Service systems in the smart living domain integrate a multitude of heterogenous data sources and affect the most private area of human lives. Therefore, particular challenges for service systems engineering arise in terms of interoperability of Internet-of-Things (IoT)-devices, privacy concerns and creating truly smart value propositions. By applying a promising approach, this paper examines smart service systems engineering and reveals the potential for extensions and adaptations of existing methods. A need for the integration of data science and software engineering approaches as well as a focus on acceptance, usability and the business perspective within a holistic smart service systems engineering method is discussed. This enables smart service systems to reconcile their human-centered and data-driven qualities.
Object detection via deep learning has many promising areas of application. However, robustness and accuracy of fully automated systems are often insufficient for practical use. Integrating results from Artificial Intelligence (AI) and human intelligence in collaborative settings might bridge the gap between efficiency and accuracy. This study proves increased efficiency when supporting human intelligence through AI without negative impact on effectiveness in a finegrained car scratch image labeling task. Based on the confirmed benefits of AI with human intelligence in the loop approaches, this contribution discusses potential practical application scenarios and envisions the implementation of assistance systems supported by computer vision.
ZusammenfassungSpätestens seit Beginn der Corona-Pandemie ist eine Vielzahl von Unternehmen aufgrund von Social-Distancing-Maßnahmen und neuen Mitarbeiteranforderungen mit hybrider Arbeit als neuem Status Quo konfrontiert. Während hierin absehbar das Potenzial zur generellen Flexibilisierung von Arbeit liegt, müssen Arbeitgeber veränderte Formen der Zusammenarbeit auch ermöglichen und räumliche Distanzen überbrücken. Hinzu kommt, dass der unerwartete Eintritt der pandemischen Lage oftmals zur ad-hoc-Einführung von Werkzeugen geführt hat, die als „Erste Hilfe“-Lösung grundsätzliche Kommunikation und Kollaboration ermöglichen sollten. Knapp drei Jahre nach Beginn der Pandemie vergleichen wir gemeinsam mit Initiatoren und Nutzern zwei derartige Anwendungsfälle, die die Metaverse-Lösung Gather eingeführt haben. In einer multiperspektivischen Untersuchung fragen wir nach den geplanten und realisierten Mehrwerten und stellen Verbindungen zu den Features der Software her. Aus den Erkenntnissen leiten wir zwei Arten von Handlungsempfehlungen ab. Einerseits, inwiefern Gather ad-hoc als „Erste Hilfe“-Lösung geeignet ist und andererseits, welche Potenziale in der zukünftigen Überarbeitung gehoben werden können, um ein robustes hybrides Arbeitsmodell aufzubauen.
Im Rahmen des GLASSHOUSE-Projekts wurde prototypisch ein Informationssystem zur Unterstützung eines Value-Added-Service-Prozesses für ein Logistikunternehmen entwickelt. Dabei übernimmt das Logistikunternehmen die Montage und Bestückung von Verkaufsdisplays, die als verkaufsfördernde Maßnahme im Einzelhandel zur ansprechenden Präsentation der Ware eingesetzt wird. Basierend auf bereits etablierten Design-Richtlinien wurde das System für die Smart Glasses M300 von Vuzix konzipiert und in einem iterativen Entwicklungsprozess umgesetzt. Dabei wurde das User Interface an die Anforderungen und Limitationen von Smart Glasses angepasst sowie eine intuitive und freihändige Bedienung via Sprachsteuerung umgesetzt. Auf die Konzeption und Implementierung wird in den folgenden Abschnitten detailliert eingegangen.
ZusammenfassungViele Unternehmen setzen Künstliche Intelligenz zur Verarbeitung großer Datenmengen bereits heute erfolgreich für die Kundenbindung ein. So schaffen große Unternehmen individuelle Kundenerlebnisse basierend auf der Auswertung großer kundenbezogener Datenmengen zur kurz- aber auch langfristigen Kundenbindung, z. B. durch intelligente Empfehlungen von Inhalten auf Videoplattformen. Bei Unternehmen mit traditioneller Wertschöpfung wird dieses Potenzial jedoch noch nicht ausreichend genutzt. Vor diesem Hintergrund wird im Rahmen einer Fallstudie exemplarisch ein datengetriebenes Kundenbindungsszenario in Kooperation mit einer Autowerkstatt umgesetzt. Im konkreten Fall wurde eine zeitlich optimierte Kundenansprache auf Basis von KI-basierten Prognosen der täglichen Fahrleistung von Kunden angestrebt. Grundlage dafür war die Analyse eines Kundendatensatzes einer Autowerkstatt und die anschließende Entwicklung einer Künstlichen Intelligenz. Aufbauend auf der Fallstudie wird ein datenbasiertes Geschäftsmodell konzipiert, dessen Werteangebot vor allem Unternehmen mit traditioneller Wertschöpfung und wenig Wissen im Bereich Künstlicher Intelligenz dazu befähigt, datenbasierte Technologien in der Kundenbindung einzusetzen. Das dem Geschäftsmodell zugrundeliegende Plattformkonzept wird dabei als Open-Innovation-Modell entwickelt und soll neben der Entwicklung eigener Services auch die Interaktion von Datenkonsumenten, Datenlieferanten und anderen Datenbefähigern, mit dem Ziel sich als Datenökosystem für Kundenbindung zu etablieren, unterstützen.
scite is a Brooklyn-based organization that helps researchers better discover and understand research articles through Smart Citations–citations that display the context of the citation and describe whether the article provides supporting or contrasting evidence. scite is used by students and researchers from around the world and is funded in part by the National Science Foundation and the National Institute on Drug Abuse of the National Institutes of Health.
hi@scite.ai
10624 S. Eastern Ave., Ste. A-614
Henderson, NV 89052, USA
Copyright © 2024 scite LLC. All rights reserved.
Made with 💙 for researchers
Part of the Research Solutions Family.