Kann man das Wetter in Innenräumen – genauer gesagt in einer Fabrik – vorhersagen? Dieser Frage ging ein studentisches Team in ihrem KI-Projekt zusammen mit dem Partnerunternehmen Körber Digital nach. Die Umgebungsbedingungen in einer Fabrik können großen Einfluss auf die Produktion haben und müssen bei der Einstellung der Maschinen von den Mitarbeiter*innen berücksichtigt werden. Ziel des Projekts war es herauszufinden, welchen Einfluss die Außentemperatur auf die Temperatur und andere Umgebungswerte in einer Fabrik hat, und ob die Temperatur in einer Produktionshalle mittels der Außentemperatur vorhergesagt werden kann. Die daraus erlangten Erkenntnisse sollen als Grundlage zur Optimierung von Produktionslinien dienen.

Im Verlauf des Projekts wurde der Zusammenhang und die Abhängigkeiten zwischen Wetterdaten außerhalb einer Fabrik und den Temperaturen innerhalb einer Fabrik betrachtet. Dafür analysierte und bereinigte das Team die zur Verfügung gestellten Daten einer Fabrik und führte sie mit zusätzlichen externen Wetterdaten zusammen. Danach trainierten und evaluierten die Studierenden unterschiedliche Modelle, um mittels Wettervorhersage Empfehlungen für Maschineneinstellungen aufgrund der damit zusammenhängenden Temperatur in der Fabrik geben zu können. Dabei galt es zu berücksichtigen, dass die zeitabhängigen Daten das Modelltraining nicht verfälschen. Zusätzliche typische Herausforderungen in der Praxis, denen die Studierenden im Projekt begegneten, stellten Ausreißer und Lücken in den Daten dar. Im letzten Schritt erarbeitete das Team, inwieweit in die Zukunft sinnvolle Vorhersagen getroffen werden können.

Mit dem Projekt „Symptomerkennung in Berichten von Patient*innen“ soll das Leben von Patient*innen mit Herzinsuffizienz und von deren Pflegepersonal erleichtert werden. Das Partner-Startup Zana Technologies GmbH hat dafür die App „Tidda Care“ entwickelt. Diese hält Tagespläne, Langzeitentwicklung und Patienten-Leitlinien bereit, um so den Patient*innen mit Herzinsuffizienz durch den Alltag zu helfen. Noch heute wird das Patiententagebuch von vielen per Hand auf Papier dokumentiert. Dies bedeutet viel Arbeit für die Pflegekräfte und führt zu einer zeitlich verzögerten Aufnahme der Symptome und Probleme der Patient*innen. Durch eine Digitalisierung dieses Tagebuches könnte für das Pflegepersonal eine Zeitersparnis und für den*die Patient*in eine verbesserte Behandlung erzielt werden. Ziel des Projekts war daher die Entwicklung einer automatischen Symptomerkennung aus Freitexteingaben von Herzinsuffizienzpatient*innen.

Im ersten Schritt befassten sich die Studierenden damit, den vorhandenen Datensatz von Symptombeschreibungen und entsprechenden Zuordnungen zu Symptomgruppen zu vergrößern. Beispielsweise wären die Beschreibungen „Ich kann mich kaum wachhalten“ oder „Ich komme morgens nicht aus dem Bett“ der Symptomgruppe „Erschöpfung“ zuzuordnen. Hierfür wandten die Studierenden unterschiedliche Methoden der Datenerweiterung an, um auf diese Weise neue Daten zu gewinnen und den Datenbestand für das nachfolgende Training zu vergrößern. Um die Beschreibung von Beschwerden der Patient*innen bestmöglich den Symptomgruppen zuordnen zu können, wurden im zweiten Schritt sechs verschiedene Klassifizierungsalgorithmen angewandt und miteinander verglichen.

Ziel des Projekts war es, eine Applikation zu entwickeln, durch die Onlineshopper*innen mittels einer Bildaufnahme mit der Handykamera oder ähnlichem passende Produkte vorgeschlagen bekommen. Mit einer personalisierten Auswahl in Echtzeit soll das Kundenerlebnis in den vom Partnerunternehmen econda betreuten Onlineshops verbessert werden. Dafür galt es eine Lösung zu entwickeln, die aus einem aufgenommenen Foto notwendige Bildinformationen extrahiert und die Ähnlichkeiten zwischen dem Eingabebild sowie dem bestehenden Produktfeed der jeweiligen Onlineshops ermittelt. Im Lauf des Projekts wurden für die Umsetzung geeignete Frameworks und Methoden der künstlichen Intelligenz, wie Convolutional Neural Networks und Nearest Neighbor, identifiziert, angewandt und evaluiert. Aufgrund der Vielzahl vorliegender Produktbilder mussten dabei auch passende Wege gefunden werden, um eine möglichst performante Lösung zu erstellen. Der erstellte Lösungsansatz umfasst daher eine mehrstufige Systemarchitektur, die das Eingabebild in eigens erstellte Bildkategorien klassifiziert, ehe die notwendigen Bildfeatures, für die Berechnung der Bildähnlichkeiten extrahiert werden. In der weiteren Betrachtung wurde auch geprüft, für welche Art von Onlineshops beziehungsweise welche Produktarten diese Art der Bilderkennung besonders gut geeignet ist.

Daten gelten als wertvolle Informationsquelle, um zu lernen. So können auch kleine Lebewesen, wie Bienen, als Bioindikatoren dienen, um synergetische Wirkmechanismen von den Bestäuberinsekten und der Landwirtschaft zu erforschen. Zusammen mit den Forschungspartnern disy Informationssysteme GmbH und apic.ai wurden im Rahmen des Innovationsprojekts Methoden der Business Intelligence und Location Intelligence genutzt, um aus Bienenaktivitätsdaten und Umweltdaten potenziell nützliche Zusammenhänge über das Bienenverhalten zu erforschen. Hierzu mussten die benötigten Rohdaten aus unterschiedlichen Quellen zunächst beschafft und aufbereitet werden. Die Bienenaktivität wurde aus von apic.ai erhobenen Daten gewonnen, ist ein berechneter Wert und definiert durch den prozentualen Anteil der Bienen, die Pollen tragen. Eine weitere Bienenaktivität wird durch die Gewichtsänderung der Bienenstöcke dargestellt, welche aus den Daten von Stockwaagen der Imkerinnen und Imker des Landesverbands Badischer Imker e.V. gewonnen wurden. Wohingegen bei den Stockwaagen bereits Umweltdaten mittels Sensoren direkt am Stock erfasst werden, galt es für rund 16 weitere Bienenstockstandorte im Kreis Karlsruhe noch passende Umweltdaten zu recherchieren. Umweltdaten in diesem Projekt stellen Temperatur, Windrichtung, Windgeschwindigkeit, Niederschlag, Bodenfeuchte und Sonnenstand dar. Mittels Python und Matlab wurden Aktivitäten errechnet und

Daten analysiert, die anschließend in der Analysesoftware Cadenza von disy Informationssysteme GmbH analysiert und veranschaulicht wurden.

Daten von Kundinnen und Kunden sind ein wertvolles Gut für jedes Unternehmen. Um sie erfolgreich nutzen zu können, ist es essenziell, dass die Daten in ausreichend hoher Qualität zur Verfügung stehen. Ziel des Innovationsprojekts "Customer Data" war es, die Prozesse zur Erhöhung der Datenqualität mit Virtual Reality erlebbar zu machen – um auf diese Weise zum Beispiel für die Kundinnen und Kunden des Partnerunternehmens Uniserv GmbH zu visualisieren, wie die Datenbearbeitung von Duplikaten oder die Adressvalidierung funktionieren. Dies sollte spielerisch und innovativ umgesetzt werden. Zunächst wurde durch einen Design-Thinking-Prozess definiert, in welchem Rahmen das VR-Spiel umgesetzt werden soll und welche Datenqualitätsfälle dabei bearbeitet werden. Anschließend wurde das Spiel mit der VR-Entwicklungssoftware Unity implementiert. Die Daten wurden dazu aus dem Data Activity Board (DAB) von Uniserv über eine Schnittstelle in Unity geladen. Zudem wurde die Google-API verwendet, um die Adressvalidierung ermöglichen zu können.

Das Black Forest Formula Team ist ein studentisches Langzeitprojekt an der Hochschule Offenburg, in dem ein Rennwagen mit e-Antrieb von Grund auf entwickelt wird, mit dem Ziel an Wettbewerben der Rennserie Formula Student teilzunehmen.

Sensoren liefern große Datenmengen aus dem Auto, die zum Training und zur Optimierung des Fahrzeugs verwendet werden. Das Wirtschaftsinformatik-Team hat für dieses Projekt eine Datenarchitektur inklusive Datenvisualisierung konzipiert und implementiert. Auf einfache Möglichkeit können nun sämtliche Sensordaten ausgelesen und für weitere Analysen gespeichert und visualisiert werden. Die Datenarchitektur ist auch bereits für den autonomen Betrieb des Rennwagens vorbereitet.

Das Projektergebnis inklusive Dokumentation und weiteren Infos finden Sie in github 

Im Midplus Logistics Knowledge Cluster kooperieren die Hochschule Offenburg und Partnerhochschulen aus Dänemark und den Niederlanden sowie Unternehmen zu Logistik-Themen. Ein Ziel des Projekts war der Aufbau einer Kommunikations- und Kooperationsplattform für hochschulübergreifende Seminare, Lehrveranstaltungen und andere Aktivitäten auf der Basis der Moodle Lernplattform. Im Innovationsprojekt haben die Studierenden eine semantische Suchfunktion implementiert sowie das User Interface Design und Theme der Plattform gestaltet. Die Plattform ist unter https://midplus-logistics.eu/ erreichbar.

GPS funktioniert gut zur Lokalisierung im Außenbereich, aber nicht in Innenräumen. Hier gibt es andere Verfahren, die Objekte zentimetergenau lokalisieren können. Im Bildungcampus Gengenbach ist ein Indoor-Lokalisierungssystem der Firma telocate in den Laboren Lean Management und Multichannel Management installiert. Im Innovationsprojekt entwickelten zwei Studentengruppen die Software um die Lokalisierungsdaten zu verarbeiten und zu speichern. Außerdem wurde je ein Use Case realisiert:

1. Auswertung von Echtzeit- Bewegungsdaten mithilfe von Indoor-Navigation in einem Einkaufsszenario (Link zum Poster)
2. Tracking von Montageaktivitäten im Lean Labor für Lauflängenanalyse etc.

Ursprünglich an der Standford University entwickelt, ist Design Thinking heute ein Werkzeug, das in vielen Unternehmen weltweit eingesetzt wird.

Design Thinking gehört zu den Kreativ-Techniken, mit denen Teams innovative und nutzerorientierte Lösungen unter unsicheren Rahmenbedingungen finden können. Unsere Studierenden haben diese Technik mehrfach in Kurzworkshops erlernt.