10:20 - 11:00 Uhr

Fachkräftmangel - Zusammenarbeit zwischen Hochschule und Industrie

Der Fachkräftemangel in der Industrie ist schon jetzt massiv spürbar. Mit der Erreichung des Renteneintrittsalters der Babyboomer Jahrgänge (1959-1966) wird sich der Zustand in den nächsten Jahren massiv verschärfen. Die Digitale Transformation und Dekarbonisierung erfordern zusätzliche MINT-Fachkräfte. Absolventen und Universitäten/ Hochschulen müssen sich den gestiegenen Herausforderungen der digitalisierten Industrie stellen. Diese Aufgabe kann in Zusammenarbeit von Industrie und Hochschule auch im Bereich Masterstudium stärker angegangen werden.
In diesem Vortrag wird von Professor Peter Gutheil, HS Trier (Umwelt-Campus Birkenfeld) und Siemens Academic Business die aktuelle Situation adaptiert und Möglichkeiten und Perspektiven aufgezeigt, sich aus einer engeren Zusammenarbeit von Hochschule und Industrie können. Neben dem dualen Studium, das sich an Schulabsolventen wendet, soll der Blick gereichtet werden auf Möglichkeiten der Praxis- und Berufsorientierung im Masterbereich durch die Kombination von Studium und Werkstudententätigkeit in Unternehmen. Hier ergeben sich durch hybride Modelle, die während der Pandemie entwickelt wurden, neue interessante Ansätze.
Darüber hinaus soll in dieser Session mit den Teilnehmern offen über die aktuelle Situation diskutiert werden. Wir freuen uns auf eine angeregte Diskussion, Fragen und Anregungen.

11:15 - 11:55 Uhr

PLM-Professional / Fachexpertenausbildung von Industrie und Wissenschaft

Innovationen erfordern von Unternehmen den Veränderungen zu begegnen, welche sich oftmals auf Unternehmensgrenzen und Strukturen hinweg auswirken. Dazu ist es notwendig die Bereitschaft mitzubringen neue Wege zu gehen, um durch Gewandtheit, Wendigkeit sowie Beweglichkeit veränderte Strukturen mit einer adäquaten Personalorganisation auszuprägen. Um sich an neue Gegebenheiten anzupassen ist es oft hilfreich mit PLM-Experten die Prozesse und IT Landschaft aufzunehmen, zu hinterfragen und ggf. neu auszuprägen. Trotz steigender Nachfrage in der Industrie nach PLM Experten ist das Fehlen eines geschlossenen Berufsbildes und einer gezielten Ausbildung, die aktuell nur limitiert angeboten werden. In diesem Kontext wurde 2013 in Zusammenarbeit der Industrie und der Fraunhofer Academy eine PLM Professional Ausbildung ausgeprägt, siehe www.plm-professional.de. Erfahrene PLM ExpertInnen aus Forschung und Entwicklung vermitteln für die Industrie in einem 2-wöchigen Kurs praktische  PLM Anwendungskompetenz sowie die theoretischen Grundlagen. Die Ausbildung ist branchenübergreifend aufgebaut und kann mit einer Prüfung zum zertifizierten PLM Professional abgeschlossen werden. Um die Ziele der Ausbildung insbesondere mit dem Fokus der Industrierelevanz für die industrielle Praxis sicherzustellen, sind die Ausbildungsinhalte in enger Zusammenarbeit mit den Industriepartnern erarbeitet. Als Ergebnis ist ein umfassendes Programm entstanden, welches seit 10 Jahren erfolgreich von der Industrie als PLM Professional Ausbildung angenommen wird. Inhalte zum Programm, der Aufbau und die Randbedingungen werden vorgestellt.

14:15 - 14:55 Uhr

KI-basierte Computer Vision auf eingebetteten Sensorsystemen

Computer Vision (CV) ist das maschinelle Modell für das menschliche Sehvermögen. Die Kamerabilder werden mit Hilfe von mathematischen Algorithmen verbessert, transformiert, Merkmale extrahiert und anschließend die Objekte mit statistischen Methoden oder Neuronalen Netzen (NN) klassifiziert. Diese Prozessschritte sind im Prinzip aus der klassischen Bildverarbeitung und Mustererkennung samt industrieller Applikationen wohlbekannt. In modernen CV werden oft mehrere Bilder/Videos aus verschiedenen Positionen (Robotik) oder von mehreren Kameras (Automotive) verwendet, die mit anderen Sensortypen (Radar, Ultraschall, Seismik etc.) kombiniert und zeitlich synchronisiert werden, wobei auch die (automatische, selbst) Kalibrierung und Fusionierung der Sensoren eine sehr wichtige Rolle spielt. Für die Datenverarbeitung werden Tiefe NNs eingesetzt, die die Berechnungskomplexität deutlich erhöhen und die Anwendung auf eingebetteten Sensorsystemen und/oder die Echtzeitauswertung erschweren. Es wird analysiert und dargestellt, wie Künstliche Intelligenz, CV und Tiefe NNe von der Entwicklung über das Training und Betrieb auf Edge-Devices verwendet werden können, welche energie-effiziente Hardware Beschleunigungseinheiten eingesetzt werden könnten.