@incollection{BeckerBrockmannNiemietzetal.2021,
  author    = {Becker, Marco and Brockmann, Matthias and Niemietz, Philipp and Trauth, Daniel and Bergs, Thomas and Brecher, Christian},
  title     = {Das Internet of Production als Fundament der Datenverwertung in der Produktion},
  series = {Monetarisierung von technischen Daten / Hrsg. Daniel Trauth, Thomas Bergs, Wolfgang Prinz},
  booktitle = {Monetarisierung von technischen Daten / Hrsg. Daniel Trauth, Thomas Bergs, Wolfgang Prinz},
  editor    = {Trauth, Daniel and Bergs, Thomas and Prinz, Wolfgang},
  publisher = {Springer Vieweg},
  address   = {Berlin, Heidelberg},
  doi       = {10.1007/978-3-662-62915-4_15},
  publisher      = {FH M{\"u}nster - University of Applied Sciences},
  pages     = {275 -- 295},
  year      = {2021},
  abstract  = {Das Internet of Things entfaltet erst durch die {\"U}berwindung von bestehenden Produkt- und Industriegrenzen sein volles {\"o}konomisches Potenzial. Trotzdem werden Cyberphysische Systeme in der Forschung bisher oftmals isoliert betrachtet. Der Begriff des Internet of Production (IoP) steht f{\"u}r die Vision eines {\"u}bergreifenden Austauschs von Daten und Informationen zwischen Produktentwicklung, Produktion und Nutzungsphase - {\"u}ber bestehende Organisationsgrenzen hinaus. Die Realisierung des IoP ist mit Herausforderungen im Bereich der datengetriebenen Modellierung sowie der Infrastruktur verbunden. In diesem Buchbeitrag werden die bestehenden Herausforderungen erl{\"a}utert und L{\"o}sungsans{\"a}tze skizziert. Der Schwerpunkt liegt auf der datengetriebenen Modellierung. Im Speziellen wird die Problematik des Lernens von kausalen Zusammenh{\"a}ngen, die Interpretierbarkeit von Machine-Learning-Modellen sowie die Integration von Dom{\"a}nenwissen in Lernalgorithmen diskutiert. Abschließend werden zwei Anwendungsbeispiele des „Digital Material Shadows" vorgestellt. Diese veranschaulichen wie mithilfe von Machine Learning Erkenntnisse {\"u}ber den Materialzustand eines Werkst{\"u}cks gewonnen werden k{\"o}nnen. Ziel dieser Digital Material Shadows ist es, langfristig Fertigungsprozesse adaptiv an die individuellen Materialeigenschaften des vorliegenden Werkst{\"u}cks bzw. Rohmaterials anzupassen.},
  language  = {de}
}