RAKI – Rapide Erklärbare Künstliche Intelligenz für Industrieanlagen

 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. RAKI wird gefördert durch das Bundesministerium für Wirtschaft und Energie und ist Teil des Technologieprogramm Smarte Datenwirtschaft. Mehr Informationen unter: RAKI. [Förderkennzeichen: 01MD19012A]

FabOS – Offenes, verteiltes, echtzeitfähiges und sicheres Betriebssystem für die Produktion

Ziel des Projekts “FabOS“ ist es, ein offenes und verteiltes, sowie echtzeitfähiges und sicheres Betriebssystem für die Produktion zu entwickeln, das den IT-Backbone für die wandlungsfähige Automatisierung der Fabrik der Zukunft und die Grundlage eines Ökosystems für datengetriebene Dienste und KI-Anwendungen bildet. Hybride Cloud-Plattformen und IIoT-Anwendungen sind Kernelemente Cyber-physischer Architekturen und werden die Basis der zukünftigen Produktions-Lösungen bilden. FabOS bildet hierbei eine Plattform, die nach Vorbild eines Betriebssystems Komponenten bereitstellt, die Maschinen, Infrastruktur und Dienste verknüpft, wie es ein Betriebssystem mit Benutzerprogrammen und der Hardware in Form einer Abstraktionsschicht tut. Eine Reduzierung von IT-Kosten und Kapselung der IT-Komplexität zur Erhöhung der Usability führt zur Verringerung der Automatisierungskosten. FabOS unterstützt die Wandelbarkeit der Systeme und Infrastruktur in der Produktion vom Sensor über die Maschine bis zur kompletten Fabrik ohne Systemgrenzen. Ein einheitliches Lifecycle-Management aller IT-Ressourcen, Produktionsmittel und der technischen Gebäudeausstattung sowie Infrastruktur gehört ebenso dazu wie die Schaffung einer durchgängigen Infrastruktur für echtzeitfähige domänenübergreifende Wertschöpfungsnetzwerke für die KI-gestützte autonome Produktion der Zukunft.

Hierzu wird eine flexible und erweiterbare Architektur für zukünftige Anforderungen von kognitiven Diensten, Echtzeitanwendungen und Datenmarktplätzen geschaffen, die durchgängige Lösungen von der Cloud, über die Edge, bis auf den Shopfloor in die Maschine für Echtzeitanwendungen ermöglicht. Dies ist die Voraussetzung für ein Deployment von echtzeitfähigen, intelligenten Regelkreisen auf beliebiger Ebene: Feld, Fabrik, Unternehmen, Wertschöpfungsnetzwerk.

Das Forschungsprojekt “FabOS” wird gefördert im Rahmen des Innovationswettbewerbs „Künstliche Intelligenz als Treiber für volkswirtschaftlich relevante Ökosysteme“ des Bundesministeriums für Wirtschaft und Energie (BMWi). [Förderkennzeichen: 01MK20010G]

Mehr Informationen unter: FabOS.

DAIKIRI – Diagnostische KI für industrielle Daten

 

 Der Maschinen- und Anlagenbau ist eine der wichtigsten Industrien Deutschlands. Die intelligente Verarbeitung der dort anfallenden Maschinendaten ist für die zukünftige Wettbewerbsfähigkeit erfolgskritisch. Problemstellung des Projektes ist, dass viele KI-Verfahren auf intransparenten Black-Box-Ansätzen basieren. Damit ist das Zustandekommen eines Ergebnisses nicht nachvollziehbar. Das Nachvollziehen von Ergebnissen ist aber gerade für den Maschinenbau notwendig, da auf diesen Ergebnissen kostenintensive oder sicherheitsrelevante Entscheidungen basieren können. DAIKIRI wird daher KI-Verfahren entwickeln, die selbsterklärend sind und Ergebnisse von KI automatisch verbalisieren und damit transparent machen. Anwendern soll dadurch das Zustandekommen von Ergebnissen nachvollziehbar gemacht. Darauf basierende Entscheidungen können somit vertrauensvoll getroffen werden. Das Projekt DAIKIRI zielt auf die erstmalige Entwicklung und Verwendung von automatischen Verfahren für die Semantifizierung von industriellen Daten und die datengetriebene Diagnose von Industrieanlagen ab. Mit Hilfe dieser Verfahren sollen diagnostische selbsterklärende Smart-Services für Industriedaten entwickelt und mit Daten aus realen Anwendungsfällen evaluiert werden. Die USU Software AG führt das Konsortium an und wird neben AI4BD von pmOne AG und der Universität Paderborn unterstützt. DAIKIRI wird gefördert durch das Bundesministerium für Bildung und Forschung. DAIKIRI wird gefördert durch das Bundesministerium für Bildung und Forschung. [Förderkennzeichen: 01IS19085C]

Mehr Informationen unter: DAIKIRI

 

PANDIA – Plattform zur Analyse von Datennutzungsbedingungen interaktiver Assistenzsysteme

 

Ziel des Projekts PANDIA ist die Entwicklung einer Plattform, die Verbrauchern und Unternehmen der Gesundheitswirtschaft im Rahmen der Nutzung von interaktiven Assistenzsystemen die Möglichkeit gibt, automatisiert die Datennutzungsbedingungen überprüfen zu lassen und so zu erfahren, welche Daten von wem in welcher Weise an welchem Ort gespeichert, übertragen oder verarbeitet werden. Im Zentrum der Untersuchung stehen die sog. Datennutzungsbedingungen, die im Rahmen von Allgemeinen Geschäftsbedingungen den Nutzern zur Verfügung gestellt und vor Installation einer Software bestätigt werden müssen. Dort ist das Sammeln, Speichern, Verwenden und evtl. die Weitergabe der Nutzerdaten geregelt. Diese Datennutzungsbedingungen begegnen Nutzern bei jeder digitalen Anwendung. Insbesondere im Rahmen der Nutzung von interaktiven Assistenzsystemen spielt die Erfassung, Nutzung und Weitergabe von personenbezogenen, teilweise sensiblen (Gesundheits-) Daten eine zentrale Rolle. Diese Daten gelten als besonders schützenswert, dennoch ist Nutzern oft nicht transparent oder nur ansatzweise bekannt, wie mit ihren Daten verfahren wird. PANDIA wird gefördert durch das Bundesministerium für Bildung und Forschung.  [Förderkennzeichen: 16SV8396]

 

Cognitive Community – Automatisierung formularbasierter Verwaltungsprozesse und Handschrifterkennung mit Hilfe von Künstlicher Intelligenz

Verwaltungsprozesse im öffentlichen Dienst werden mit Hilfe von ERP-Systemen, Finanzbuchhaltungssystemen, 
Dokumentenmanagementsystemen und vielen weiteren Systemen abgewickelt. Dabei stellen oftmals isolierte
Datentöpfe, unübersichtliche Schnittstellen und manuelle Verwaltungsprozesse ein Hemmnis dar. Es fehlt an einer
übergreifenden kognitiven Verwaltungsprozess-Steuerung mit kognitiven Wissensclustern. 
Ziel des Projekts “Cognitive Community” ist die Analyse von Möglichkeiten der  Automatisierung von kommunalen 
Ablaufprozessen in Bezug auf unterschiedlichste Dokumente und Formulare. Dabei sollen Coworker (Digitale Mitarbeiter) Dokumente lesen, interpretieren, verarbeiten und in vorhandene Systeme integrieren.  Dazu benötigt es spezieller  kommunaler (kognitiver) Wissenscluster, die das Wissen des adressierten Gemeindeprozesses automatisieren, vor allem bei repetitiven kommunalen Prozessen. Unterkirnach wird  innerhalb diesen Projekts 20 kommunale Ablaufprozesse mit Hilfe von KI automatisieren.
AI4BD ist mit diesem Projekt Gewinner der Initiative „Gemeinden, Städte und Landkreise 4.0 – Future Communities 2019“ im Förderschwerpunkt KI in Baden-Württemberg.

Erfolgreich abgeschlossene Forschungsprojekte:

QROWD

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/

SAKE – Semantische Analyse Komplexer Ereignisse

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

GeoKnow

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 – Linked Enterprise Data Services

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-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.