Digitale Geschäftsprozesse

Die Arbeitsgruppe Digitale Geschäftsprozesse kann auf langjährige Erfahrungen in den Bereichen digitaler Infrastrukturdaten sowie deren weiterverarbeitenden Wertschöpfungen zurückblicken. Dies umfasst auf Basis von Big Data diverse Ansätze von Data Mining und Machine Learning, welches eines der Hauptaspekte der Künstlichen Intelligenz (KI) ist. Dabei bildet die Arbeitsgruppe die gesamte Wertschöpfungskette ab, beginnend bei der Verarbeitung von Rohdaten bis hin zur Erarbeitung von Monetarisierungsstrategien digitaler Services. In den domainspezifischen Anwendungsfeldern der digitalen Infrastrukturen und Industrie 4.0 bündelt die Arbeitsgruppe wissenschaftliche Expertise und Erfahrung der praxisnahen Umsetzung. Die technologische Basis bildet das hauseigene Big-Data-Cluster, auf dem die aus Wirtschaft und Wissenschaft geforderte schnelle Verarbeitung von Daten mittels intelligenter Nutzung von Hard- und Softwarekomponenten realisiert wird.

Die Künstliche Intelligenz hat die Forschungslabore verlassen und durchdringt mit atemberaubender Geschwindigkeit unsere Alltagswelt in Form digitaler Assistenten, kooperativer Roboter und autonomer Fahrzeuge. Einen interessanten Überblick über den aktuellen Stand dieser Zeitenwende hin zur digitalen Wirtschaft bietet die nachfolgende Publikation: 

• Zukunftsmarkt Künstliche Intelligenz: Potenziale und Anwendungen

Da es bisher noch keinen durchgängigen Prüf- und Zertifizierungsprozess für additiv gefertigte Bauteile gibt, muss ein Großteil der Proben zerstörend geprüft werden. Das Vorhaben CertiFlight möchte daher das Zulassungsverfahren für derartige Bauteile in der Luftfahrt vereinfachen sowie beschleunigen und stützt sich dabei auf Daten und Ergebnisse, die in dem Projekt AMCOCS generiert und vorverarbeitet wurden. Um zukünftig additive Fertigungsverfahren zertifizieren zu können, wird in CertiFlight eine selbstlernende, Big-Data- und KI-basierte Plattform für digitale Prüf- und Zertifizierungsverfahren für additiv gefertigte Bauteile in der Luftfahrt entwickelt. So sollen die entsprechenden Prozesse kosten- und ressourceneffizienter gestaltet werden.

Durch die Analyse aller Prozessschritte und den Einsatz von Methoden der künstlichen Intelligenz werden die qualitätsrelevanten Parameter identifiziert, um anschließend nicht nur ein Bauteil, sondern den gesamten Produktionsprozess zertifizieren zu können. Insgesamt ist geplant, mittels der Fraunhofer-KI verschiedene modulare Datenanalysekomponenten zu entwickeln, um die bei diesem Prozess entstehenden Daten in ihrer Gesamtheit zu analysieren und Aussagen bezüglich der Qualität der additiv gefertigten Bauteile treffen zu können. Das Fraunhofer IVI beschäftigt sich im Projekt schwerpunktmäßig mit der Big-Data-Datenanalyse auf Basis von parallelisierbaren KI-Methoden.

Insgesamt deckt das interdisziplinäre Konsortium die Wertschöpfungskette vom Maschinenhersteller über den Zulasser bis hin zum Anwender ab. Mit einer geplanten Laufzeit von 51 Monaten soll das vom Bundesministerium für Wirtschaft und Energie geförderte Vorhaben bis Anfang 2025 fertig gestellt werden.

Das Projekt AMCOCS beinhaltet die Entwicklung einer selbstlernenden Plattform zur Beschleunigung der Prüf- und Zertifizierungsverfahren in der additiven Fertigung sowie die Überführung dieser Erkenntnisse in digitale Geschäftsmodelle.

Der Einsatz der additiven Fertigung setzt das Erbringen von Festigkeitsnachweisen voraus. Derzeit existieren für die additive Fertigung nur sehr zeit- und kostenintensive Qualitätssicherungsprozesse, die für den breiten Einsatz dieses Verfahrens eine hohe Hürde darstellen. Auf der neu zu schaffenden Prüfplattform laufen alle Daten der additiven Fertigung, der Nachbearbeitung und der Werkstoffkennwertermittlung zusammen. Im Rahmen des Vorhabens erfolgt eine Pilotierung der Zertifizierung von 3-D-gedruckten additiv gefertigten Bauteilen anhand von Use-Cases aus dem Bereich der Luftfahrt. Diese Untersuchungen, die damit verbundenen Test- und Nachweisprozeduren sowie historische Daten aus einschlägigen Prüfungen bilden den Datengrundstock. Bei jeder weiteren Prüfung werden zusätzliche Daten gewonnen, mit denen sich die Verfahren permanent verfeinern lassen. Mit Hilfe komplexer Algorithmen lassen sich Prognosen über die Festigkeit der zu druckenden Objekte ableiten. In Zukunft soll es möglich sein, bereits im Vorhinein – also vor dem Ausdruck – verlässliche Aussagen über die Festigkeit der zu druckenden Objekte zu treffen. Nutzern wird auf Basis der ermittelten Materialkennwerte eine fachgerechte Auslegung ermöglicht. Händische Prüf- und Zertifizierungsverfahren werden damit deutlich verkürzt.

Das Vorhaben wird gefördert vom Bundesministerium für Wirtschaft und Energie. 

• Projektwebsite

Das Projekt DatenTanken widmet sich dem wirtschaftlich tragfähigen Betrieb datenbasierter Mobilitäts- und Energiedienste und überführt diese Erkenntnisse in digitale Geschäftsmodelle, um den netzverträglichen Ausbau der öffentlichen Ladeinfrastruktur für Elektrofahrzeuge in Dresden und darüber hinaus die teilöffentlich nutzbare Infrastruktur für Logistikunternehmen und Wohnbaukonzernen voranzutreiben.

Insgesamt ist geplant, in der Landeshauptstadt 33 Schnell- sowie 237 Normalladepunkte aufzubauen. Mit dieser Ladeinfrastruktur können bei voller Auslastung die NOx-Emissionen um 17,8 Tonnen pro Jahr reduziert werden. Für einen dauerhaft wirtschaftlichen Betrieb werden durch das Fraunhofer IVI in DatenTanken  innovative, datenbasierte Geschäftsmodelle konzipiert: In der Zeit des Ladevorgangs gewährt der Fahrzeughalter – optional im Tausch gegen verbilligten Strom – Zugriff auf seine Fahrzeugdaten. Diese werden entweder für digitale Mobilitätsdienste genutzt und/oder an Dritte verkauft und refinanzieren so nicht nur die Ladeinfrastruktur, sondern auch den verbilligten Strom.

Dynamisch-selbstlernendes maschinelles Lernen für die touristische Buchhaltung

Zielstellung von Aurebu ist es, Rechnungen mittels maschineller Lernverfahren zu erkennen und nachgelagert die Integration der Ergebnisse in einen wertschöpfungsgetriebenen Workflow zu überführen. Die Schritte sind eingeteilt in:

1. Geschäftsvorfallerkennung und
2. Buchhalterische Verbuchung.

In der Anlernphase der KI-Komponenten wurde eine Lerndatenmenge von 300.000 Dokumenten verwendet. Dabei sind Regelsets aus Sicht der travelbasys, wie beispielsweise Buchungskreise, definiert worden, die so beschrieben werden konnten, dass eine dynamische Regelentwicklung in einem selbstlernenden System etabliert werden konnte. Wichtig ist zu erwähnen, dass das KI-System ab einem bestimmten Punkt in die Selbstlernphase übergegangen ist, damit sich ein selbst-adaptives Regelsystem entwickeln konnte. Vordefinierte Regeln gehören damit der Vergangenheit an.

Im Prototypen wurden folgende Komponenten entwickelt, die wiederum selber aus mehr als 40 Unterkomponenten bestehen: 

• Dokumentenanalyse 
• Machine Learning/KI 
• Integration der Branchenlogik 
• Optimierung des Workflows

Am Ende der Trainingsphase wurden Massenvergleiche der Buchungssätze aus den Eingangsrechnungen zwischen der Aurebu-KI und den menschlich eingegebenen Buchungssätzen durchgeführt. Hier wurde im Mittel eine Matchingquote von >85 % der Aurebu-KI erreicht. Mit der Nutzung weiterer Lerndaten in Form von aktuellen Rechnungen sollte die Matchingquote automatisiert weiter erhöht werden können.

• weitere Informationen

Cartox² entwickelt und definiert digitale Geschäftsprozesse rund um die Basisdienste des autonomen Fahrens und überführt diese Erkenntnisse in digitale Geschäftsmodelle. Deren Dienste richten sich an Unternehmen und Behörden, die zukünftig Angebote für das automatisierte Fahren bereitstellen (Automobilhersteller und Zulieferer, Telekommunikationsunternehmen sowie Anbieter digitaler Mobilitätsdienste). Die Grundlage für die Prozesse sind neben dem digitalen Kartenmaterial weitere Informationen für das automatisierte Fahren. Maßgeblich interessant für die Zielgruppe sind Informationen über die Car-2-Car-Konnektivität, die Netzabdeckung für die Car-2-Infrastructure-Kommunikation sowie die Analyse des Datenroutings zu und zwischen den Edge-Clouds, den Zugangspunkten der Cloud-Umgebung. Cartox² bietet darauf aufsetzende Analyseergebnisse für eine latenzarme Datenverarbeitung in Echtzeit, bspw. eine Risikobewertung für Verkehrsteilnehmer. Dabei werden neben einer großen Anzahl eigener hybrider Kommunikations- und Ortungsdaten auch Daten aus diversen Quellen, wie bspw. dem Breitbandatlas oder 3D-Stadtmodellen integriert. Diese werden auf einer Big Data-Plattform zusammengeführt, aufgewertet und zunächst in drei initiale Cartox²-Services überführt. Somit wird ein kleinteiliges Erheben der Messdaten vermieden und die digitalen Angebote können bequem „As-a-Service“ bezogen werden.

• weitere Informationen

Innerhalb des Projektes iTESA entsteht ein durch maschinelle Lernverfahren automatisiertes Alarmsystem für Reiserisiken. Es warnt Reisende in Echtzeit und ermöglicht es so, selbst unmittelbar vor Reisebeginn noch umzudisponieren. Entsprechende Informationen gewinnt iTESA als Ersttrigger aus sozialen Netzwerken und zur Validierung aus öffentlichen Quellen. Dieser Datenstrom wird mit semantischen Wörterbüchern und statistischen Verfahren auf Reiserisiken (Unruhen, Naturkatastrophen, Epidemien) analysiert. Grundlage ist das Fachwissen der führenden Reisedatenplattform RBS sowie dem historischen Krisenlogbuch der TUI. Reise-Anbietern eröffnet iTESA die Möglichkeit, einen geldwerten Zusatzservice anzubieten, der insbesondere für Unternehmen – sie unterliegen einer arbeitsrechtlichen Fürsorgepflicht – von großem Interesse ist. Zudem lassen sich die in iTESA entwickelten Techniken und Methoden dank Interoperabilität und generischem Ansatz auch auf andere Branchen – beispielsweise die Logistik – übertragen.

• Projektwebsite

Im Rahmen des Projektes iSAND wird mittels eines digitalen Analyseprozesses ein automatisches Informationssystem für Echtzeit-Risiken in Katastrophenlagen entwickelt. Die daraus resultierenden Erkenntnisse fließen in ein digitales Workflowmanagement ein mit dem Ziel, Maßnahmen zur Anpassung an die Krisensituation abzuleiten und die Anpassungsfähigkeit der sozial-interaktiven Systeme zu erhöhen. Dabei stehen die Aufbereitung dieser in sozialen Netzwerken geteilten Informationen sowie das Setzen von Grundlagen für die Lenkung breiter Bevölkerungsmassen in geordnete und sinnvolle Hilfsmaßnahmen im Vordergrund. Mittels maschineller Lernverfahren und unter Zuhilfenahme von Daten aus sozialen Medien erfolgt die Datenaufbereitung in kritischen Gebieten, die prototypisch in einem Livesystem verfügbar sind.