L3S INNOVATION CENTER – Leibniz Universität Hannover

Produktion

Dialog zum Thema KI in Unternehmen

Im Rahmen der Aktivitäten des Mittelstand-Digital Zentrums Hannover bieten wir Ihnen individuelle Firmengespräche an, in denen Sie mit erfahrenen KI-Experten herstellerunabhängig den Einsatz von Künstlicher Intelligenz in Ihrem Unternehmen diskutieren können.

→ Kontakt
Claudia Niederée

Mitarbeit an Arbeitskreisen

Im Rahmen des Projekts IIP-Ecosphere haben KMU die Möglichkeit, an Communities of Practice (Arbeitskreisen) zu KI-Themen wie IIoT-Plattformen, KI-Geschäftsmodellen und Datenaustausch im Kontext der intelligenten Produktion mitzuwirken und die Entwicklungen in den einzelnen Bereichen mitzugestalten. Kontaktieren Sie uns, um nähere Informationen zu den IIP-CoP zu erhalten und sich an den Arbeitskreisen zu beteiligen.

→ Kontakt
Claudia Niederée

Adaptive Wartung von Produktionsanlagen

Die gemeinsame Auswertung der Sensoren einer typischen Werkzeugmaschine oder Produktionsanlage erlauben, den Ausfall von Anlagenkomponenten zuverlässig vorherzusagen. Wor haben gezeigt, dass eine verschleißgetriebene Wartung zu einer deutlichen Erhöhung der Standzeiten vor allem bei komplexen Anlagen führt.

→ Kontakt
Jörn Ostermann

Wissensbasierte Datenvernetzung auf dem Industrie 4.0 Shop-Floor

Der Datenaustausch zwischen cyber-physischen Systemen in Produktionsanlagen erfordert ein gemeinsames Verständnis der ausgetauschten Daten. Mithilfe von Ontologien und angelehnt an die ZVEI/Industrie 4.0 Konzepte RAMI4.0 und Verwaltungsschale können wir mit Ihnen im Rahmen eines Projektes ein wissensbasiertes Datenaustauschszenario zwischen Maschinen, Sensoren, Förderanlagen und Aktoren realisieren.

→ Kontakt
Sören Auer

Datenbewertung für das föderierte Lernen

Die gemeinsame Nutzung von Daten durch föderiertes Lernen ist ein attraktives Modell, da hierbei die Daten gegenüber von anderen Formen des Data Sharing nicht preisgegeben werden müssen. Aus diesem Grund wird das Thema Datenbewertung für diese Form des Lernens weiter untersucht. Beim föderierten Lernen ist es besonders im Produktionsumfeld von großem Interesse einen fairen Wert der bereitgestellten Daten zu ermitteln, um Maschinenbetreiber zur Teilnahme zu motivieren. Grundsätzlich gibt es zur Datenbewertung beim föderierten Lernen zwei verschiedene Ansätze. Beim ersten Ansatz erhalten alle Teilnehmer nach erfolgtem Training, dasselbe Modell als Ergebnis und mittels einer Metrik wird ermittelt wie groß der Beitrag der einzelnen Datensätze dazu war. Zu diesem Zweck wurden bereits verschiedene Metriken vorgeschlagen (z.B. Bewertungsregeln, Peer Prediction, Baysian Truth Serum oder Correlated Agreement). Anschließend schaffen die Teilnehmer entsprechend ihres Beitrages einen monetären Ausgleich. Ein anderer Ansatz ist es eine intrinsische Motivation zu schaffen, nützliche Daten bereitzustellen, indem die Teilnehmer am Ende nicht alle dasselbe Modell erhalten, sondern eines das ihrem individuellen Beitrag entspricht. Die erstellten Modelle sind in der Regel besser als, wenn jeder Teilnehmer unabhängig ein Modell nur auf seinen Daten trainiert hätten. Auf diese Weise, bietet das Föderierte-Lernen allen Teilnehmern einen Vorteil ohne Gefahr zu laufen Wettbewerbsvorteile zu verlieren. Wegen des bereits genannten Mangels an öffentlichen Datensätzen existiert bisher keine Untersuchung welches Verfahren zur Datenbewertung im Produktionsumfeld am besten geeignet ist.

→ Kontakt
Gregory Palmer

Medizin

Effiziente Speicherung von Sequenzierungsdaten

Moderne Diagnostik zieht immer häufiger auch das Genom des Patienten zu Rate. Die bei einer typischen Sequenzierung anfallenden Datenmengen von 1TB/Person müssen effizient übertragen, gespeichert und verarbeitet werden. Mit Hilfe der entwickelten und teilweise durch MPEG-G standardisierten Methoden läßt sich die Datenmenge ohne Einfluss auf die Diagnose um 90% reduzieren. Manuelle und automatische Anotationen werden effizient mit dem Genom verbunden und auch visualisiert.

→ Kontakt
Jörn Ostermann

Pipeline für medizinische Wissensgraphen

Wir erarbeiten für Sie eine Plattform für die Integration von klinischen Daten, wissenschaftlichen Publikationen und Datenbanken in einen Wissensgraph, welcher Methoden zur Wissensextraktion, semantischen Datenintegration sowie zur Analyse und Vorhersage umfasst. Der Ansatz implementiert ein Datenintegrationssystem, das aus einem vereinheitlichten Schema und Datenquellen sowie Mappings zwischen diesen besteht. Zur Spezifikation der Mappings (z.B. RDF Mapping Language-RML), der Integritätsbeschränkungen (z.B. SHACL) und der Abfragen über den Wissensgraphen (z.B. SPARQL) werden W3C-Standards verwendet.

→ Kontakt
Maria-Esther Vidal

Mobilität

Coming soon!

Durch unsere kontinuierliche Forschungsarbeit entwickeln wir regelmäßig neue KI-Lösungsansätze für verschiedene Branchen. Demnächst stellen wir Ihnen hier speziell auf die Mobilität-Branche zugeschnittene Beratungs- und Projektthemen vor.

Branchenunabhängige KI-Lösungen und Projektideen für eine gemeinsame Lösungserarbeitung in Ihrem Unternehmen finden Sie hier (hier Link zu „Lösungen für …“ einfügen). Bei Fragen nutzen Sie gern unser Kontaktformular (hier Link zum Kontaktformular einfügen).

Bildung

Coming soon!

Durch unsere kontinuierliche Forschungsarbeit entwickeln wir regelmäßig neue KI-Lösungsansätze für verschiedene Branchen. Demnächst stellen wir Ihnen hier speziell auf die Bildung-Branche zugeschnittene Beratungs- und Projektthemen vor.

Branchenunabhängige KI-Lösungen und Projektideen für eine gemeinsame Lösungserarbeitung in Ihrem Unternehmen finden Sie hier (hier Link zu „Lösungen für …“ einfügen). Bei Fragen nutzen Sie gern unser Kontaktformular (hier Link zum Kontaktformular einfügen).

Individuelle Beratung

Branche nicht gefunden?

Kein Problem, viele unserer Technologien sind über ein breites Spektrum an Branchen und Bereichen hinweg anwendbar. Gern beraten wir Sie zu Ihrer individuellen Fragestellung oder zu dem geeigneten Lösungsweg für Ihre Branche. Nehmen Sie hier Kontakt zu uns auf.