BazEkon - Biblioteka Główna Uniwersytetu Ekonomicznego w Krakowie

BazEkon home page

Meny główne

Autor
Kalinowski Mateusz (Meritus Systemy Informatyczne Sp. z o.o., Warszawa), Weichbroth Paweł (Gdańsk University of Technology, Poland)
Tytuł
Lessons Learned from Developing an Industry 4.0 Mobile Process Management System Supported by Artificial Intelligence
Wnioski z rozwoju mobilnego systemu zarządzania procesami Przemysłu 4.0 wspieranego sztuczną inteligencją
Źródło
Informatyka Ekonomiczna / Uniwersytet Ekonomiczny we Wrocławiu, 2022, nr 1 (63), s. 9-19, rys., tab. bibliogr. 27 poz.
Business Informatics / Uniwersytet Ekonomiczny we Wrocławiu
Słowa kluczowe
Przemysł 4.0, Zarządzanie procesami, Sztuczna inteligencja
Industry 4.0, Process management, Artificial intelligence
Uwagi
Klasyfikacja JEL: C1, C18
streszcz., summ.
This research is the result of the project entitled "An Industry 4.0 Mobile Process Management System Supported by Artificial Intelligence," co-financed by the European Union from the European Regional Development Fund under the Regional Operational Programme of the Mazowiecki Voivodeship for 2014-2020, under grant agreement no. RPMA.01.02.00-14-b528/18.
Abstrakt
Projekty w zakresie badań, rozwoju i innowacji (BRI) są podejmowane w celu udoskonalenia istniejących lub opracowania nowych, bardziej wydajnych i skutecznych produktów i usług. Ponadto celem innowacji jest tworzenie nowej wiedzy poprzez badania oraz rozpowszechnianie jej poprzez edukację i szkolenia. W tym duchu rozumowania w niniejszym artykule autorzy przedstawiają i omawiają wnioski wyciągnięte z podjętego projektu, dotyczące trzech dziedzin, a mianowicie: uczenia maszynowego (sztucznej inteligencji), inteligencji obliczeniowej oraz systemów zarządzania bazami danych (DBMS). Biorąc pod uwagę, że obecnie wiele projektów BRI jest zorientowanych na rozwój rozwiązań intensywnie wykorzystujących dane, autorzy są przekonani, że wnioski te będą cenne nie tylko dla inżynierów danych, ale także dla tych badaczy i praktyków, którzy zajmują się zagadnieniami związanymi z budową i walidacją modeli uczenia maszynowego, zastosowaniami średnich ruchomych do strumieni danych o wysokiej częstotliwości oraz implementacją i wdrażaniem systemów zarządzania bazami danych.(abstrakt oryginalny)

Research, development and innovation (RDI) projects are undertaken in order to improve existing, or develop new, more efficient products and services. Moreover, the goal of innovation is to produce new knowledge through research, and disseminating it through education and training. In this line of thinking, this paper reports and discusses the lessons learned from the undertaken project, regarding three areas: machine learning (artificial intelligence), computational intelligence, and database management systems (DBMS). As nowadays, a numerous of the RDI projects are oriented towards the development of dataintensive solutions, the authors are confident that these lessons will be valuable not only for data engineers, but also for those researchers and practitioners who are dealing with the issues related to building and validating machine learning models, applications of moving averages to high-frequency data streams, and the implementation and deployment of DBMS.(original abstract)
Dostępne w
Biblioteka Szkoły Głównej Handlowej w Warszawie
Biblioteka Główna Uniwersytetu Ekonomicznego we Wrocławiu
Pełny tekst
Pokaż
Bibliografia
Pokaż
  1. Albors-Garrigos, J., and Hervas-Oliver, J. L. (2019). Disruptive innovation in traditional clusters: The case of the Kerajet ceramic tile cluster in Spain. Applied Sciences, 9(24), 5513.
  2. Awan, U., Muneer, G., and Abbas, W. (2013). Organizational collaborative culture as a source of managing innovation. World Applied Sciences Journal, 24(5), 582-587.
  3. Bajdor, P., Pawełoszek, I., and Fidlerova, H. (2021). Analysis and assessment of sustainable entrepreneurship practices in Polish small and medium enterprises. Sustainability, 13(7), 3595.
  4. Balli, E., and Sigeze, Ç. (2017). The nexus between research and development and export decision: The case of Turkey. International Journal of Business and Economic Sciences Applied Research (IJBESAR), 11(1).
  5. Bytniewski, A., Matouk, K., Rot, A., Hernes, M., and Kozina, A. (2020). Towards Industry 4.0: Functional and technological basis for ERP 4.0 Systems. In Towards Industry 4.0 - Current Challenges in Information Systems (pp. 3-19). Springer.
  6. Dogara, G., Saud, M. S. B., and Kamin, Y. B. (2020). Work-based learning conceptual framework for the effective incorporation of soft skills among students of vocational and technical institutions. IEEE Access, 8, 211642-211652.
  7. European Commission. (2014). Information from European Union institutions, bodies, offices and agencies. Official Journal of the European Union. Retrieved from https://eur-lex.europa.eu/legalcontent/ EN/TXT/PDF/?uri=CELEX:52014XC0627(01)&from=EN
  8. Falkowski-Gilski, P., and Uhl, T. (2020). Current trends in consumption of multimedia content using online streaming platforms: A user-centric survey. Computer Science Review, 37. Retrieved from: https://doi.org/10.1016/j.cosrev.2020.100268
  9. Gawin, B., and Marcinkowski, B. (2020). Setting up energy efficiency management in companies: Preliminary lessons learned from the petroleum industry. Energies, 13(21), 5604.
  10. Gawlik-Kobylińska, M., Gudzbeler, G., Szklarski, Ł., Kopp, N., Koch-Eschweiler, H., and Urban, M. (2021). The EU-SENSE system for chemical hazards detection, identification, and monitoring. Applied Sciences, 11(21), 10308.
  11. Grochowski, K., and Zwierzchowski, D. (2016). Performance appraisal at SME sector transport service providers as a motivator for informed strategic management. Torun Business Review, 15(3), 45-52.
  12. Hutchinson, J., and Kotonya, G. (2005). Patterns and component-oriented system development. 31st EUROMICRO Conference on Software Engineering and Advanced Applications, 126-133. IBM. (2021, March 6). What is overfitting? Retrieved from https://www.ibm.com/cloud/learn/overfitting
  13. Janus, J., Hernes, M., Gryncewicz, W., Rot, A., Kozina, A. M., Markowska, A., and Sobieska-Karpińska, J. (2021). Cognitive agent for quality management in flexographic printing on packages. In Handbook of research on autopoiesis and self-sustaining processes for organizational success (pp. 308-324). IGI Global.
  14. Jasińska-Biliczak, A., and Kowal, J. (2020). Innovation Capability development in regional entrepreneurship: The case of economies in transition. European Research Studies Journal, 23(4), 6-32.
  15. Lee, E. A. (2008). Cyber physical systems: Design challenges (2008 11th IEEE International Symposium on Object and Component-Oriented Real-Time Distributed Computing (ISORC), pp. 363- -369).
  16. Liu, H., Luo, Y., Geng, J., and Yao, P. (2021). Research hotspots and frontiers of product R&D management under the background of the digital intelligence era - Bibliometrics based on citespace and histcite. Applied Sciences, 11(15), 6759.
  17. Ngang, T. K., Yie, C. S., and Shahid, S. A. M. (2015). Quality teaching: Relationship to soft skills acquisition. Procedia-Social and Behavioral Sciences, 191, 1934-1937.
  18. O'Donovan, P., Gallagher, C., Leahy, K., and O'Sullivan, D. T. (2019). A comparison of fog and cloud computing cyber-physical interfaces for Industry 4.0 real-time embedded machine learning engineering applications. Computers in Industry, 110, 12-35.
  19. Owoc, M., and Marciniak, K. (2013). Knowledge management as the foundation of a smart university. 2013 Federated Conference on Computer Science and Information Systems, 1267-1272.
  20. Palimkar, P., Shaw, R. N., and Ghosh, A. (2022). Machine learning technique to prognosis diabetes disease: Random forest classifier approach. In Advanced Computing and Intelligent Technologies (pp. 219-244). Springer.
  21. Pavlou, M., Ambler, G., Seaman, S., De Iorio, M., and Omar, R. Z. (2016). Review and evaluation of penalised regression methods for risk prediction in low-dimensional data with few events. Statistics in Medicine, 35(7), 1159-1177.
  22. Taylor, E. (2016). Investigating the perception of stakeholders on soft skills development of students: Evidence from South Africa. Interdisciplinary Journal of E-Skills and Lifelong Learning, 12(1), 1-18.
  23. Thibaud, M., Chi, H., Zhou, W., and Piramuthu, S. (2018). Internet of Things (IoT) in high-risk Environment, Health and Safety (EHS) industries: A comprehensive review. Decision Support Systems, 108, 79-95.
  24. Weichbroth, P. (2022). A case study on implementing agile techniques and practices: Rationale, benefits, barriers and business implications for hardware development. Applied Sciences, 12(17), 8457.
  25. Weston, D. (2020). The value of 'Soft Skills' in popular music education in nurturing musical livelihoods. Music Education Research, 22(5), 527-540.
  26. Wieczorkowski, J., Chomiak-Orsa, I., and Pawełoszek, I. (2022). Big data w marketingu - narzędzie doskonalenia relacji z klientami. Marketing i Rynek, 29(1).
Cytowane przez
Pokaż
ISSN
1507-3858
Język
eng
URI / DOI
http://dx.doi.org/10.15611/ie.2022.1.02
Udostępnij na Facebooku Udostępnij na Twitterze Udostępnij na Google+ Udostępnij na Pinterest Udostępnij na LinkedIn Wyślij znajomemu