Günther Schuh

Zusammenfassung: Das größte Nachhaltigkeitspotenzial produzierender Unternehmen besteht in der Etablierung einer funktions- und wertsteigernden Kreislaufwirtschaft. Diese ist – sofern industrialisiert – ökonomisch, ökologisch und sozial signifikant profitabler als bestehende Ansätze. Zur Industrialisierung müssen Herausforderungen des Produktionsmanagements bewältigt werden. In der Produktionsplanung ergeben sich u. a. Unregelmäßigkeiten durch variierende Mengen oder Zustände von Produkt-, Komponenten- und Materialrückflüssen. In der Organisation und Durchführung muss die Wertschöpfung kreislauffähig auf Netzwerk-, Fabrik- und Maschinenebene gestaltet werden. Montage-, Fertigungsorganisation und Logistikprozesse sind für die industrialisierte Rückführung und Wertsteigerung anzupassen. Ein Lösungsansatz stellt das Internet of Sustainable Production mit Digitalen Produktakten, KI-basiertem Lifecycle-Management, neuer Modularität, zirkulären Produktionssystemen sowie industrialisierten Upgrade-Re-Assembly-Prozessen dar.

Available locations for new factories and the suitability of these locations changes, especially due to climate change. Long-term consequences and high costs entailed by factory location selection become more difficult to predict. The decision process for factory location therefore becomes more complex, uncertain and time-consuming. We aim to develop a data-driven digital decision support application for factory location selection. This paper presents the process to be implemented in that system. We research and refine established processes to enable data-driven, objective and sustainable factory location selection. Finally, we give an outlook on the decision support system to be developed.

Increasing regulatory influences on artificial intelligence (AI) impose new requirements on the trustworthiness of complex AI systems, i.e., compound software systems using at least one AI method. When embedded in value chains and other regulatory scopes, it must be ensured that AI activities and AI-generated results remain explainable throughout the entire process. This work is motivated by the domain of AI-based requirements engineering (RE) in the automotive industry, where the overall objective is to meet homologation requirements with AI-generated contents influencing system development. In support thereof, this paper presents two contributions: an orientation framework for the alignment of individual use cases in this domain and a set of requirements for AI explanation design following the framework.