Bei der Entwicklung von Materialflusssystemen wird ein reibungslos ablaufender Produktentstehungsprozess angestrebt, wobei ungeplante Verzögerungen und Fehler im Endprodukt zu vermeiden sind. Datengestützte Ansätze zur Prozessoptimierung, zum Beispiel mit Machine Learning oder künstlicher Intelligenz, weisen ein hohes Potential zur Rationalisierung des Systems im späteren Betrieb auf. Eines der größten Hindernisse dafür ist das Auftreten von einander widersprechenden Informationen in den Modellen, welche die an der Produktentwicklung beteiligten ExpertInnen nutzen. Diese Widersprüche werden als Inkonsistenzen bezeichnet. Es existiert bislang kein Ansatz, welcher die Anwendung von Data Science und Konsistenzmanagement in Materialflusssystemen entlang des gesamten Produktlebenszyklus betrachtet. Offene Fragestellungen umfassen die Vermeidung von Brüchen in der Prozesskette, das Herstellen von konsistenten Sichten, die Realisierung wiederverwendbarer Teilergebnisse und der Aufbau einer Datenbasis zur Optimierung laufender Prozesse.     «

Bei der Entwicklung von Materialflusssystemen wird ein reibungslos ablaufender Produktentstehungsprozess angestrebt, wobei ungeplante Verzögerungen und Fehler im Endprodukt zu vermeiden sind. Datengestützte Ansätze zur Prozessoptimierung, zum Beispiel mit Machine Learning oder künstlicher Intelligenz, weisen ein hohes Potential zur Rationalisierung des Systems im späteren Betrieb auf. Eines der größten Hindernisse dafür ist das Auftreten von einander widersprechenden Informationen in den Modell...     »