Maschinelles Lernen in Medizin und Industrie 4.0

Ob in der Automobilindustrie, der Medizin oder Agrarwirtschaft: In all diesen Bereichen hilft Maschinelles Lernen dabei, L?sungen für aktuelle Herausforderungen zu finden. An der Universit?t Bamberg bearbeiten insbesondere Forschende aus den Bereichen Wirtschaftsinformatik und Angewandte Informatik diese Themen:

Automatisierte Qualit?tssicherung in der Produktion

Um ein Auto herzustellen, sind viele Produktionsschritte und Maschinen n?tig. Oberste Priorit?t beim Fahrzeugbau hat die Sicherheit der Fahrzeuginsassen. Alle verwendeten Bauteile müssen voll funktionsf?hig sein und h?chsten Sicherheitsstandards genügen. Entsprechend komplex, langwierig und bedeutsam ist in der Automobilindustrie die Qualit?tssicherung.

KI soll dabei unterstützen, den Qualit?tssicherungsprozess noch effizienter und fehlerfreier zu gestalten. Zum Beispiel, indem sie die Menge an Daten, die innerhalb des Produktionsprozesses anfallen, nach bestimmten Kriterien filtert und klassifiziert und dadurch einzusch?tzen lernt, an welcher Stelle defekte Teile im Umlauf sein k?nnten und frühzeitig warnt. Ziel des Projekts ist es auch, die Produktion insgesamt besser zu verstehen und Vorschl?ge zur Verbesserung des Produktionsprozesses zu machen. Für das Projekt kooperiert der Lehrstuhl für Wirtschaftsinformatik, insbesondere Soziale Netzwerke, mit einem führenden deutschen Automobilhersteller.

Computer-Tomographie ressourcenschonend nutzen

Die Computer-Tomographie (CT) ist ein bildgebendes Verfahren, das Querschnittsbilder des menschlichen K?rpers anfertigt und K?rperstrukturen sehr pr?zise darstellen kann. Die Aufnahmen sind wesentlich detaillierter als herk?mmliche R?ntgenaufnahmen und erleichtern zum Beispiel die Tumorfindung. Aufgrund ihrer komplexen Leistung sind Computer-Tomographen in Herstellung, Nutzung und Wartung sehr teuer. KI soll dabei unterstützen, Computer-Tomographen ressourcenschonend zu nutzen, zum Beispiel, indem sie Vorschl?ge zu einer effizienten Wartung macht.

Durch den Einsatz von KI, Data Mining und Maschinellem Lernen soll gew?hrleistet werden, dass die einzelnen Bestandteile ressourcenschonend, also m?glichst lange, verwendet werden k?nnen, gleichzeitig aber rechtzeitig ausgetauscht werden, um Betriebsausf?lle zu vermeiden und das Ger?t durchg?ngig nutzen zu k?nnen. Zu diesem Zweck ist es wichtig, rechtzeitig zu erkennen, wann eine Komponente kurz vor dem Ausfall steht und ausgetauscht werden muss. Das Projekt ist eine Kooperation der Professur für Angewandte Informatik, insbesondere Kognitive Systeme, mit Siemens Healthineers Deutschland.

Verfahren zur objektiven Bewertung des Pflanzenwachstums

Die Folgen des Klimawandels sind ?u?erst vielschichtig und zwingen zum Umdenken – insbesondere in der Landwirtschaft. Das Problem: Pflanzen k?nnen sich auf die klimatischen ?nderungen nicht schnell genug einstellen, sodass Sorten gezüchtet werden müssen, die resilient gegenüber den prognostizierten Bedingungen sind. Die Ph?notypisierung von Pflanzen mittels zerst?rungsfreier Monitoring-Technologien aus dem Bereich der KI soll dabei unterstützen.

Für wichtige Entscheidungen in der Pflanzenzucht und Saatgutproduktion werden objektive Verfahren zur Bewertung des Pflanzenwachstums ben?tigt, beispielsweise um festzustellen, welche Pflanzenart wie gut unter welchen Bedingungen w?chst. Nachdem das menschliche Auge allein nicht in der Lage ist, pr?zise und objektiv zu bewerten, werden Pflanzen mittels unterschiedlicher Monitoring-Verfahren dreidimensional vermessen und untersucht. Auf dieser Basis k?nnen unterschiedliche Parameter, beispielsweise zur Wuchsform, Blattfl?che und das Aspektverh?ltnis der Wurzelstrukturen, zu einem bestimmten Zeitpunkt objektiv bestimmt werden. Das Projekt ist eine Kooperation mit dem Fraunhofer IIS Fürth und will einen Beitrag zu einer effizienten und ?kologisch sauberen Landwirtschaft leisten. Es ist an der Professur für Angewandte Informatik, insbesondere Kognitive Systeme, angesiedelt.