| ADAPTIV |
Durch KI-gestützte Adaptivität zu einem sicheren Miteinander auf gemischten Verkehrsflächen Kurzfassung: Das Projekt adressiert das Thema „Mobilität in urbanen Räumen“. Dortige Verkehrsflächen sind ein begrenztes und deshalb begehrtes Gut. Die Grundidee liegt darin, bei elektrisch angetriebenen Fahrrädern (e-Bike, Pedelec) oder kleinen Elektroleichtfahrzeugen (LEV, Light Electric Vehicle) über eine Umgebungserkennung und einen Eingriff in den Fahrzeugantrieb so in die Fahrt einzugreifen, dass deren Benutzer zu dem angestrebten sicheren, rücksichtsvollen und akzeptierten Fahrverhalten geleitet werden. Das führt dazu, dass die geregelten Fahrzeuge gleichsam in dem von den schwächeren Verkehrsteilnehmern diktierten Verkehrsstrom mitfließen und darüber hinaus auf mögliche Konflikte reagieren. Projektpartner: HFC Human-Factors-Consult GmbH, Karlsruher Institut für Technologie, scuddy GmbH & Co. KG, eMotion 42 GmbH |
| AdaptKIAssist |
Adaptives Kl-basiertes Assistenzsystem zur digitalen echtzeitfähigen Generierung von Instruktionen zur Maschinenbedienung Kurzfassung: Ziel des Verbundvorhabens „AdaptKIAssist“ ist die Erforschung und prototypische Umsetzung eines adaptiven Assistenzsystems für die Verpackungsmittelherstellung, dessen Komponenten in der Abbildung am Beispiel einer Beutelmaschine veranschaulicht werden. Dieses System liefert in Echtzeit eine Bewertung des aktuellen Produktionsprozesses hinsichtlich der Qualitätsparameter und ermöglicht damit eine maßgebliche Verkürzung der Maschineneinrichtungs- und Anlaufzeiten. Projektpartner: COVAC Elektro und Automation GmbH, Heinrich Ludwig Verpackungsmittel GmbH Siebenlehn, HFC Human-Factors-Consult GmbH, Fraunhofer-Institut für Integrierte Schaltungen (FhG IIS) |
| AIDA-Vis |
AI-basiertes interaktives Empfehlungssystem für komplexe Datenvisualisierungen Kurzfassung: Ziel des Vorhabens „AIDA-Vis“ ist es, die Prozesse der Erzeugung optimaler Visualisierungen zu beschleunigen und zu automatisieren. Im Ergebnis soll ein interaktives Empfehlungssystem die Anwender dabei unterstützen, mit minimalem Aufwand die individuell geeignetste Visualisierung für Datenbestände zu erstellen. Im Vorhaben werden dazu Methoden des Bestärkenden Lernens mit Verfahren des Interaktiven Maschinellen Lernens kombiniert, um durch die Abfrage der Anwenderpräferenzen das für das Empfehlungssystem notwendige Wissen aufzubauen. |
| AI4Forest |
Detaillierte Waldüberwachung mittels skalierbarer KI-Methoden Kurzfassung: AI4Forest soll hochauflösende Waldkarten von Europa und der ganzen Welt mit einer bisher unerreichten räumlichen und zeitlichen Auflösung und Präzision liefern. Projektpartner: Universität Münster, Zuse-Institut Berlin, Technische Universität München, Laboratoire des Sciences du Climat et de I'Environnement (LSCE), Centre national de la recherche scientifique (CNRS) |
| AI4SCM |
Machine Reading im Supply Chain Management für KMUs Kurzfassung: Ziel des Projektes ist die Erforschung von Methoden, mit denen kritische Ereignisse in Lieferketten automatisiert erkannt werden können. Diese Methoden anzuwenden, soll Unternehmen in die Lage versetzen, ihre Verpflichtungen nach dem neuen Lieferkettensorgfaltspflichtengesetz zu erfüllen. Projektpartner: Ubermetrics Technologies GmbH, Berliner Hochschule für Technik |
| aiRobot |
Erfolgreiche digitale Zwillinge: Datengetriebenes Lernen robotischer Assistenten durch generische KI-Plattform Kurzfassung: Im Vorhaben aiRobot soll eine simulations-gestützte Trainingsplattform für intelligente Fertigungsroboter entwickelt werden. Projektpartner: Technische Universität Chemnitz |
| ARGUS |
Neue Verfahren der Künstlichen Intelligenz zur Analyse von beliebigen Bewegungsabläufen in unstrukturierten Videodaten durch erlernte und interpretierbare Kurzfassung: Im Projekt ARGUS werden neuartige Verfahren der Künstlichen Intelligenz (KI) entwickelt, die bedeutsame Repräsentationen (Abbildungen) beliebiger menschlicher Bewegungsabläufe lernen können. Projektpartner: Subsequent GmbH, Konstanz; Universität Konstanz-Fachbereich Informatik und Informationswissenschaft - AG Computer Vision an Image Analysis |
| ASIMoW |
Analysesystem zum qualitätsmotivierten Inline-Monitoring für Schweißprozesse auf Basis von Methoden künstlicher Intelligenz Kurzfassung: Das Forschungsvorhaben "ASIMoW" hat zum Ziel, KI-Expertise mit schweißtechnischem Expertenwissen zu verbinden, um Deep Learning Verfahren für Qualitätsvorhersagen in Schweißprozessen zu erforschen und zu entwickeln. Projektpartner: FEF GmbH, Bergische Universität Wuppertal |
| AssistVC |
KI-basiertes Assistenzsystem zur Kompensation fehlender Komponenten in der industriellen Simulation Kurzfassung: Das Vorhaben SimAssist erforscht ein intelligentes Assistenzsystem, das fehlende Komponenten in einem Gesamtsimulationsmodell kompensiert, indem KI-basiert nach geeigneten Ersatzmodellen aus einer Onlinebibliothek gesucht wird. Die eingesetzten Komponenten können dann mit Hilfe einer ebenfalls im Rahmen von SimAssist erforschten Ersatzsteuerung an das bereits vorhandene Simulationsmodell angebunden werden. Da es in der frühen Phase der Modellerstellung häufig zum Austausch einzelner Komponenten im Gesamtmodell kommt, soll ein Update-Mechanismus zudem das Verhalten einer ersetzten Komponente auf die neu eingesetzte Komponente intelligent übertragen. Projektpartner: ISG Industrielle Steuerungstechnik GmbH, Ingenieurbüro Roth GmbH & Co. KG, Universität Stuttgart |
| AutoOPP 2.0 |
Automatische Erkennung des Arbeitsplanes anhand von Konstruktionsdaten Kurzfassung: Ziel des Verbundvorhabens AutoOPP 2.0 ist, eine KI-Methodik zu entwickeln, mit der sich aus 2D- und 3D-Konstruktionsdaten von Bauteilen die jeweils infrage kommenden Fertigungsverfahren sowie der kostenoptimale Arbeitsplan auto-matisiert ableiten lassen. Projektpartner: THD - Technische Hochschule Deggendorf |
| BotanyKI |
Entwicklung eines filterbasierten Navigationssystems für einen Agrarroboter mit Wasserstoffantrieb zur sensorischen Erkennung der Umgebung zum Zwecke der Bewegung im Feld Kurzfassung: Das angestrebte kleine Agrarrobotersystem wird möglichst klein und leicht, um den Roboter auch in Gewächshäusern in engreihigen Sonderkulturen nutzen zu können, Bodenverdichtung zu minimieren und die Handhabbarkeit durch Feldarbeiter zu gewährleisten. Darüber hinaus verwendet der entwickelte Prototyp Wasserstoff als Energiequelle, was in Kombination mit einer Brennstoffzelle eine CO2-neutrale Antriebseinheit darstellt. BotanyKI beinhaltet die Entwicklung einer sensorbasierten Bildverarbeitungsmethode, welche eine kontrollierte und kollisionsfreie Bewegung des Roboters in einem unbekannten Feld ermöglicht. Projektpartner: Batix Software GmbH, HySON - Institut für Angewandte Wasserstoffforschung Sonneberg gGmbH, SMB Sonneberg GmbH |
| CoFILL |
Container-Füllstandsanalyse unter Einsatz von Physical Informed Neural Networks und kontinuierlichem Lernen Kurzfassung: Das Projekt CoFILL zielt darauf ab, ein Verfahren zur Füllstandsmessung von Wertstoffcontainern auf beliebige Container und Wertstoffe zu übertragen. Die Lösung soll für unterschiedlichste Containertypen und Sammelgüter einsetzbar sein. Hierfür wird der Forschungsansatz eines „Physics-Informed Neural Network“ (PINN) auf die Analyse von Vibrationsmustern beim Befüllen von Containern angewendet. Neue Netzwerkstrukturen, wie die Verwendung von PINNs und eine Lernstrategie basierend auf „Continuous Learning“ müssen entwickelt und auf die komplexe Problemstellung adaptiert werden. Projektpartner: Zolitron - The Internet of Things Company GmbH, Hochschule Bochum |
| COLIDE |
Co-Training und Co-Regulierung für Industriedaten Kurzfassung: Ziel von COLIDE ist die Entwicklung von Auto-Multi-View-Learning-Verfahren (AutoMVL) für heterogene Industriedaten. Dazu werden multi-view learning (MVL) und automatisiertes maschinelles Lernen (AutoML) erstmals kombiniert. Damit werden insbesondere KMU in die Lage versetzt, verschiedenste Methoden auf heterogenen Datenquellen simultan und kosteneffizient zu nutzen und so innovative Lösungen vor allem in der Produktion anzubieten. Die Machbarkeit wird anhand von zwei realen Anwendungsfällen in den Bereichen der adaptiven Fertigung (3D-Druck) und der Überwachung von Produktionsanlagen aufgezeigt. Projektpartner: elevait GmbH & Co. KG, Fraunhofer IWU, S&K Anlagentechnik GmbH,Universität Paderborn Projektblatt |
| CORINNE |
Cobots' relationale Schnittstelle mit neuromorphen Netzen und Ereignissen Kurzfassung: Ziel ist es, einen komplexen interaktiven Schweißarbeitsablauf mit einem menschlichen Bediener zu realisieren. Dazu werden Algorithmen für den MAiRA Roboter entwickelt, die basierend auf einem neuartigen neuromorphen Sensor die Erkennung menschlicher Gesten leistet. Dies ermöglicht es dem Roboter auf intelligente Weise komplexe Muster und Bewegungen zu erkennen und auf natürliche Weise mit dem Bediener zu interagieren und auf dessen Gesten zu reagieren, um den Schweißprozess zu optimieren. Projektpartner: Neura Robotics GmbH, Technische Universität Chemnitz, fortiss GmbH |
| COSMIXER 2.0 |
Entwicklung eines selbstlernenden Industrie 4.0 Systems zur voll-autonomen Produktion von individualisierten Kosmetikprodukte Kurzfassung: Ziel des Projekts COSMIXER 2.0 ist, ein selbstlernendes, vollautonomes Produktionssystem für individualisier-te Kosmetikprodukte zu entwickeln, aufzubauen und zu validieren. Projektpartner: KNOSPA GmbH & Co. KG |
| CropML |
Neue Maschinelle Lernverfahren zur akkurateren Pflanzenzüchtung durch Integration heterogener externer Faktoren Projektpartner: Computomics GmbH, Hochschule Weihenstephan-Triesdorf, TUM Campus Straubing Projektblatt |
| DAVIS |
Datengetriebene Vernetzung für die ingenieurtechnische Simulation Kurzfassung: Ziel des Projektes ist die Entwicklung einer neuartigen KI-Assistenz, die Hexaedernetze effizient generiert. Mit einem solchen Ansatz könnte der Zeitaufwand für die Durchführung von Simulationen in vielen Automobil-, Medizintechnik- und Maschinenbauanwendungen mindestens halbiert werden. Indem Routinetätigkeiten reduziert werden, können sich Ingenieure besser auf wertschöpfende Tätigkeiten konzentrieren. So wird die Wettbewerbsfähigkeit kleinerer Ingenieursdienstleister in Deutschland stark erhöht. Es ist zu erwarten, dass einige der nach Osteuropa und Asien ausgelagerten Tätigkeiten wieder verstärkt in Deutschland durchgeführt werden können. Dies wird nicht nur Arbeitsplätze, sondern auch wichtiges ingenieurtechnisches Wissen um Konzepte, Prozesse und Daten in Deutschland erhalten. Projektpartner: Renumics GmbH, Evago GmbH, Merkle und Partner GbR, RWTH Aachen, Karlsruher Institut für Technologie Projektblatt |
| DeepQuali |
Anwendung von Deep Learning auf Software-Repositories zur Qualitätsbewertung Kurzfassung: Im Projekt DeepQuali soll ein KI-basiertes Werkzeug entwickelt werden, das die Softwarequalität modelliert und bewertet. Es soll direkt auf sogenannten Softwareartefakten, also bspw. dem Quell-Code und seiner Änderungshistorie, der Dokumentation, Problem- und Commit-Meldungen, Testergebnisse und weiterer verfügbarer Daten arbeiten. Projektpartner: QAware GmbH München, let's dev GmbH & Co. KG Karlsruhe, Fraunhofer Gesellschaft e.V. - IESE Kaiserslautern |
| DEMoPro |
Dateneffiziente Entwicklung von KI-Modellen für die Produktion Kurzfassung: Ziel des Vorhabens ist die Entwicklung eines innovativen Softwareprototyps (DEMoPro), der das Training von KI-Modellen für datenbasierte Qualitätsanwendungen in der Produktion mit einem Minimum an annotierten Daten ermöglicht, um einen breiten Einsatz von ML-Applikationen in der industriellen Produktion von KMU realisieren zu können. DEMoPro setzt dabei auf den Einsatz von Meta-Learning, wodurch Wissen über den Lernprozess von KI-Modellen generiert wird und anschließend für die Realisierung eines Few-Shot Learning, d. h. einem Training von KI-Modellen mit nur wenigen Trainingsdaten, genutzt werden kann. Projektpartner: Forcam Enisco GmbH, Fraunhofer-Institut für Produktionstechnik und Automatisierung (IPA), Retrofit Plastics GmbH, KLT Hummel Plastic GmbH |
| ELAMU |
Einsatz maschineller Lernverfahren zur Analyse von Materialzertifikaten bei produzierenden Unternehmen Kurzfassung: Ein Hauptziel von ELAMU besteht darin, diese Fehleranfälligkeit und Kosten bei der Bearbeitung von Materialzertifikaten erheblich zu reduzieren. Gleichzeitig soll die Datenqualität verbessert und die Informationen für nachfolgen-de Prozesse verfügbar gemacht werden. Projektpartner: AVENTUM GmbH; Robert Josef Wolf GmbH & Co. KG; Fernuniversität Hagen |
| ETL4Balance |
Dynamische Ressourcenallokation für ETL-Prozessketten durch Reinforcement Learning Kurzfassung: Das Verbundvorhaben „ETL4Balance“ hat zum Ziel, eine neuartige, automatisierte Strategie für Ressourcenallokation mit Hilfe von Künstlicher Intelligenz (KI) zu entwickeln. Projektpartner: Technische Universität Darmstadt, Fachbereich Informatik, Institut für Intelligente Autonome Systeme |
| ExPro |
Kooperative Explorationsumgebung von Machine Learning-Prognosen am Beispiel der Produktionsplanung Kurzfassung: Ziel des Projektes ist es, ein Machine-Learning Modul für die Prognose produktionsrelevanter Kennzahlen zu entwickeln, das auf historischen Unternehmensdaten und Produktionsplänen basiert und für EndnutzerInnen nachvollziehbar ist. Als innovatives Kernelement ermöglicht der Anwendungsdemonstrator einer heterogenen Entscheidungsgruppe, Machine-Learning-Prognosen durch die Verarbeitung von Datenbeständen mit XAI-Methoden zu verstehen und gemeinsam zu einer Entscheidung zu finden. Dies soll im Projekt in enger Kooperation mit den Unternehmen aus dem Umfeld der Produktion und im spezifischen Kontext der Produktionsplanung realisiert und evaluiert werden. Projektpartner: Mansystems Deutschland GmbH, (DFKI) Institut für Wirtschaftsinformatik (IWi), BIKAR-Metalle GmbH, Universität Siegen, Institut für Wirtschaftsinformatik, Slawinski & Co. GmbH Projektblatt |
| FedXtract |
Föderierte KI-Lösung zur Verarbeitung komplexer Dokumente Kurzfassung: Ziel des Projekts ist es, ein container-basiertes OpenSource Software Development Kit zu entwickeln, das Unternehmen ohne komplexes KI Know-How in die Lage versetzt, gemeinsam unter Wahrung der Datenhoheit KI-Modelle mit geringen Datenmengen zu trainieren und das gemeinsame Modell auf den individuellen Anwendungsfall anzupassen. Mithilfe des sogenannten Föderierten Lernens kann ein globales KI-Modell unternehmensübergreifend durch mehrere, verteilte Anwender kontinuierlich verbessert werden. Dabei werden lediglich die schrittweisen Verbesserungen der Modelle ausgetauscht, so dass die sensiblen Daten lokal bleiben. Jeder Anwender kann dann anschließend ein User-spezifisches KI-Modell entwickeln, indem das globale, gemeinsame Modell über das sogenannte Transfer Learning für den eigenen Anwendungsfall optimiert wird. Projektpartner: Condat AG, Control€xpert GmbH, Fraunhofer-Institut für Intelligente Analyse- und Informationssysteme IAIS Projektblatt |
| FewTuRe |
Few-Shot-Anpassung für die Informationsextraktion aus Rechnungen und Belegen Kurzfassung: Im Vorhaben “FewTuRe” wird ein KI-Modell für die automatische Informationsextraktion aus Rechnungen und Belegen entwickelt. Durch den Einsatz eines dedizierten Text-Layout Domänengrundmodells und einer Methode des sog. Few-Shot-Learning soll dieses KI-Modell mit nur wenigen Trainingsbeispielen auf neue Anwendungsfälle angepasst werden können. Somit soll es insbesondere für KMU mit geringer Datenbasis und weniger Ressourcen einsetzbar sein. Die Methoden werden für mehrere Sprachen, insbesondere die deutsche Sprache, entwickelt. Projektpartner: dida Datenschmiede GmbH, Humboldt-Universität zu Berlin |
| Flow-Lens |
Transparenz- und Anomalieerkennung in IP-basierten Netzwerken durch Machine Learning Kurzfassung: Das Projekt Flow Lens zielt deshalb darauf ab, die Transparenz und Anomalieerkennung in IP-basierten Netzwerken durch ML-Verfahren zu verbessern. Dazu sollen aggregierte Statistiken des Netzwerkverkehrs verwendet werden, um Nodes und Flows in verhaltensbasierte Kategorien zu klassifizieren. Die so ermittelte Netzwerktopologie abstrahiert datensparsam von einzelnen Verbindungen und Inhalten und ist im Gegensatz zu händisch erstellen Netzplänen stets aktuell. In ihr können Netzwerk-Experten interaktiv typische Funktionen von einzelnen Knoten identifizieren und auch atypische Protokolle und Verkehrsmuster erkennen. Projektpartner: consistec Engineering & Consulting GmbH, Hochschule RheinMain |
| FLUSH |
Federated Learning im Ultraschall Schweißprozess zur Qualitätssicherung Kurzfassung: Im Projekt FLUSH soll die Qualität ultraschall-geschweißter Bauteile künftig mithilfe von Maschinellem Lernen in mehreren Produktionsstätten sichergestellt werden. Dadurch sollen herkömmliche manuelle Tests ersetzt und eine umfassendere Qualitätssicherung ermöglicht werden. Projektpartner: SUCO Robert Scheuffele GmbH & Co. KG; SKZ - KFE gGmbH |
| FreshTwin |
Hybride Grey-Box-Modelle zur Bestimmung und Prognose der Qualitätsattribute am Beispiel von Lebensmitteln Kurzfassung: Ziel des Projekts FreshTwin ist es, die tatsächlichen Eigenschaften von Lebensmitteln entlang der Lieferkette, vom Produzenten bis zum Konsumenten, mithilfe von modernen Mess- und KI-Methoden automatisiert bestimmen und testen zu können. Hierzu werden bestehende Logistikdaten und Daten der Qualitätssicherung sowie sekundäre Datenquellen, wie z. B. die Wetterbedingungen am Ernteort verwendet. Diese Daten werden durch den Einsatz moderner, schneller Mess- und Analyseverfahren, wie die Spektroskopie und Bilderkennung, ergänzt. In der FreshTwin Cloud-Infrastruktur werden diese beiden Ansätze, die Daten zusammenzuführen und innovative Messmethoden, kombiniert, womit der IST-Zustand präzise und hinreichend beschrieben werden kann. Die Arbeiten werden in einem Demonstrator umgesetzt und umfassend evaluiert. Projektpartner: tsenso GmbH, benelog GmbH & Co. KG, Cubert GmbH, Albert-Ludwigs-Universität Freiburg Projektblatt |
| GecKI |
KI-basierte Objekterkennung und adaptive Steuerung für intelligente, bioinspirierte Robotergreifsysteme zur Einbettung in Industrie 4.0-Umgebungen Kurzfassung: Um wettbewerbsfähig zu bleiben, müssen Unternehmen ihre Produktionsprozesse immer weiter automatisieren. Gleichzeitig werden statt standardisierten immer individuellere Produkte nachgefragt. Eine Lösung für diese Herausforderung ist es, KI-basierte Robotik-Konzepte zu erforschen und zu entwickeln und sie in digitale Wertschöpfungsketten von Industrie 4.0 einzubinden. Projektpartner: INNOCISE GmbH, Fraunhofer-Institut für Zerstörungsfreie Prüfverfahren IZFP, NEXT. robotics GmbH Projektblatt |
| GEISST |
Generator für emotional individualisierbare Synthetik-Stimmen Kurzfassung: Ziel des Verbundvorhabens GEISST ist es, ein Generator für „emotional individualisierbare Synthetik-Stimmen“ zu entwickeln. Dieser soll Medienunternehmen in die Lage versetzen, die für die Umgestaltung des Beitrags anfallenden Sprachaufnahmen mittels individueller Stimmprofile und frei wählbarer Tonalität sowie Emotionalität automatisiert zu erstellen. Projektpartner: nachtblau GmbH, Fraunhofer-Institut für Digitale Medientechnologie (FhG IDMT), Hochschule für Medien Stuttgart (HdM) Institut für Digitale Ethik |
| GenKIES |
Generative KI-Modelle zur Unterstützung des Kurzfassung: Im GenKIES-Projekt soll ein auf generativer KI basierendes System entworfen, trainiert und evaluiert werden, das basierend auf einer kurzen initialen Beschreibung der gewünschten Elektronik eine umfassende Systembeschreibung, eine Tabelle der technischen Anforderungen und ein Architekturdiagramm generiert. Projektpartner: CELUS GmbH, Institut für Angewandte Informatik (InfAI) e.V. |
| hyPro |
Integration hybrider künstlicher Intelligenz in die Prozesssteuerung von Produktionsanlagen der Glasumformung Kurzfassung: Ziel des Verbundvorhabens „hyPro“ ist es, die Prozesse zu optimieren, indem die relevanten Einflussparameter (zeitlich variableTemperatur- und Kraftbelastungskollektive) mithilfe hybrider Modellierung vorhergesagt und in die Prozessregelung eingebunden werden. Projektpartner: Vitrum Technologies GmbH, HS Analysis GmbH, Senseering GmbH,Fraunhofer-Institut für Produktionstechnologie |
| IntelliWind |
Intelligente Modelle zur selbstoptimierenden Lastreduktion bei Windenergieanlagen Kurzfassung: Ziel des Vorhabens ist es, zu erforschen, wie sich KI-Verfahren zur Entwicklung schwer modellierbarer (statischer und dynamischer) nichtlinearer Teilmodelle und Modellparameter von WEA einsetzen lassen. Dabei sollen sich die KI-Modelle online mit den real verfügbaren Sensoren verbinden und so stetig das Regelungssystem optimieren. Aufgrund der ähnlichen Struktur von WEA, lässt sich der entwickelte Modellierungsansatz leicht auf verschiedene Anlagen übertragen. Die neuartigen KI-basierten Modellierungsmethoden sollen dabei mit klassischen regelungstechnischen Algorithmen zur Zustandsschätzung und mit der modellbasierten prädiktiven Regelung kombiniert werden. Damit soll die Nutzung von anpassbaren, lastreduzierenden Regelungssystemen ermöglicht werden. Allein durch die Anpassung der zur Steuerung verwendeten Software kann die Lebensdauer einer WEA verlängert werden. So können bestehende Anlagen deutlich wirtschaftlicher betrieben und neue Anlagen „schlanker“ ausgelegt werden.Projektpartner: W2E Wind to Energy GmbH, Rheinisch-Westfälische Technische Hochschule Aachen |
| INTO-ACTION |
Industrialisierung von Tool-basierten Active-Learning-Ansätzen Kurzfassung: Dem Gebäudesektor kommt bei der notwendigen Transformation in ein nachhaltiges Wirtschaften eine Schlüsselrolle zu. Um die im europäischen Green Deal gesteckten Ziele zu erreichen, sollten sich Maßnahmen bestmöglich an zugrundeliegenden Daten orientieren. Im Bereich der Gebäudeanalyse nehmen hierbei Bildinformationen aus unterschiedlichen Perspektiven eine wichtige Rolle ein. Hierfür bietet der vergleichsweise junge Ansatz des Active Learnings eine Alternative, da während der Verwendung des Modells Domänenwissen integriert werden kann. Da solche Active Learning-basierte Computer Vision Systeme noch nicht in industrialisierter Form verfügbar und somit für den produktiven Einsatz geeignet sind, möchte INTO-ACTION hier Abhilfe schaffen. Projektpartner: credium GmbH, Technische Hochschule Augsburg |
| KE3P |
KI-basierte Plattform zur automatischen Extraktion von Produktinformationen und zur Erstellung und Exploitation von Produktgraphen für das Stammdatenmanagement im Einzelhandel Kurzfassung: Ziel des Vorhabens ist es, eine generische Plattform zu entwickeln, auf der unternehmensspezifische Produktgraphen eingesetzt werden, um Aufgaben des Stammdatenmanagements zu automatisieren. Diese spezialisierte Form von Wissensgraphen, bildet die Grundlage, um hybride Verfahren umzusetzen, die automatisch getroffene Entscheidungen erklärbar machen können. Projektpartner: retailsolutions GmbH, Hochschule Trier |
| KI assists KMU |
KI-gestützte virtuelle Assistenz in der industriellen Produktion bei KMU Kurzfassung: Aufgrund der Vielzahl von Einstell-, Umgebungs- und Qualitätsparametern sind Verarbeitungsprozesse wie das Spritzgießen auch für den Fachmann nur schwer zu verstehen. Zudem leidet die Kunststoffindustrie besonders unter einem Mangel an gut ausgebildeten Fachkräften, die die komplexen Zusammenhänge zwischen einer Vielzahl an Einstellparametern und Einflussgrößen kennen. Den oftmals angelernten Mitarbeitern, die zudem in der Regel für die Bedienung mehrerer Maschinen gleichzeitig zuständig sind, fehlt neben einem tiefergehenden Prozessverständnis vielfach auch die Methodenkompetenz für eine strukturierte Vorgehensweise bei der Fehlerbehebung in der laufenden Produktion. Aufgrund des hohen Automatisierungsgrades der Kunststoffindustrie und der umfassenden Nutzung der existierenden Standards steht jedoch eine branchenweit vergleichsweise einheitliche Datenschnittstelle zur Verfügung. Daher kann ein auf Methoden der Künstlichen Intelligenz (KI) basierendes Assistenzsystem hier eine sinnvolle Unterstützung bieten und die Aufmerksamkeit des Nutzers dorthin lenken, wo sein Eingreifen benötigt wird. Projektpartner: SHS plus GmbH, STASA Steinbeis Angewandte Systemanalyse GmbH, RWTH-Aachen, Sumitomo (SHI) Demag Plastics Machinery GmbH Projektblatt |
| KICarbon |
KI-Assistenzsystem zur schnellen Kostenprognose von komplexen Leichtbau-Komponenten auf Basis von 3D-Bauteilgeometrien Kurzfassung: Ziel des Verbundvorhabens „KICarbon“ ist es, die Kostenprognose von Composite-Bauteilen durch den Einsatz von Künstlicher Intelligenz (KI) signifikant zu vereinfachen und zu beschleunigen. Übergeordnetes Ziel ist es, Leichtbauwerkstoffe auch in Branchen mit geringer Stückzahl, aber hohem Impact, herstellen zu können und Kostenprognosen von fertigenden kleinen und mittleren Unternehmen präziser zu machen. Projektpartner: Bräutigam GmbH, InstaWerk GmbH, Senseering GmbH |
| KIcKER |
Künstliche Intelligenz zur cloudbasierten Optimierung von Kunststoff-Extrusionswerkzeugen über numerische Rechnungen Kurzfassung: Das Ziel des von dem Kunststoff-Zentrum SKZ und der IANUS Simulation GmbH durchgeführten KIcKER-Vorhabens besteht deshalb in der Entwicklung eines KI-Assistenzsystems zur Auslegung und Optimierung von Profilwerkzeugen. Projektpartner: IANUS Simulation GmbH, SKZ - KFE gGmbH |
| KIEEP |
Künstliche Intelligenz für eine effiziente Erneuerbare-Energien-Projektierung – Automatisiertes Monitoring regulatorischer Rahmenbedingungen für Wind- und Solarparks Kurzfassung: Das Projekt KIEEP zielt darauf ab, den Ausbau erneuerbarer Energien durch den Einsatz von Künstlicher Intelligenz zu beschleunigen. Im Fokus steht die Entwicklung eines webbasierten Softwareprototypen, der automatisiert Informationen zu regulatorischen Rahmenbedingungen für Wind- und Solarparks sammelt, aufbereitet und ortsreferenziert bereitstellt. Die innovative Kombination aus Natural Language Processing und Geoinformationssystemen stellt eine neuartige Herangehensweise dar, um die Herausforderungen der Projektierung erneuerbarer Energien zu adressieren. Projektpartner: Nefino GmbH, Leibniz Universität Hannover |
| KIEZ |
KI-gestütztes Eingleisen von Zweiwegefahrzeugen Kurzfassung: Im Förderprojekt KIEZ soll ein System entwickelt werden, das Zweiwegefahrzeuge ausgehend von einer beliebigen Position in der Nähe von Gleisen mithilfe von Bilddaten und Künstlicher Intelligenz automatisch eingleist. Das System soll dabei ein Zusatzsystem darstellen, welches auf Bestands-fahrzeugen installiert werden kann. Projektpartner: G. Zwiehoff GmbH, RWTH Aachen |
| KIFahrWald |
Künstliche Intelligenz für Assistenzfunktionen in Fahrzeugen bei der Waldbewirtschaftung Kurzfassung: Ziel des Verbundprojektes KIFahrWald ist es, ein vollständiges Assistenzsystem, bestehend aus einer geeigneten Sensorik und intelligenten Steuerung, exemplarisch für eine Forstmaschine zum Befahren von Waldwegen und vor allem Holzrückegassen zu entwickeln. Projektpartner: Forstdienstleistungen Christian Hegenbarth, Karlsruher Institut für Technologie |
| KIHelpSys |
KI basiertes Wissensmanagementsystem für die zukunftssichere unternehmensinterne Wissenssicherung Kurzfassung: Ziel des Forschungsprojekts KIHelpSys ist die Entwicklung eines unternehmensinternen Sprachassistenten explizit für die Anforderungen von kleinen und mittleren Unternehmen, aber auch dem industriellen Mittelstand. Dieser soll Mitarbeitende bei Routineaufgaben und der Wissensakquise unterstützen. Das System lernt aus schriftlichen Anleitungen, internen Prozessabläufen im Textformat und kann auch durch die Mitarbeiter, beispielsweise mithilfe von Bildschirmaufnahmen, trainiert werden. Dieser Assistent soll das Einpflegen von unternehmensinternen Informationen erleichtern und diese Mitarbeitenden schnell und verständlich bereitstellen. Projektpartner: ArborSys GmbH, summetix GmbH, edison street GmbH, Technische Hochschule Nürnberg Georg Simon Ohm |
| KI-PrOT |
KI gestützte Produktionsplanung und -steuerung für die Oberflächentechnik Kurzfassung: Projektziel ist die Entwicklung eines KI-basierten Systems für die Produktionsplanung und -steuerung der sehr kurzfristigen Auftragsfertigung in der industriellen Oberflächentechnik. Diese unterliegt komplexen Fertigungsbedingungen mit vielen kritischen Randbedingungen, die bisher eine Pareto-Optimierung der multiplen, divergierenden Optimierungsziele nicht zuließen; die zu entwickelnde Lösung soll dies erstmals ermöglichen. Im Sinne einer für KMU tauglichen, möglichst schlanken Lösung wird die Wahl der Lösungsmethode an der Komplexität des Jobshop-Problems, den verfügbaren Daten und den spezifischen Zielen der Problemlösung orientiert. Projektpartner: Softec GmbH, Galvanotechnik Jens Holzapfel GmbH, Fraunhofer-Institut für Produktionstechnik und Automatisierung (IPA) |
| KI4ELM |
Erfolgreiche Erstzustellung durch KI auf der Letzten Meile Kurzfassung: Ziel des Projekts ist die Erforschung und Entwicklung eines Tourenoptimierungssystems, das vorhergesagte Anwesenheitszeiträume von Privatpersonen datenschutzkonform berücksichtigt und erfolgreiche Erstzustellungen ermöglicht. Am Ende dieser Kollaboration soll eine prototypische Lösung stehen, die unter realen Bedingungen evaluiert wird. Das System soll sechs Kriterien berücksichtigen, um Liefererlebnis und Effizienz/Nachhaltigkeit simultan zu optimieren. Projektpartner: XTL Kommunikationssysteme GmbH, Green Convenience GmbH, Technische Universität Darmstadt, Hochschule für Technik und Wirtschaft Berlin |
| KI4MaterialModeling |
Entwicklung eines KI-basierten Workflows zur Objekterkennung in Computertomographie-Daten am Beispiel der Faser-Kunststoff-Verbunde Kurzfassung: Ziel dieses Projekts ist es, einen KI-basierten Workflow am Beispiel der Faser-Kunststoff-Verbunde zu entwickeln, um beide zuvor genannten Methoden zu verbinden und damit präzisere Geometriemodelle aus Computer-tomographie-Daten zu ermöglichen. Projektpartner: Leibniz-Institut für Verbundstoffe GmbH |
| KI4PRECAST |
KI-basiertes Monitoring für die Betonfertigteilindustrie Kurzfassung: Ziel des Vorhabens ist es daher, ein KI-gestütztes Diagnose- und Prognosewerkzeugs für die Betonfertigteilindustrie prototypisch zu entwickeln, mit dem die Prozesse während der Erhärtungsphase des Betons optimiert werden sollen, um potenzielle Fehler im Ablauf frühzeitig zu erkennen und zu vermeiden. Projektpartner: preML GmbH, Karlsruher Institut für Technologie (KIT), Institut für Massivbau und Baustofftechnologie (IMB) |
| KI4ToolPath |
Geometrieunterstützte Klassifizierung von Prozesszuständen zur Bahnplanungsunterstützung Kurzfassung: Ziel des Projekts „KI4ToolPath: Geometrieunterstützte Klassifizierung von Prozesszuständen zur Bahnplanungsunterstützung“ ist es, Künstliche Intelligenz in diese Fertigungsprozesse zu bringen. Dazu werden zwei vielversprechende Ansätze kombiniert: Informationen über das gewünschte Aussehen des Produkts während des Fertigungsprozesses verfügbar zu machen und darauf aufbauend ein selbst-optimierendes anpassungsfähiges Fertigungsverfahren zu entwickeln. Projektpartner: collective mind AG, ModuleWorks GmbH, Fraunhofer-Institut für Produktionstechnologie IPT |
| KI4Wind |
KI-basierte Optimierung von Lasten und Leistung von Windenergieanlagen im Windpark Kurzfassung: Im Vorhaben KI4Wind soll der Einsatz von maschinellen Lernverfahren (ML) zur Identifikation spezifischer Betriebs- und Lastsituationen von WEA erforscht werden, um physikalische Lasten zu reduzieren sowie die elektrische Leistung von WEA zu optimieren. Projektpartner: Fibercheck GmbH, Fraunhofer-Gesellschaft zur Förderung der angewandten Forschung e.V., Institut für Windenergiesysteme |
| KI-Erosion |
Einsatz von Methoden der Künstlichen Intelligenz zur datenbasierten Bewertung des Drahtfunkenerosionsprozesses Kurzfassung: Ziel des Verbundvorhabens „KI-Erosion“ ist es, ein KI-basiertes System zu entwickeln, mit dem die Qualität und Produktivität des kontinuierlichen Drahtfunkenerosionsprozesses online bewertet werden kann. Mit Aufbau eines digitalen Zwillings werden statistische und physikalische Modelle kombiniert, die Maschine und Produkt möglichst genau abbilden. Projektpartner: IconPro GmbH, WBA Aachener Werkzeugbau Akademie GmbH, RWTH Aachen |
| KI-EXAM |
Automatische Vorsortierung von Essay-Aufgaben zur Unterstützung von Korrigierenden mithilfe Künstlicher Intelligenz Kurzfassung: Im Vorhaben KI-EXAM soll eine Möglichkeit geschaffen werden, Künstliche Intelligenz zur Unterstützung bei der Korrektur von Freitext-aufgaben nutzen zu können. Projektpartner: Dr.-Ing. Paul Christiani GmbH & Co. KG, Technisches Lehrinstitut und Verlag; mmb Institut - Gesellschaft für Medien- und Kompetenzforschung mbH; Universiät Duisburg-Essen, Lehrstuhl für Software Engineering |
| KI-Kanal |
Optimierte Kanalnetzsteuerung anhand eines KI-Modells basierend auf einer Mustererkennung der zeitlichen und räumlichen Vertelung von Regendaten mit integrierter Versagenanalyse des Kanalnetzes Kurzfassung: Das Kernelement des Projektes „KI-Kanal“ ist ein sogenanntes Internet of Floods (IoF). Dieses soll mittels künstlicher neuronaler Netze (KNN) dazu beitragen, Vorhersage- und Frühwarnsysteme für die betriebliche Optimierung der Kanalnetzsteuerung bzw. der Gefahrenabwehr im Entwässerungssystem zu verbessern. Projektpartner: Alexander Verworn bpi Hannover, Ostfalia Hochschule für angewandte Wissenschaften, SWO Netz GmbH |
| KIKERP |
KI-basierte Erkennung und Klassifizierung von Elektro(-alt)geräten zur robotischen Prozessautomatisierung in kreislaufwirtschaftsorientierten digitalen Managementökosystemen Kurzfassung: Robotische Prozessautomatisierung und Softwarebots können beim Einsatz in komplexen Prozesslandschaften die Effizienz steigern sowie Kosten senken. Somit sind sie ein wichtiger Bestandteil digitaler Unternehmensprozesse (Enterprise-Resource-Planning, ERP). Projektpartner: HaKiGo GmbH; Fraunhofer-Institut für Produktionsanlagen und Konstruktionstechnik IPK |
| KILiMod |
KILiMod - KI-basierte kontextuelle Verlinkung und Moderation von deutschsprachigem LiveChat Kurzfassung: Ziel des Verbundvorhabens „KILiMod“ ist es, Chat-Texte durch KI-gestützte Kontexterkennung sicherer und informativer zu machen. Dazu werden einerseits neue Modelle für die Erkennung problematischer Nachrichten und die Verlinkung interessanter Inhalte in deutschsprachigen Chats entwickelt, andererseits werden diese Modelle hinsichtlich ihrer Echtzeitfähigkeit und Nutzerakzeptanz optimiert. Projektpartner: vAudience GmbH, Julius-Maximilians-Universität Würzburg, Lehrstuhl Informatik X (Data Science) |
| KIPRM |
KI-basiertes Projektrisikomanagement Kurzfassung: Ziel des Verbundvorhabens KIPRM ist es, die technologischen Grundlagen zu erforschen, um das PRM in KMU mit Hilfe von KI-Methoden während des gesamten Lebenszyklus eines Projekts zu unterstützen. Projektpartner: B&IT Solutions – Dipl.-Kfm. R. M. Petri, Limebit GmbH, Ehrenmüller GmbH, Fraunhofer-Institutsteil Wirtschaftsinformatik des FIT |
| KI-Pro-MF |
KI-basierte Prozessauslegung für KMU am Beispiel des mechanischen Fügens Kurzfassung: Das Ziel von KI-pro-MF ist es, eine Software zur KI-basierten Prozessauslegung zu entwickeln, die am Beispiel des häufig eingesetzten mechanischen Fügeverfahrens‚ Clinchen‘ angewendet wird. Projektpartner: Eckold GmbH und Co. KG; Fraunhofer-Gesellschaft zur Förderung der angewandten Forschung e.V. |
| KiRo3D |
Künstliche Intelligenz für den Roboter 3D Druck Kurzfassung: Das Ziel dieses Forschungsprojektes ist, ein vollautomatisiertes Roboter-Datenvorbereitungssystem zu entwickeln, welches die Vorteile des Machine Learning (ML) nutzt. Darüber hinaus wird ein sensorgestütztes Online-Überwachsungs- und Steuerungssystem entwickelt, welches ebenfalls auf einem ML-Algorithmus beruht. Die Ergebnisse werden in einer 3D-Druck-Suite zusammengefasst und an einem Funktionsprototypen demonstriert. Projektpartner: ICARUS Consulting GmbH, Fraunhofer-Einrichtung für Additive Produktionstechnologien IAPT |
| KI-ROJAL |
KI-Radar ObJekt Analyse Library – KI- Softwareumgebung zur erweiterten Objektanalyse mittels FMCW-Radar |
| KISoSys |
KI-basierte Softsensorik für Fluidfördersysteme Kurzfassung: Ziel des Verbundvorhabens „KISoSys“ ist die Entwicklung von Softsensorik für die Prozessindustrie (Chemie, Petrochemie, Gasverarbeitung, Pharmazie, Lebensmittel- und Wasserversorgung). Diese Softsensorik wird durch Maschinelle Lernalgorithmen generiert und auf Einplatinenrechnern integriert. Im Projekt wird dazu ein Demonstrator entwickelt, welcher Maschinelle Lernalgorithmen auf einer „low energy“ Hardware vereint und mit möglichst geringem Aufwand in das Automatisierungssystem integriert werden kann. Projektpartner: LEGER GmbH, algorithmica technolgies GmbH, Solectrix GmbH, Technische Hochschule Nürnberg, Nuremberg Campus of Technology Projektblatt |
| KI2AF |
Künstliche Intelligenz zur Automatisierten Fehlerkorrektur in der Additiven Fertigung Kurzfassung: Ziel des Projektes KI2AF ist es, eine Lösung zu erforschen, die bei der Additiven Fertigung automatisiert die Qualität überwacht und Fehler korrigiert. Projektpartner: SKZ - KFE gGmbH |
| KIt-CAD |
KI-basierte, vollautomatisierte Modellierung von CAD-Gebäudeplänen für Open- und Closed-BIM Kurzfassung: Im Projekt KIt-CAD werden auf Künstlicher Intelligenz (KI) basierende Methoden entwickelt und erprobt, mit denen geometrische Messdaten von Wirtschaftsgebäuden automatisiert in ein BIM-konformes 3D-Modell überführt und mit Metainformationen versehen werden. Die Messdaten liegen zunächst als datenintensive texturierte 3D-Punktwolken vor. Mit Hilfe von KI soll darin automatisiert typische Elemente wie z. B. Maschinen, Wände oder Rohre anhand der Farb-, 3D- und Flächeninformation erkannt, voneinander getrennt und in ein einfaches, schlankes Modell überführt werden. Das Modell, das einem Baukastenprinzip entspricht, wird dann automatisch mit Metainformationen wie bspw. Typenbezeichnungen, Material oder Maßen versehen. Dieser bisher händische Datenverarbeitungsprozess soll mit KIt-CAD stark verkürzt werden. Zudem werden im Projekt breite Schnittstellen zu Open- und Closed-BIM geschaffen. Open-BIM steht für den offenen, softwarefamilien-unabhängigen und systemübergreifenden Datenaustausch, Closed-BIM für die Arbeit aller Planungs-beteiligten in einem Gebäudemodell und in einem Hersteller-Datenformat. Projektpartner: galileo-ip Ingenieure GmbH , ibz Ingenieurbüro Zeisig GmbH & Co. KG, Fraunhofer-Institut für Physikalische Messtechnik IPM, Hochschule Furtwangen Projektblatt |
| KITo |
KI-gestützte automatisierte Topologieoptimierungs-Prozesskette Kurzfassung: Ziel des Projektes KITo ist es, eine prototypische Softwarelösung mit Methoden der Künstlichen Intelligenz zu entwickeln, um die Prozesskette zur Optimierung der Topologie zu automatisieren. Der Lösungsansatz beruht auf bereits vorhandenen und zusätzlich zu generierenden Datensätzen, die neben den CAD-Daten (Computer-Aided Design-Daten) auch sämtliche Randbedingungen des Optimierungsmodells sowie die Ergebnisse der Optimierung beinhalten. Tiefe neuronale Netze sollen auf die Segmentierung der 3D-Daten trainiert und die Segmente zurück ins CAD überführt werden, um sie zum automatisierten Modellaufbau zu nutzen. Projektpartner: ProductionToGo GmbH, Fraunhofer-Gesellschaft zur Förderung der angewandten Forschung e.V., IAPT Projektblatt |
| LIMoFlow |
Lernende interaktive Modellierungsassistenz für Data Science Workflows Kurzfassung:Im Projekt LiMoFlow werden intelligente, lernende Assistenzsysteme entwickelt, die den Einsatz von KI-Methoden und die Gestaltung von DS-Workflows durch automatische Vorschläge passender DS-Workflows für die jeweilige Aufgabe unterstützen. Um die Vorschläge automatisch zu generieren und zu erklären, werden erfolgreiche DS-Workflows, Wissen über DS und den Anwendungsbereich, prozess- und dialogorientiertes fallbasiertes Schließen und Maschinelles Lernen genutzt. Darüber hinaus werden bekannte Workflows automatisch oder interaktiv angepasst und kombiniert. Projektpartner: RapidMiner GmbH, Bitburger Braugruppe GmbH, Old World Computing GmbH, QuinScape GmbH, Deutsches Forschungszentrum für Künstliche Intelligenz GmbH Projektblatt |
| MARIA |
Kooperatives maschinelles Lernen zum Entwurf elektronischer Systeme unter Verwendung robuster Simulationsmethoden Kurzfassung: Die Halbleiterindustrie ist durch immer leistungsfähigere elektronische Komponenten Schlüsseltechnologie und das wesentliche Rückgrat unserer Industrie und Gesellschaft. Ohne integrierte und hochleistungsfähige Mikro- und Nanochips wären die globale Digitalisierung und damit zahlreiche neue Geschäftsmodelle nicht möglich. Die aktuelle Chipversorgungskrise nach COVID19 zeigt die hohe Abhängigkeit von dieser Technologie. Die des Projektes MARIA ist es die immer größere Komplexität und entsprechende Datenmengen im Chipentwurf zu bewältigen. Im Vorhaben soll erforscht werden, welche Verfahren des Maschinellen Lernens (ML) und der Künstlichen Intelligenz (KI) sich dazu eignen. Projektpartner: MunEDA GmbH, Fraunhofer Institut für Elektronische Nanosysteme ENAS Projektblatt |
| More-with-Less |
Effiziente Sprachmodelle für KMUs Kurzfassung: Ziel ist es, Methoden und ein Framework zu entwickeln, um Sprachmodelle für KMU-spezifische Anwendungen effizient anpassen zu können. Projektpartner: 2txt NLG GmbH, Berliner Hochschule für Technik, Fraunhofer IAIS |
| MUCADIS AI |
Multi Carrier Dispatch Planning – KI-gestützte Versandplanung Kurzfassung: Ziel des Verbundvorhaben MUCADIS AI ist es, mithilfe von KI-gestützter Versandsteuerung eine verbesserte Entscheidungsgrundlage für optimale Versandwege zu schaffen. Ausschlaggebend soll die Verbesserung der Informationsbasis durch die Generierung von Prognosedaten für kurzfristige Zeiträume und die Handhabung komplexer Wechselwirkungen mithilfe von KI-Algorithmen sein. Insbesondere die Auswahl des optimalen Versandzeitpunkts ist von zentraler Bedeutung. Projektpartner: VCE VERKEHRSLOGISTIK Consulting & Engineering GmbH, Technische Universität Dortmund |
| NeSyPlan |
Neuro-symbolische KI-Planung Kurzfassung: Ziel des Vorhabens NeSyPlan ist es, neuartige Methoden zu entwickeln, mit denen Planungsprobleme durch eine Kombination von Methoden aus der symbolischen und subsymbolischen Künstlichen Intelligenz gelöst werden können. Projektpartner: Karlsruher Institut für Technologie |
| NetZeroNet |
KI-unterstützte Analyse von Nachhaltigkeitsberichten zur Bewertung der Klimaneutralität von Unternehmen Kurzfassung: Um die Klimaneutralität von Unternehmen bewerten zu können, sind möglichst kontinuierlich Unmengen von Textdokumenten zu recherchieren, zu analysieren und zu bewerten. Um Analysten dabei durch Künstliche Intelligenz zu unterstützen, sollen in NetZeroNet wissenschaftliche und technologische Grundlagen geschaffen werden. Mit aktuellen Verfahren der Textmodellierung sollen die zunehmenden Informationsmengen, u. a. aus Firmenberichten, erschlossen und ein Wissensmodell aufgebaut werden, welches erstmalig auch indirekte Emissionen aus Wertschöpfungsketten (bspw. aus der Zulieferkette) ganzheitlich und branchenspezifisch erfasst. Dabei sollen zwei KI-Kernkomponenten agil erarbeitet werden: eine Informationsextraktion, die bewertungsrelevante Fakten in Firmenberichten detektiert, und eine sogenannte Knowledge Graph Completion, die diese Fakten nach ihrer Relevanz priorisiert und den Analysten vorschlägt, Fakten strukturiert und anhand des aktuellen Nutzerkontexts priorisiert. Projektpartner: Sociovestix Labs Ltd., Hochschule RheinMain Projektblatt |
| NeuroTouch |
Neuronale Toucherkennung auf großflächigen Anzeigen Kurzfassung: Ziel des Vorhabens NeuroTouch ist es, einen innovativen KI-basierten Ansatz für die Touch-Erkennungssoftware für große Bildschirme zu entwickeln. Projektpartner: Fraunhofer-Institut für Zuverlässigkeit Mikrointegration (FhG IZM) |
| PASCAL |
Proaktiver Smart Controller für Ampelanlagen Kurzfassung: Ziel des Verbundvorhabens „PASCAL“ ist es, KI-Verfahren zu entwickeln, die Ampelanlagen proaktiv steuern und den Verkehr im städtischen Bereich optimieren. Erprobt werden sollen die Ergebnisse in einem Testfeld der Stadt Magdeburg. Dieses Testfeld, in dem Fahrzeuge mit Verkehrseinrichtungen kommunizieren, wurde von Thorsis Technologies in Kooperation mit der Stadt Magdeburg aufgebaut, um Verkehrsdaten in Echtzeit zu erfassen und zu analysieren. Für das gesteckte Ziel, die Ampelschaltzyklen für den Verkehrsfluss zu optimieren, werden von den Projektpartnern neue KI-basierte Verfahren (überwachtes Lernen, bestärkendes Lernen, Graph-basiertes Lernen) erforscht und eingesetzt. Projektpartner: Thorsis Technologies GmbH, Otto-von-Guericke-Universität Magdeburg (Artificial Intelligence Lab, Digitales Anwendungszentrum Mobilität, Logistik und Industrie) Projektblatt |
| PreciRaSe |
Zuverlässige und echtzeitfähige Detektion von Verkehrsteilnehmern mit hochauflösenden 3D Radarsensoren Kurzfassung: Im Projekt PreciRaSe soll eine künstliche KI entwickelt werden, die die kostengünstigere Radartechnik so unterstützt, dass sie die Präzision und Geschwindigkeit eines teuren LiDar-Systems erreicht. Projektpartner: Hochschule Mannheim, Phoenix PHD GmbH |
| Quasap |
Qualitätsmanagement mit Sprachmodellen für bessere Produkte Kurzfassung: Ziel des Projekts ist die Erstellung eines erweiternden Sprachmodells für Produktkommunikation. Auf Basis dieses Sprachmodells werden Klassifikatoren für die Relevanz der Produktbeobachtung und zur Klassifikation der Produktprobleme entwickelt und getestet. Projektpartner: FZI Forschungszentrum Informatik |
| Qua2ntum |
Qualitätsmanagementsystem für KI-Systeme in regulierten Märkten mit datengetriebener Interpretierbarkeit und Robustheit durch reale und synthetische Daten Kurzfassung: Die automatisierte Qualitätskontrolle in pharmazeutischen Produktionsprozessen stellt hohe Anforderungen an Genauigkeit und Nachvollziehbarkeit von KI-gestützten Systemen, um Patientenrisiken zu minimieren. Projektpartner: OCTUM GmbH, Aimino Tech GmbH, Fraunhofer-Institut für Produktionstechnologie (IPT) |
| RECAST |
Überwachung der Schweißqualität durch künstliche Intelligenz Kurzfassung: Um die Produktivität von Produktionsanlagen zu erhöhen, sieht die Industrie ein hohes Potential im Einsatz von Künstlicher Intelligenz (KI), was sich für viele aber aufgrund zurzeit noch fehlender Lösungen nicht so schnell umsetzen lässt. Ziel des Verbundvorhabens „RECAST“ ist es daher, ein einfach zu bedienendes und dennoch adaptierbares Framework zur Prozessbegleitung zu erstellen. Projektpartner: WOGRA AG, Deutsches Zentrum für Luft- und Raumfahrt e.V.W Projektblatt |
| RELiABEL |
Vertrauenswürdige KI durch vertrauenswürdige Daten Kurzfassung: Wie kann eine hohe Labelqualität möglichst effizient, skalierbar und kostengünstig erreicht werden? Die beiden Ziele von RELiABEL sind: 1) Die Verbesserung der Labelqualität existierender Datensätze. Dazu wollen wir in existierenden Datensätzen effizient und zuverlässig Labelfehler aufspüren und korrigieren und 2) Probabilistisches Labeling von Datensätzen. Dafür werden teilautomatisierte Methoden der KI, kombiniert mit Humans in the Loop (HITL), untersucht und eingesetzt. Die KI macht Vorschläge, welche Daten – womöglich zum wiederholten Male – annotiert werden sollen. Projektpartner: Quality Match GmbH, Bergische Universität Wuppertal |
| SAFECAR-ML |
Semantische Änderungsbeschreibung für die Fahrzeugentwicklung mit ML-basierter automatischer Klassifizierung Kurzfassung: Die Hauptziele von SAFECAR-ML sind die automatische Generierung von menschenlesbaren Beschreibungen von durchgeführten Änderungen im Produktentwicklungsprozess von Fahrzeugen, sowie die Klassifizierung dieser Änderungen in Kategorien hinsichtlich ihrer Intention. Angestrebt wird, in der Entwicklung die Arbeit der Dokumentation von durchgeführten Änderungen zu erleichtern, zusätzlich die semantischen Beschreibungen zu vereinheitlichen und somit semantische Vorschläge in der Produktentwicklung auf Basis des historischen Datenbestandes zu ermöglichen. Projektpartner: Scale GmbH, Fraunhofer-Institut für Algorithmen und Wissenschaftliches Rechnen (SCAI) |
| SALM |
Selbst-Adaptives Lademanagement für Ladeinfrastruktur – Modellierung, Prognose und Planung mit Methoden des Maschinellen Lernens Kurzfassung: Ziel des Verbundvorhabens „SALM“ ist es, eine neuartige Software-basierte Steuerung der Energieverteilung für umfangreiche Ladeinfrastrukturen für Elektrofahrzeuge unter Einsatz von KI-Methoden zu entwickeln. Hierzu bilden „Digitale Zwillinge“ das Verhalten der Ladestationen nach und ermöglichen so, die Steuerung zu optimieren. Darauf aufbauend werden die Vorteile einer Selbstoptimierung durch Einsatz von KI-Verfahren erforscht. Dazu werden Qualitätsziele definiert und anhand von Qualitätskennzahlen die Ergebnisse des Lademanagements bewertet. Im Ergebnis soll ein lernendes System nach dem Prinzip der LCS (learning classifier systems) entwickelt werden. Dieses System soll sich zur Laufzeit weitgehend autonom an neue Situationen anpassen und dabei gezielt Wissen über die Lastverläufe an den realen Ladestationen mit wählbaren Zielparametern kombinieren können. Projektpartner: FLAVIA IT-Management GmbH, Universität Kassel, Fachgebiet Intelligente Eingebettete Systeme |
| SCAMP |
SCAle-out Machine-learning Platform Kurzfassung: Ziel des Verbundvorhabens „SCAMP“ ist es, einen datenschutzkonformen Sprachassistent für B2B/B2C-Anwendungen zu entwickeln, der erstmalig auch den simultanen Dialog mehrerer Sprecher begleiten und unterstützen kann. Die bestehende Sprach-assistenz-Pipeline wird um neue Funktionen zur Sprecheridentifikation und -zuordnung ergänzt. Dazu wird die Eignung verschiedener ML-Netzstrukturen und Digitalisierung analoger Signale untersucht. Projektpartner: Xelera Technologies GmbH , Technische Universität Darmstadt Projektblatt |
| SchauML |
Entwicklung nutzerzentrierter, optischer Warenschau -systeme für komplexe Produkte mittels Machine Learning Kurzfassung: Im Projekt wird am Beispiel komplexer Textilien nutzerzentriert ein Expertensystem entwickelt, welches die Bedienerfreundlichkeit regelbasierter Systeme erhöht. Zudem wird ein KI-basierter, digitaler Warenschautisch erstellt, welcher je nach Lerngrad Daten im laufenden Prozess erhebt und lernt, bei der manuellen Warenschau assistiert und die Warenschau übernimmt. Außerdem werden Verfahren zur Organisation des Produktlebenszyklus‘ KI-basierter Warenschausysteme entwickelt. Projektpartner: MABRI.VISION GmbH, Entwurfreich GmbH, RWTH Aachen Projektblatt |
| SLIK |
Synthese linguistischer Korpusdaten Kurzfassung: Ziel des Verbundvorhabens „SLIK“ ist es, KMU, die nicht über genügend eigene Trainingsdaten verfügen, den Einsatz von Sprachverarbeitungsmodellen zu erleichtern. Dazu werden Werkzeuge entwickelt, die domänenspezifische, synthetische Sprachdaten erzeugen, mit deren Hilfe KMU ohne große Datensammlungen text- und sprachbasierte Sprachassistenten erstellen können. Zudem sollen vorgefertigte, mittels Data Augmentation generierte Korpora geschriebener und gesprochener Sprache für verschiedene KMU-relevante Anwendungsdomänen bereitgestellt werden. Um diese Ziele zu erreichen, sollen hybride Systeme zum Einsatz kommen, die regelbasierte Verarbeitung mit Maschinellem Lernen kombinieren und so wesentliche Vorteile gegenüber einem rein statistischen Ansatz bieten. Dabei werden auch die besonderen Anforderungen von KMU berücksichtigt: eng eingegrenzte Anwendungsdomänen, Kontrolle, Sicherheit, Vertraulichkeit und Nachvollziehbarkeit sowie die einfache Durchführbarkeit der Data-Augmentation. Projektpartner: Kauz GmbH, Aristech GmbH, Universität des Saarlandes Projektblatt |
| SODAH |
Smart Object Detection And Handling Kurzfassung: Das Ziel von SODAH ist die Entwicklung eines möglichst kostengünstigen und skalierbaren Handhabungssystems, bestehend aus einem 6-DOF-Roboter und einem Sensorsystem. SODAH erkennt zu greifende Objekte auf einem Förderband, um Greifmuster zu erlernen und auszuführen. Für die Steuerung des Roboters werden klassische Programmieransätze mit KI-Algorithmen kombiniert, um einen fließenden Übergang zu ermöglichen und das Vertrauen in die KI-basierte Steuerung zu stärken. Projektpartner: S&K Anlagentechnik GmbH, fruitcore robotics GmbH, Hochschule Konstanz Technik, Wirtschaft und Gestaltung |
| SoftProc |
Entwicklung von Verfahren zur retrograden Prozessanalyse aus einer laufenden Applikation heraus Kurzfassung: Ziel ist ein Verfahren, das die Aktivitäten im Produktivsystem während der Abarbeitung eines Prozesses beobachtet und diese Informationen detailliert protokolliert. Zur Online-Prozessanalyse werden parallel die softwareseitigen Abläufe aus der laufenden Applikation heraus ermittelt, wobei die Verwendung von Anwendungen über unterschiedliche Anwender, Standorte oder Uhrzeiten dokumentiert wird. Prozessinformationen werden so automatisiert aus bestehenden Softwareinfrastrukturen generiert, wobei der Datenschutz des Nutzers durch technische und organisatorische Maßnahmen gewährleistet wird. Projektpartner: PITSS GmbH, Universität Ulm |
| SynthNet |
Visuelle Suche zur automatischen Identifikation von Industriekomponenten basierend auf mit synthetischen Kurzfassung: Ziel des Verbundvorhabens „SynthNet“ ist es, den kritischen Prozess der Ursachenfindung durch KI-basierte visuelle Identifikation der defekten Maschinengruppen und Bauteile deutlich zu beschleunigen. Die Einsätze der Service-Mitarbeiter können damit effizienter geplant oder gänzlich ersetzt werden. Dabei sollen etablierte KI-basierte Technologien auf die visuelle Suche im industriellen Kontext übertragen werden. Projektpartner: nyris GmbH, topex GmbH, Beuth Hochschule Projektblatt |
| Text2Tech |
Deep Learning-gestütztes Text Mining für Technologiemonitoring in der Automobilproduktion Kurzfassung: Projektpartner: Neofonie GmbH, Deutsches Forschungszentrum für Künstliche Intelligenz GmbH, Innovationsgesellschaft für fortgeschrittene Produktionssysteme in der Fahrzeugindustrie (inpro) GmbH Projektblatt |
| UP_Ramp-up |
KI gestützter Prozess zur Optimierung des Parameterraums von Fertigungsprozessen zur Einzelstückfertigung von komplexen optischen Strukturen Kurzfassung: Das Ziel des Vorhabens UP_Ramp-up ist es, die genannten Herausforderungen anzugehen und eine ressourcenschonende, automatisierte KI-Prozessentwicklung zu erreichen. Der Parameterraum soll dabei mithilfe einer prozessintegrierten KI-Lösung optimiert werden, die den regelungs- und steuerungsseitig dem Fertigungsprozess angepassten Parametersatz bereitstellt. Projektpartner: Innolite GmbH, Fraunhofer Institut für Produktionstechnologie (IPT) Projektblatt |
| valid-AI-te |
GxP-konforme Computersoftware-Validierung durch Process Automation Kurzfassung: Ziel des Verbundvorhabens „valid-AI-te“ ist es, Künstliche Intelligenz für die weitgehende Automatisierung von CSV zu nutzen, um sie einfacher, verlässlicher, kostengünstiger und effizienter umzusetzen. Der im Projekt verfolgte Lösungsansatz zielt darauf ab, die Ausführungsdaten in IT-Systemen zu erfassen, die dazu gehörenden digitalen Geschäftsprozesse zu identifizieren und dabei zu erkennen, ob die Software so funktioniert, wie sie spezifiziert und für ihren Einsatz validiert wurde. Projektpartner: DHC Business Solutions GmbH & Co. KG, Universität Mannheim – Management Analytics Center (MAC), Ticeba GmbH Projektblatt |
| VaStNet |
Optimierung von Wertströmen mit neuronalen Netzen Kurzfassung: Ziel ist es, Nutzer KI-gestützt bei der Modellierung korrekter Wertströme zu unterstützen. Hierzu sollen Lernverfahren entstehen, die den Wertstromexperten als digitaler Assistent unterstützen: VaStNet zeigt Fehler im Wertstrom auf und macht Vorschläge, einen digital dokumentierten, aber fehlerbehafteten Wertstrom in einen simulationsfähigen und korrekten Wertstrom zu überführen. Um dies zu erreichen, formuliert VastNet ein maschinelles Lernproblem ähnlich Language Modeling in Text-KIs: Gegebenen korrekten Wertströmen, werden Kanten, Knoten oder Attribute aus dem Wertstrom ausmaskiert, und das Modell wird nun darauf trainiert, das maskierte Element auf Grundlage des Kontexts vorherzusagen. Projektpartner: SimPlan AG, SIEBEN Consulting-Training-System GmbH, Hochschule RheinMain |
| VersAtile-KI |
Verschleiß- und Abnutzungsbefundung an Altteilen mittels KI-basiertem, optischem Entscheidungsunterstützungssystem Kurzfassung: Im Projekt „VersAtile-KI“ wird ein, auf Künstlicher Intelligenz (KI) basierendes, Entscheidungsunterstützungssystem erforscht, das Menschen bei der Befundung unterstützen soll. Dazu eignet sich insbesondere ein KI-basiertes System, da es flexibel einsetzbar ist und das Expertenwissen der Mitarbeitenden erlernen kann. Projektpartner: Kaptura GmbH, Fraunhofer IPA |
| VorPlanML |
Unterstützung der Vorgangsfolgeermittlung in der Arbeitsplanung durch maschinelles Lernen Kurzfassung: Das Ziel des Vorhabens VorPlanML ist es, den Arbeitsplanungsaufwand zu reduzieren, indem Schritte der Vorgangsfolge durch tiefe maschinelle Lernalgorithmen auf Basis früherer Fertigungsdaten vorhergesagt werden. Dazu sollen Daten von vorhandenen Arbeitsplänen und zugehörigen Produktinformationen mit Hilfe von Domänenwissen aufbereitet werden. Basierend darauf sollen Lernmodelle entwickelt werden, die das darin vorhandene implizite Expertenwissen erfassen. Anschließend soll zur praxisorientierten Anwendung ein Softwaredemonstrator realisiert und validiert werden. Projektpartner: up2parts GmbH, KWS Kölle GmbH, Technische Universität Kaiserslautern Projektblatt |
| WindKI |
Detektion und Quantifizierung von Leistungspotenzialen von Windturbinen mittels KI-gestützer Diagnoseverfahren Kurzfassung: Das entwickelte System WindKI identifiziert Fehlermodi und Effizienzpotentiale in Windenergieanlagen präzise und schlägt Optimierungsmaßnahmen vor, deren Umsetzung zu einer erhöhten Effizienz, einer Verlängerung der Lebensdauer der Anlagen und letztlich zu einer Steigerung der Energieausbeute aus Windenergie führen. Die Einsatzgebiete der Lösung erstrecken sich von der direkten Anwendung bei Betreibern von Windparks zur Überwachung und Wartung ihrer Anlagen bis hin zu Forschungseinrichtungen, die die gewonnenen Daten und Erkenntnisse für die Weiterentwicklung von Windenergietechnologien nutzen können. Die KI-gestützte Lösung stärkt Deutschland in seiner Position als Technologieführer in erneuerbaren Energien und trägt zu einer verbesserten Energieerzeugung bei. Projektpartner: Adoxin UG, Fraunhofer-Institut für Windenergiesysteme (IWES) |
| XAIaaS |
Erforschung und Entwicklung nutzerorientierter eXplainability für KI als No-code-Softwarelösung als Hebel für AI Adoption und AI Literacy in KMU Kurzfassung: Ziel des Forschungsprojekts XAIaaS für KMU ist es zu erforschen, wie Ansätze der Erklärbaren KI (XAI, engl.: Explainable Artificial Intelligence) die Adoption von KI als No-code-Softwarelösung („as a service“) und die Schließung der KI-Kompetenzlücke in KMU sicherstellen können. Langfristig soll so eine Orientierungshilfe geschaffen werden, wie der nutzerzentrierte Einsatz von KI-basierten Entscheidungsunterstützungssystemen in KMU gelingen kann. Projektpartner: ai.dopt GmbH, Inlinity Technologies GmbH, Universität Ulm |
| XAI4SFAS |
Intelligentes Assistenzsystem für die teilautonome Schiffsführung Kurzfassung: Das Vorhaben hat zum Ziel, auf der Grundlage von KI-Methoden erklärbare und transparente Handlungsempfehlungen abzuleiten und für die Schiffsführung anwendbar zu machen. Projektpartner: DFKI GmbH Oldenburg; Jade Hochschule Wilhelmshafen |
| X-Loop |
eXplainability als Hebel für den gezielten Human-in-the-Loop Einsatz von KI in der Metallindustrie Kurzfassung: Eine effektive Zusammenarbeit zwischen Mensch und KI wird durch Ansätze aus dem aufstrebenden Forschungsfeld Erklärbare KI (engl.: XAI, Explainable Artificial Intelligence) ermöglicht. Ziel des Forschungsprojekts X-Loop ist es zu erforschen, wie der gezielte Einsatz von XAI-basierten "Human in the loop"-Ansätzen das Potenzial von KI in KMU in der Metallindustrie heben kann. Dabei werden zunächst Anforderungen an die Nachvollziehbarkeit für den Einsatz von KI in der Metallindustrie erhoben. Projektpartner: goCAD GmbH, Inlinity Technologies GmbH, Universität Ulm, Köbler Zerspan- und Rundschleiftechnik GmbH Co. KG, LST Laser & Schalttechnik GmbH & Co. KG |
