Bitte verwenden Sie diesen Link, um diese Publikation zu zitieren, oder auf sie als Internetquelle zu verweisen: https://hdl.handle.net/10419/330881 
Erscheinungsjahr: 
2025
Quellenangabe: 
[Journal:] Zeitschrift für Arbeitswissenschaft [ISSN:] 2366-4681 [Volume:] 79 [Issue:] 3 [Publisher:] Springer [Place:] Berlin, Heidelberg [Year:] 2025 [Pages:] 451-459
Verlag: 
Springer, Berlin, Heidelberg
Zusammenfassung: 
Der Artikel untersucht, wie Künstliche Intelligenz (KI) die Gefährdungsbeurteilung im betrieblichen Arbeitsschutz verbessern kann. Trotz ihrer gesetzlichen Verpflichtung weisen viele Unternehmen, insbesondere kleine und mittlere, Defizite bei der Durchführung auf. Um diese Lücke zu schließen, werden zwei KI-gestützte Ansätze vorgestellt: Zum einen können mittels großer Sprachmodelle (LLMs) und der Retrieval-Augmented Generation (RAG)-Methode Systeme unstrukturierte Textdokumente (Gesetze, Unfallberichte) analysieren. Sie identifizieren relevante Gefahren und schlagen Maßnahmen vor, basierend auf vertrauenswürdigen, unternehmensspezifischen Daten. Dieser Ansatz reduziert "Halluzinationen" der KI und erhöht die Nachvollziehbarkeit. Zum anderen können günstige Sensoren kontinuierlich Umweltdaten wie Temperatur oder Luftqualität überwachen. Durch Anomalieerkennung mittels neuronaler Netze (Autoencoder) kann die KI subtile Abweichungen vom Normalzustand erkennen, die bei sporadischen Kontrollen oft übersehen werden. Die Autoren leiteten in Interviews und Workshops 17 spezifische Anforderungen an solche Systeme ab, die Transparenz, Nachvollziehbarkeit und die menschliche Entscheidungshoheit (Human-in-the-Loop-Prinzip) betonen. KI wird dabei als "Co-Pilot" verstanden, der Experten unterstützt, nicht ersetzt. Die finale Verantwortung verbleibt beim Menschen. Die sichere und vertrauenswürdige Integration von KI erfordert daher Erklärbarkeit und eine sorgfältige Gestaltung.
Zusammenfassung (übersetzt): 
The article examines how Artificial Intelligence (AI) can improve risk assessment in occupational safety. Despite being a legal obligation, many companies, especially small and medium-sized ones, show deficiencies in their implementation. To address this gap, two AI-supported approaches are presented: First, using large language models (LLMs) and the Retrieval-Augmented Generation (RAG) method, systems can analyze unstructured text documents (laws, accident reports). They identify relevant hazards and suggest measures based on trusted, company-specific data. This approach reduces AI "hallucinations" and increases traceability. Second, inexpensive sensors can continuously monitor environmental data such as temperature or air quality. Through anomaly detection using neural networks (autoencoders), the AI can recognize subtle deviations from the normal state that are often overlooked during sporadic checks. Based on interviews and workshops, the authors derived 17 specific requirements for such systems, emphasizing transparency, traceability, and human decision-making authority (the human-in-the-loop principle). AI is understood as a "co-pilot" that supports experts, not replaces them. The final responsibility remains with the human. Therefore, the safe and trustworthy integration of AI requires explainability and careful design.
Schlagwörter: 
Künstliche Intelligenz
Gefährdungsbeurteilung
Natural Language Processing
Sensordatenverarbeitung
Anomalieerkennung
Artificial intelligence
Risk assessment
Sensor data processing
Anomaly detection
Persistent Identifier der Erstveröffentlichung: 
Creative-Commons-Lizenz: 
cc-by Logo
Dokumentart: 
Article
Dokumentversion: 
Published Version

Datei(en):
Datei
Größe





Publikationen in EconStor sind urheberrechtlich geschützt.