Abstract
Technologien, als Mittel zur Lösung von Anwenderproblemen in Produkten, besitzen eine herausragende und weiter wachsende Bedeutung als Innovationstreiber und somit auch für die Wettbewerbsfähigkeit von Unternehmen. Gleichzeitig machen es ihre zunehmende Anzahl, Dynamik und Komplexität den Unternehmen schwerer, fundierte Entscheidungen über Technologien im Innovationsprozess zu treffen. Es wächst die Gefahr, attraktive technologische Chancen − insbesondere außerhalb der eigenen Technologiedomäne − zu verpassen und auf diese Weise im Wettbewerb ins Hintertreffen zu geraten. Auf der anderen Seite entstehen digitale Technologien wie modellbasiertes Systems Engineering (MBSE) und Künstliche Intelligenz (KI), die neue Möglichkeiten bieten, um den wachsenden Herausforderungen bei der strategischen Technologieplanung zu begegnen, indem sie die menschliche Kreativität in unterschiedlicher Form, z. B. bei Problemanalyse und Informationsakquisition unterstützen. Technologien sind bei näherer Betrachtung oft wiederum hierarchisch strukturierte Systeme voneinander abhängiger Subtechnologien. Die Frage, wie solche Technologiesysteme unter Berücksichtigung technologischer Optionen und möglicher Anwendungen (weiter)entwickelt werden sollten, lässt sich i. d. R. nicht intuitiv beantworten. Gründe hierfür sind erstens oftmals komplizierte Beziehungen zwischen den Subtechnologien mit ihren Parametern und den kundenrelevanten Produkteigenschaften. Zweitens können sich Kundenanforderungen, Technologien und Technologieparameter mit unterschiedlicher Dynamik fortentwickeln bzw. durch den Technologieentwickler aktiv fortentwickelt werden. Die Analyse derartiger Technologiesysteme zu ihrer gezielten Fortentwicklung ist daher eine essentielle Anforderung von Technologieunternehmen oder anderen Institutionen im Bereich der angewandten Forschung, der existierende Ansätze zur strategischen Technologieplanung nur ungenügend gerecht werden. Bereits seit den 1950er Jahren zeigt TRIZ, die Theorie des erfinderischen Problemlösens, dass Patente und die technischen Probleme und Widersprüche, die sie lösen, eine wichtige Inspirationsquelle für die Entwicklung innovativer Produkte sind. TRIZ ist jedoch eine Heuristik, die auf einer historischen Patentanalyse basiert und daher die ständig wachsende Zahl neuester Technologien in Patenten nicht nutzt. Ein zweites Defizit besteht bei der Problemanalyse: TRIZ fokussiert auf die Lösung eines bereits bekannten Problems oder Widerspruchs. Die Identifikation von Problemen, die sich durch wachsende Technologiekomplexität zunehmend schwierig gestaltet, wird nicht bzw. nicht ausreichend thematisiert. Schließlich mangelt es an einer Berücksichtigung von Marktbedürfnissen bei der Bewertung und Auswahl identifizierter Lösungsoptionen. Inhalt dieser Dissertation ist es, die genannten Defizite mit Hilfe modellbasierten Systems Engineerings und Künstlicher Intelligenz zu adressieren. Auf diese Weise sollen die Grenzen der methodischen Unterstützung des Innovationsprozesses durch MBSE-Technologiemodellierung und eine Anwendungs- und Lösungssuche in Patenten basierend auf neuronalem Natural Language Processing (NLP) erweitert werden. Hierzu werden diese Methodenbausteine in einen neuen, dreiphasigen Prozess zur strategischen Technologieplanung eingefügt. In der ersten Phase wird eine zu untersuchende Technologie oder ein zu untersuchendes Produkt mit Hilfe eines MBSE-Modells aus Anwendungs- und Entwicklungsperspektive modelliert und analysiert. Das Technologiemodell liefert Erkenntnisse über bestehende Probleme, Schwächen oder Widersprüche und seine Ausgestaltung als rechnergestütztes MBSE-Modell ermöglicht hierbei eine Anwenderunterstützung, die einem dokumentenbasierten Modell überlegen ist. In der zweiten Phase wird nach innovativen Anwendungs- und Lösungsoptionen für das untersuchte Technologiesystem gesucht. Da Patente den umfassendsten „Wissensspeicher“ für Technologien und ihre Anwendungen in Produkten darstellen, werden hier die jüngsten Fortschritte im neuronalen NLP – nämlich KI-Sprachmodelle in Transformer-Architektur wie Google BERT oder OpenAI GPT – genutzt, um Limitierungen traditioneller Systeme zur Patentsuche und ‑analyse zu überwinden. Einerseits werden die Sprachmodelle zur (Informations‑)Extraktion des „Kerns“ der Patente in Form verschiedener erfinderischer Konzepte genutzt, um diese zu indexieren und somit gezielt durchsuchbar zu machen. Andererseits werden die Sprachmodelle durch Query Expansion, Dense bzw. Hybrid Retrieval und Question-Answering bzw. Retrieval Augmented Generation (RAG) für das verbesserte und vereinfachte Auffinden relevanter Informationen in Patenten genutzt (Information Retrieval und Question-Answering). Schließlich erfolgen in der dritten und letzten Phase eine Bewertung und Auswahl der zuvor identifizierten Entwicklungsoptionen. Die Technologieprofile des resultierenden Technologieentwicklungspfads können anschließend, beispielsweise durch Entwicklungsprojekte, realisiert werden. Es kann im Rahmen dieser Arbeit gezeigt werden, dass die vorgeschlagene Vorgehensweise zur strategischen Technologieplanung gegenüber bestehenden Methoden Verbesserungen hinsichtlich der Problemanalyse, der Identifikation von Anwendungen und Problemlösungen sowie der Auswahl zu ergreifender Entwicklungsoptionen bietet.