Ziel des Gesamtprojekts RAKI ist die erstmalige Kombination von induktivem logischem Programmieren (ILP) und Reinforcement Learning (RL), um skalierbare nachvollziehbare ML-Verfahren mit „humans in the loop” zu entwickeln. Im Fokus des Projekts steht die skalierbare KI-getriebene Optimierung der Konfiguration Und des Betriebs von Industrieanlagen sowie der notwendigen Produktionslogistik. Die Ziele von AI4BD mit diesem Teilvorhaben sind im Allgemeinen:

  • Der Wissensaufbau rund um die erklärbaren ILP-Technologien im Kontrast. Zu bereits bei AI4BD eingesetzten nicht oder kaum erklärbaren Technologien, wie Gradient Boosting oder Deep Learning;
  • Konzeption und prototypische Entwicklung eines grundsätzlichen Vorgehens für die gezielte Aufbereitung von Daten für ILP; und
  • Prüfung der Machbar- und Skalierbarkeit der Kombination beider Technologiewelten ILP und RL anhand von 2 realen Anwendungsfällen.

Kann durch das Gesamtprojekt bzw. auch die Aufgaben des Teilvorhabens die Machbarkeit nachgewiesen werden, ergibt sich für AI4BD ein bedeutender Wettbewerbsvorteil auf dem umkämpften KI-Markt. Aktuell sind national und international keine Anbieter bekannt, die ILP produktiv einsetzen, um erklärbare und nachvollziehbare Ergebnisse vorweisen können. Gerade die Verwendung von semantisch modellierten Domänenwissen (Knowledge Graphs) in Kombination periodisch erzeugten Messdaten ist domänenübergreifend vielversprechend. Auch sieht AI4BD einen Wettbewerbsvorteil durch die mögliche Datensparsamkeit des Ansatzes. Durch die semantische Definition von Domänenwissen durch Extraktion aus Bestandsdaten sowie durch Unterstützung von Experten (Human in the Loop)werden weniger Daten benötigt, was vor allem KMUs bzw. datenarmen Anwendungsgebieten zu Gute kommt. AI4BD plant künftig den Einsatz der RAKI-Technologien in seiner Cognitive Business Robotics (CBR) Plattform, die insbesondere KMUs den effizienten Einsatz von KI ermöglicht, ohne selbst Wissen zu diesen Themen aufbauen zu müssen. Dabei ist der Einsatz unabhängig von Branchen und richtet sich stets an wiederverwendbaren Use Cases, sogenannten Wissensclustern, aus. Aktuelle Kunden stammen u.a. aus den Branchen Maschinen- und Anlagenbau, Handel oder Immobilienwirtschaft. Mehr über das Projekt: Twitter und Raki-projekt.de.

Es gibt immer mehr Daten über Verkehr, Straßen und Mobilität. Von Echtzeit-Verkehrssensoren und CCTV-Streams bis hin zu Social Media-Posts und Crowdsourced Maps könnte dieser Reichtum an Big Data-Ressourcen die Verkehrssicherheit erheblich verbessern, zur Reduzierung der CO2-Emissionen beitragen, Pendelwege und Lieferungen verkürzen und letztlich die Lebensqualität in jeder europäischen Stadt verbessern.

Unsere Mission bei QROWD ist es, eine soziotechnische Plattform für Kommunen, Dienstleister und Bürger zu schaffen, um all dies zu ermöglichen. Die Plattform wird mehrere Big Data Sets sammeln, kuratieren und analysieren, wobei eine Kombination aus Linked Data und Crowdsourcing-Techniken verwendet wird. Es wird eine Reihe von Kernfunktionen bieten, die die Entscheidungsfindung unterstützen und die partizipative Gestaltung neuartiger ortsbezogener Anwendungen und Verkehrspolitiken ermöglichen. 

QROWD ist ein EU-H2020-Projekt (Grant Agreement No. 732194), das im Dezember 2016 begann. Die Laufzeit beträgt 36 Monate. Mehr über das Projekt unter: http://qrowd-project.eu/

Gemeinsam mit unseren Partnern gehen wir das Problem der Big Data und Analytik an. Die Semantische Analyse Komplexer Ereignisse (SAKE) befasst sich mit der Notwendigkeit, große Mengen an Datenströmen zu verarbeiten, in RDF zu konvertieren, ähnliche Objekte zu verknüpfen und in einem hochskalierbaren RDF-Speicher zu speichern, um prädiktive Analysen durchführen zu können. Mehr über das Projekt unter: http://sake.iais.fraunhofer.de

Das EU-Projekt GeoKnow (2013-2015) hat mit dem GeoKnow Generator einen Beitrag geleistet, der ein Paket von Tools zur Bereitstellung von Geodaten im Web of Data ist. Diese Software-Tools sind im Debian-Repository des Linked Data Stack verfügbar. Zusammen mit diesen Tools hat das GeoKnow-Team die Generator Workbench entwickelt, die eine einheitliche Schnittstelle für die Nutzung dieser Tools darstellt. Diese Workbench bietet mehrere unternehmenstaugliche Funktionen wie Authentifizierung und Datenzugriffsberechtigung.

LEDS ist ein vom BMBF im Rahmen des Innovationsrahmens “Unternehmen Region” gefördertes deutsches Forschungsprojekt, das sich auf die Entwicklung einer neuen Generation von semantischen, datengesteuerten Anwendungen auf Basis des Linked Data-Paradigmas konzentriert. Das LEDS-Konsortium wird eine hochmoderne Datenintegrationsplattform entwickeln, die auf dem Linked Data-Paradigma basiert. Es wird die Konvertierung unstrukturierter, strukturierter und teilstrukturierter Daten in RDF ermöglichen. Mehr über das Projekt unter: http://www.leds-projekt.de/

Linked-Data-basierte Kriminalanalyse (Linked Data based crime analysis). Vom BMBF gefördertes Projekt. AI4BD der Nachfolger von ONTOS ist ein Subunternehmer von Fraunhofer. 

Das Web führt nicht nur zu neuen Formen der Kriminalität, sondern ermöglicht auch neue Technologien zur Verbrechensaufklärung. Verdächtige hinterlassen Spuren im Internet, Gegenstände werden im Internet verkauft und gekauft, und eine Fülle von öffentlich zugänglichen Daten über Organisationen und Orte sind im Internet verfügbar. LiDaKrA verfolgt einen ganzheitlichen Ansatz zur Extraktion, Vernetzung und Verschmelzung kriminalitätsrelevanter Informationen aus öffentlichen und privaten Quellen wie: dem Web im Allgemeinen, dem Social Web (Social Networks, Blogs oder Wikis), Deep Web (eCommerce-Datenbanken wie ebay oder Amazon Marketplace), Dark Web (Informationen aus dem Tor-Netzwerk), Data Web (offene Daten wie DBpedia oder GeoNames). Die technischen Komponenten werden in einer integrierten Plattform implementiert und in konkreten Anwendungsfällen mit mehreren Interessengruppen der Kriminalpolizei bewertet.