenz, Literaturübersicht, Logistics, Maschinelles Lernen, Production, Produktion, artificial intelligence, literature review, logistik, machine learning
DDC 620
Rights fDPPL
URN: urn:nbn:de:0009-14-51352
DOI https://doi.org/10.2195/lj_Proc_erichsen_de_202012_01