No abstract

Zusammenfassung Auf dem Weg zur Erreichung der gesetzten Klimaziele in Deutschland muss der Anteil erneuerbarer Energien an der Stromerzeugung stetig ausgebaut werden. Die damit einhergehende zunehmende Fluktuation der Erzeugungsleistung stellt die Stromnetze vor große Herausforderungen. Da knapp 44 % des Strom- und rund ein Viertel des Wärmeverbrauchs in Deutschland auf die Industrie entfällt, bietet diese signifikantes Potenzial, Schwankungen im Stromnetz durch die Anpassung des Stromverbrauchs an das Stromangebot im Sinne von Demand Response mittels Energieflexibilität auszugleichen. Bislang erschwert neben regulatorischen Rahmenbedingungen insbesondere eine fehlende einheitliche Modellierung & Kommunikation von Energieflexibilität sowie deren Einbettung in bestehende Unternehmens-IT-Infrastrukturen eine optimale und automatisierte Vermarktung. Im Rahmen des Forschungsprojekts SynErgie wurden hierfür informationstechnische Anforderungen erhoben, Datenmodelle zur Beschreibung von Energieflexibilität und eine übergeordnete IT-Architektur entwickelt. Mit Hilfe einer unternehmensspezifischen Plattform und einer zentralen Marktplattform kann der Informations- und Kommunikationsfluss von der Maschine/Anlage bis zur Flexibilitätsvermarktung und wieder zurück abgebildet werden. Eine Vielzahl verschiedener Services unterstützt hierbei ein Unternehmen von der Identifikation bis hin zur automatisierten und standardisierten Vermarktung von Energieflexibilität. Durch die Einsatzmöglichkeiten und Wirkansätze von IT wurden Grundsteine für nachhaltigkeitsbezogene Effekte des industriellen Energieverbrauchs gelegt, welche in den kommenden Monaten in einer Modellregion in und um Augsburg mit Industrieunternehmen, Netzbetreibern und weiteren Serviceanbietern getestet werden.

No abstract

Small and medium-sized enterprises (SMEs) in manufacturing are increasingly facing challenges of digital transformation and a shift towards cloud-based solutions to leveraging artificial intelligence (AI) or, more specifically, machine learning (ML) services. Although literature covers a variety of frameworks related to the adaptation of cloud solutions, cloud-based ML solutions in SMEs are not yet widespread, and an end-to-end process for ML cloud service selection is lacking. The purpose of this paper is to present a systematic selection process of ML cloud services for manufacturing SMEs. Following a design science research approach, including a literature review and qualitative expert interviews, as well as a case study of a German manufacturing SME, this paper presents a four-step process to select ML cloud services for SMEs based on an analytic hierarchy process. We identified 24 evaluation criteria for ML cloud services relevant for SMEs by merging knowledge from manufacturing, cloud computing, and ML with practical aspects. The paper provides an interdisciplinary, hands-on, and easy-to-understand decision support system that lowers the barriers to the adoption of ML cloud services and supports digital transformation in manufacturing SMEs. The application in other practical use cases to support SMEs and simultaneously further development is advocated.