Mehr Maschinenlesbarkeit und bessere Wiederverwendbarkeit von Daten und Workflowmodellen
Wenn Prozesse in Produktion und Logistik, z. B. mit Hilfe von Basistechnologien des Internet der Dinge oder der Industrie 4.0, digitalisiert werden, ist die Verfügbarkeit und Nutzbarkeit der dafür notwendigen Daten und Workflows eine wiederkehrende Herausforderung: Oft gibt es keinen Überblick über bestehende Datenquellen; es ist unklar, welche Daten zur Verfügung stehen bzw. wie Datenquellen mit anderen Daten sinnvoll kombiniert werden können. Außerdem ist die Modellierung der Daten und auch der Workflows entweder nicht vorhanden oder nur unzureichend gelöst. Existierende textuelle oder graphische Beschreibungen sind in der Regel nicht maschinenlesbar und führen bereits bei der Kommunikation zwischen den an einem Prozess beteiligten Personen zu Missverständnissen und erst recht zu Schwierigkeiten in der technischen Umsetzung bei der Digitalisierung eines Prozesses. Außerdem wird durch unzureichende Beschreibungen die Wiederverwendbarkeit von Modellierungen erschwert, so dass verwandte Digitalisierungsprojekte immer wieder neu angegangen werden müssen und keine Synergien gehoben werden können.
Vor diesem Hintergrund wird folgende Forschungsfrage untersucht: Wie lassen sich Daten und Workflows im Produktions- und Logistikumfeld modellieren und repräsentieren, sodass diese zum einen maschinell gelesen und interpretiert werden können und zum anderen in ähnlichen Anwendungsszenarien wiederverwendet und bei Bedarf adaptiert werden können?