Um im globalen Wettbewerb zu bestehen, müssen produzierende Unternehmen ihre Produkte, Materialien und Rezepturen immer schneller entwickeln und optimieren. Mit traditionellen Versuchsplanungsverfahren, im Englischen »Design of Experiments« abgekürzt DoE, ist es oftmals schwierig, die rasante Geschwindigkeit unter Einhaltung höchster Qualitätsstandards und optimalem Ressourceneinsatz zu gewährleisten.

Zur Entwicklung neuer Rezepturen und Materialien sind Versuche unerlässlich, deren Parameter häufig eine Vielzahl von Kombinationsmöglichkeiten erlauben. Ein Ausprobieren dieser Möglichkeiten ist mit einem hohen Aufwand an Personal- und Materialressourcen verbunden und daher zeit- und kostenintensiv.

Wir haben eine auf Künstlicher Intelligenz basierte DoE-Methodik entwickelt, die Versuchsplanungen und den Einsatz von Ressourcen optimiert und somit Zeit und Kosten spart. Mit unserer DoE-Methodik helfen wir Ihnen, schneller, zuverlässiger und effizienter als mit den herkömmlichen Methoden ans Ziel zu kommen.

Je nach Ausgangssituation können mit der KI-basierten Technologie bis zu 50 Prozent der Versuche im Vergleich zur »klassischen« Versuchsplanung eingespart werden. Zudem können bisher als zu komplex erachtete Problemstellungen anhand von KI-basierten Verfahren gelöst werden. Basierend auf Bayesscher Optimierung erzeugt unsere DoE-Methodik iterative Versuchspläne, die Sie schnellstmöglich zum Ziel führen.

Die von uns entwickelte Technologie basiert auf unserer Forschung zu hybriden Verfahren, die Maschinelles Lernens mit dem Wissen von Expert*innen kombinieren. Auf diese Weise unterstützen wir Sie auch dabei, in Ihrem Unternehmen vorhandenes Wissen langfristig zu verankern und optimal zu nutzen.

Ziel der Vernetzung von Maschinen und Bauteilen im Rahmen der Industrie 4.0 ist vor allem die Überwachung und Vorhersage von Maschinenverhalten. Dadurch können ungeplanter Stillstand vermieden und die Effizienz der Produktion gesteigert werden. Grundlage hierfür ist die effiziente Kommunikation von Maschinen untereinander und in die Cloud. In vielen Unternehmen ist die Umsetzung dieser Datenkommunikation noch im Anfangsstadium, bei Achenbach Buschhütten ist sie bereits im Tagesgeschäft fest integriert. Achenbach Buschhütten ist ein eigentümergeführtes Familienunternehmen mit über 500 Jahren Tradition und 125 Jahren Erfahrung im Bereich Walzwerkanlagen. Mit ihrer eigenen cloudbasierten Plattform Achenbach OPTILINK® sind sie Vorreiter in der Vernetzung von Industrieanlagen und ein idealer Forschungspartner für das ML2R.

Stehen Maschinendaten durch die Vernetzung in großen Mengen zur Verfügung, sollen diese gewinnbringend analysiert werden. Eine Herausforderung besteht darin, dass die großen Datenmengen kaum zeitnah gespeichert und analysiert werden können. Zudem zeigt sich, dass eine gewinnbringende Analyse immer in enger Zusammenarbeit mit den Betriebsingenieur*innen erfolgen muss.

Data Summaries bieten hier einen idealen Ansatz, um Datenmengen zu reduzieren und für die Nutzer*innen, wie etwa die Betriebsingenieur*innen, verständlich aufzubereiten. Eine Data Summary ist ein kleiner, wohlgewählter Ausschnitt aus den Gesamtdaten, der möglichst viele Informationen und Besonderheiten der Daten abbildet. Formal können Zusammenfassungen mit Hilfe von submodularen Funktionen, wie z.B. der »Informative Vector Machine«, ausgedrückt werden. Submodulare Funktionen bieten ein theoretisch fundiertes Framework zur Analyse von Data-Summarization-Verfahren und formalisieren gleichzeitig den Begriff der Zusammenfassung mathematisch exakt. Damit lassen sich dann kleine und ausdrucksstarke Summaries in linearer Zeit selektieren. Zum anderen lässt sich die Güte des Summaries und des Selektionsverfahrens objektivieren und mit den subjektiven Eindrücken der Betriebsingenieur*innen vergleichen.

An der TU Dortmund wurden bereits Techniken zur Summarization von Daten aus der Astrophysik erstellt, die es Physiker*innen ermöglichen, einen schnellen Überblick über große Messreihen zu gewinnen. Diese Techniken wurden im ML2R in Kooperation mit Achenbach Buschhütten weiterentwickelt und für den Einsatz auf Sensordaten aus Walzwerkanlagen angepasst, die als Zeitreihen vorliegen. Die weitere Forschung an Techniken zur Datenzusammenfassung ist Bestandteil der Zusammenarbeit von Achenbach Buschhütten und ML2R.

Jedes Jahr werden tausende Unternehmensberichte, wie beispielsweise Börsenprospekte und Jahresabschlussberichte, veröffentlicht. Diesen Berichten liegen unterschiedliche gesetzliche Vorschriften zugrunde. Die darin enthaltenen Finanzkennzahlen liegen in unstrukturierter Form vor, sind komplex und können unterschiedlich definiert sein. Daher ist die manuelle Informationsrecherche für Benchmarking und Marktanalysen auf Basis von Unternehmensberichten sehr aufwendig und zeitintensiv.

Insight Financials ist ein intelligentes, KI-basiertes, branchen- sowie unternehmensübergreifendes Werkzeug, das Analysten, Beratern, Unternehmensstrategen und Inverstoren die Arbeit erleichtert. Unser auf Methoden der Künstlichen Intelligenz und des Maschinellen Lernens basierendes Werkzeug ermöglicht es, Finanzberichte tausender Unternehmen mittels autonomer Webcrawler automatisiert zu sichten.

Alle für Sie als Nutzer essentiellen Informationen werden extrahiert und in Echtzeit in einer intuitiven Webanwendung bereitgestellt. Das Werkzeug bietet eine granulare Suche, diverse Filtermöglichkeiten und ein Benchmarking-Tool. Das Tool ist auch in der Lage, basierend auf den extrahierten, temporären Daten, Ausreißer zu erkennen und Vorhersagen zu treffen. Damit können Sie einen direkten Vergleich zwischen Wettbewerbern durchführen, der sowohl für das Management eines Unternehmens als auch für Wirtschaftsprüfer und Investoren interessant ist.

Die auf neuronalen Netzen basierte Analyse, das sogenannte Parsing, der automatisch heruntergeladenen Unternehmensberichte wurde von Forscher*innen des Kompetenzzentrums ML2R entwickelt. Darüber hinaus setzt das ML2R auf ressourcenschonende ML-Technologien: Die Sprach- und Extraktionsmodelle zur automatischen Extraktion der Finanzkennzahlen benötigen keine spezielle, kostenintensive Infrastruktur.

Damit Krankenhäuser ihre Leistungen, die bei der Behandlung von Patient*innen anfallen, bei den Krankenkassen abrechnen können, müssen diese kodiert werden. Für die Erlössicherung der Kliniken ist dieser Prozess essenziell – er ist jedoch personalintensiv, zeitaufwendig und mitunter fehleranfällig.

Gemeinsam mit der GSG Consulting GmbH hat das Fraunhofer IAIS unter Beteiligung von ML2R-Wissenschaftler*innen die KI-gestützte Software RICO entwickelt, die das Krankenhauspersonal im Kodierungsprozess unterstützt. RICO steht für »RightCoding« und hilft dem Krankenhaus-Team dabei, bei der Rechnungsstellung keine Leistung zu vergessen und überprüft, ob alle relevanten Nachweise vorhanden sind. Falls Belege fehlen, sucht die Software automatisch in den Krankenakten.

Die auf Künstlicher Intelligenz basierende Kodierungsunterstützungssoftware RICO vereinfacht den Kodierungs- und Abrechnungsprozess erheblich und setzt diesen so um, dass er Prüfungen des Medizinischen Dienstes standhält. RICO wurde mit höchsten Datenschutz-Standards entwickelt, ist ohne zusätzlichen Aufwand sofort betriebsbereit und befindet sich bereits in mehreren Krankenhäusern im Einsatz.

Das ML2R erforscht hybride Verfahren, die Fachwissen mit Maschinellem Lernen verbinden. Dabei geht es beispielsweise um die Verknüpfung von kontextuellem Textverständnis mit medizinischem Wissen in Form von Regelwerken wie Behandlungs- und Krankheitscodes oder dem deutschen Arzneimittelverzeichnis »Rote Liste«. Die Software RICO zur KI-basierten Automatisierung von Abrechnungsprozessen im Krankenhaus ist ein Ergebnis dieser Forschung.

Die Erforschung vertrauenswürdiger, hybrider und ressourcenbewusster Lernverfahren erfordert Anwendungen, welche entsprechende Anforderungen an maschinelle Lernverfahren stellen. Die Astrophysik umfasst gleich mehrere solcher Anwendungen und verwendet dabei komplexe und hochvoluminöse Datenströme. Im Kontext von ML2R wird sie damit zum Datenprovider, welcher Grundlagenforschung und Weiterbildung unterstützt.

Die Teleskope, deren Daten wir beziehen, nutzen die Erdatmosphäre zur Detektion hochenergetischer Teilchen aus dem Kosmos. Dabei registrieren spezielle Teleskopkameras die atmosphärischen Wechselwirkungen dieser Teilchen bildlich. Erst mit Maschinellem Lernen auf Basis simulierter Daten gelingt der Rückschluss von den bildlichen Beobachtungen hin zu den relevanten physikalischen Eigenschaften der kosmischen Teilchen. Astrophysiker*innen sind an ebendiesen Eigenschaften interessiert, um unser Universum besser verstehen zu lernen.

Wie auch in anderen Anwendungsfällen ist es bei der Analyse astrophysikalischer Daten essenziell, dass die Vorhersagen der maschinellen Lernmodelle vertrauenswürdig sind; andernfalls ließen die Analyseergebnisse keinen Rückschluss auf die tatsächlichen Zusammenhänge zu, die in den Daten abgebildet sind. Auch der Einbezug von Hintergrundwissen überschneidet sich mit den Anforderungen anderer Anwendungsfälle: Hybrides Lernen füttert Lernverfahren mit Wissen, welches andernfalls nicht aus den Daten erschließbar wäre. Die Berücksichtigung von Rechenressourcen ist aufgrund eines Datenvolumens von bis zu 100 Terrabyte pro Nacht unabdingbar; der Stromverbrauch durch Simulation und Analyse stellt bislang einen erheblichen Kostenfaktor im Betrieb astrophysikalischer Teleskope dar.

Die Grundlagenforschung im ML2R profitiert von diesen vielfältigen Herausforderungen, weil sie innovative Lösungen für Probleme motivieren, welche auch in anderen Anwendungsfeldern immer wieder vorkommen. Zudem können wir einen nennenswerten Teil der astrophysikalischen Daten nutzen, um Akteur*innen aus Wirtschaftsunternehmen im Umgang mit diesen Anforderungen zu schulen. Nicht zuletzt profitieren auch unsere langjährigen Kollaborationspartner aus der Physik von unserem Beitrag zum State of the Art im Maschinellen Lernen.

Im Rahmen der Kooperation mit der ARD unter Federführung des Westdeutschen Rundfunks haben Wissenschaftler*innen des ML2R und des Fraunhofer IAIS ein selbstlernendes Spracherkennungssystem entwickelt. Eine besondere Herausforderung in der Kooperation mit der ARD bestand darin, dass mit den Dritten Programmen wie WDR, NDR, HR oder SWR alle Akzente und Dialekte des Deutschen mit abgedeckt werden müssen. Auch Neologismen und Lehnwörter aus anderen Sprachen wie beispielsweise „downloaden“ oder „Fun Fact“ spielen eine immer größere Rolle.

Bei der Lösung dieser Aufgabe war insbesondere die ML2R-Forschung im Bereich des hybriden Lernens von hoher Relevanz. So wurden bereits transkribierte Audiodaten, aber auch Aussprachelexika und Textdaten aus dem Internet für das kontinuierliche Lernen verwendet. Durch Kombination verschiedenster Wissensquellen im Rahmen des hybriden Maschinellen Lernens konnte eine wesentliche Verbesserung der Erkennungsleistung erreicht werden.

In den Videointerviews der Zeitzeugen werden computergestützt unter anderem die folgenden Aspekte analysiert: das gesprochene Wort und das entsprechende Transkript sowie Stimmlage, Sprechgeschwindigkeit und Mimik des Sprechers oder der Sprecherin. Die intelligente Videoanalyse nutzt dafür insbesondere Technologien der Sprach-, Bild- und Texterkennung. Zunächst laufen diese Analyseprozesse getrennt ab, am Ende sollen sie jedoch miteinander kombiniert werden, denn nicht immer kann die KI eine Emotion auf Basis von nur einer der genannten Modalitäten eindeutig erkennen.

Die Herausforderung dieses Projekts im Bereich Digital Humanities (digitale Geisteswissenschaften) liegt darin, dass für den Anwendungsfall nur eine geringe Menge an Trainingsdaten zur Verfügung stehen, mit denen moderne Verfahren wie Deep Learning nur unzureichend trainierbar sind. Daher kommen mit dem Ansatz des hybriden Lernens und insbesondere des Transferlernens Methoden zum Einsatz, um aus anderen Datensätzen, die nicht direkt aus dem Bereich der Digital Humanities stammen, Wissen zu generieren und dieses auf den Anwendungsfall zu transferieren. Hierzu wird insbesondere im Bereich der multilingualen Embeddings und des Multitask-Lernens geforscht.

Flexible und resiliente Logistikprozesse sind entscheidende Erfolgsfaktoren für viele Unternehmen. Eine zentrale Rolle spielen dabei Lager, in denen Waren mithilfe autonomer Roboter eingelagert und für den Weitertransport vorbereitet werden. Damit autonome Roboter zum Einsatz kommen können, müssen diese sich in einem dynamischen Umfeld zurechtfinden und navigieren. Eine wichtige Voraussetzung für die Navigation ist die globale Lokalisierung, also die möglichst genaue Bestimmung der jeweiligen Position auch in größeren Hallen mit wenig Orientierungspunkten.

Wissenschaftler*innen des ML2R setzen zur Lösung dieser Intralogistikaufgaben spezialisierte KI-Anwendungen und eine neue Generation autonomer Roboter ein. Diese auch als LoadRunner bezeichneten autonom fahrenden Roboter können kleinere Warenpakete transportieren, sind mit einem in alle Richtungen beweglichen Fahrwerk ausgestattet und erreichen eine Höchstgeschwindigkeit von 100 km/h. Zudem können die einzelnen LoadRunner autonom in einem Schwarm agieren. Aufgrund der hohen Geschwindigkeit und der Dynamik sind herkömmliche Sensoren zur Lokalisierung der LoadRunner ungeeignet.

Im Rahmen der Forschung am ML2R wurde daher ein auf Maschinellem Lernen basierendes Verfahren zur Positionsbestimmung innerhalb einer Halle entwickelt. Die LoadRunner sind mit einer Bodenkamera ausgestattet, die es ermöglicht, bis zu 400-mal in der Sekunde die globale Position und Orientierung des Roboters auf wenige Zentimeter exakt zu bestimmen. Die KI-Lösung verarbeitet die Kameraaufnahmen dafür so, dass jedem Bild eine Position im Raum zugeordnet und die Ausrichtung bestimmt wird.

Für die ML2R-Forschungsarbeiten wurde in der Halle ein spezieller Bodenbelag verlegt, der farbige Flecken aufweist. Die Kamera des LoadRunners extrahiert aus den Aufnahmen des Bodens alle relevanten Informationen und nutzt die Farbflecke als wiedererkennbare Merkmale, die auch als Keypoints bezeichnet werden. Im nächsten Schritt wird aus den Keypoints ein Fingerabdruck, also eine möglichst einzigartige Kennung, erzeugt.

Ein Schlüsselelement der KI-Lösung ist ein von ML2R-Wissenschaftler*innen entwickelter Autoencoder, der es ermöglicht, die Fingerabdrücke effizient und eindeutig in einer Datenbank zu finden. Die Ergebnisse aus unseren Forschungen zum ressourcenbewussten Maschinellen Lernen haben es zudem ermöglicht, die ML-Verfahren auf den beschränkten Hardwareressourcen des Roboters in Echtzeit auszuführen. Auf diese Weise ist es uns gelungen, die Position des LoadRunners auch bei hohen Geschwindigkeiten mit großer Genauigkeit zu bestimmen. Damit wurde der Grundstein für den Einsatz einer neuen Generation autonomer Roboter in der Logistik gelegt.

Weitere Erklärungen zur Lokalisierung autonomer Roboter mittels Bodenkamera finden Sie auch in unserem ML2R-Blogbeitrag zum Maschinellen Lernen.