Referenzprojekte

Das Projekt »Gefahrenanalyse« unterstützt Kommunen bei der effektiven Gefahrenabwehrplanung. Mit einer benutzerfreundlichen WebGIS-Anwendung ermöglichen wir objektive Gefahrenanalysen und optimieren die Einsatzplanung von Feuerwehr und Notfallversorgung. So wird die Sicherheit der Bevölkerung effizient und transparent gesteigert.

Space4Cities – Urban Energy Scan verbindet KI mit satellitengestützter Erdbeobachtung (EO), um präzise Gebäude- und Standortdaten zu gewinnen. Ziel ist die Entwicklung einer Plattform, die Städte bei der Analyse und Simulation von Energieverbrauch unterstützt und klimaneutrale Strategien planbar macht.

Diese ADA Lovelace Center-Anwendung entwickelt robuste KI für die Digitale Pathologie. Die Digitalisierung zusammen mit Verfahren der künstlichen Intelligenz bieten hier neue Möglichkeiten für eine Unterstützung in der pathologischen Diagnostik und helfen so eine Bedarfslücke zu schließen.

Wasserstoff in verschiedenen Formen wird bei der zukünftigen Energieversorgung eine wesentliche Rolle spielen und gilt als Hoffnungsträger im Kampf gegen den Klimawandel. Grüner, also aus erneuerbarer elektrischer Energie erzeugter, Wasserstoff bietet in zahlreichen Anwendungsfällen Vorteile gegenüber einer direkten Nutzung von elektrischer Energie und kann in vielen verfahrenstechnischen Prozessen entweder direkt oder in weiterverarbeiteter Form fossile Energieträger wie Kohle, Erdöl und Erdgas ersetzen. Wasserstoff stellt damit eine bedeutende komplementäre Technologiekomponente dar, die zur Realisierung einer nachhaltigen Energiewende erforderlich ist.

Artificial Market Intelligence im Wasserstoffkontext Grüner Wasserstoff ist ein wesentlicher Baustein für eine CO2-freie Energieversorgung. Aus ökologischer und zunehmend auch finanzieller Sicht macht eine entsprechende Umstellung insbesondere für CO2-emissionsintensive Industriezweige und Verkehrssektoren Sinn. Das politische Interesse steigt und die Nachfrage von Seiten der Industrie wächst. Für diese Transformation spielen Brennstoffzellen auf Wasserstoffbasis (PEMFC) eine zentrale Rolle. Die angewandte Forschung und Weiterentwicklung von PEMFC-Systemen im Kontext zahlreicher neuer Nutzungsszenarien erfährt einen hohen Stellenwert.

Im Projekt zur Personaleinsatzplanung in Cross-Dock Umschlaghallen wird ein Verfahren entwickelt, das mathematische Optimierung und KI kombiniert, um optimale Schichtpläne zu erstellen. Ziel ist es, Verzögerungen bei der Warenabwicklung zu vermeiden und Kosten zu senken, während individuelle Qualifikationen und Arbeitszeitbeschränkungen berücksichtigt werden. Dies fördert die frühzeitige Kommunikation der Schichtpläne und erhöht die Mitarbeiterzufriedenheit.

Das Förderprojekt Future Retail Store unterstützt mittelständische bayerische Handelsunternehmen dabei, ihr Geschäftsmodell weiterzuentwickeln und mit digitalen Technologien zu experimentieren. Zwei Handelsunternehmen, das Gartencenter Kiefl und die Cairo AG, wurden in einer bayernweiten Ausschreibung ausgewählt, ihre innovativen Konzepte zu testen. Nun ist das Konzept »Urban Gardeners« des Gartencenter Kiefl im Münchner Rathaus gestartet.

Die Anzahl älterer und pflegebedürftiger Menschen in Deutschland nimmt kontinuierlich zu. Dadurch werden die Anforderungen an die Pflege nicht nur immer komplexer, sondern sie stellen die Pflegekräfte auch vor große Herausforderungen. Vision des Modellprojektes »Pflege 2030« ist es, den Arbeitsalltag von Pflegekräften durch eine bedarfsgerechte Personalausstattung und die Implementierung von wirkungsvollen digitalen Innovationen so zu optimieren, dass auf organisationaler Ebene effiziente Ablaufstrukturen entstehen können. Dafür erhalten u. a. kommerzielle Anbieter:innen und Entwickler:innen technischer und organisatorischer Innovationen die Möglichkeit, ihre Produkte und Konzepte im Echtbetrieb in dieser Einrichtung langfristig zu testen und durch neutrale Expert:innen evaluieren zu lassen.

Ein wichtiger Teil der Kreislaufwirtschaft ist die Recyclingindustrie, die alte Materialien effizient und nachhaltig wiederverwendet. Dies erfordert robuste und präzise Sortiersysteme, die zwischen verschiedenen Materialien unterscheiden können. Derzeit werden hierfür vor allem regelbasierte Verfahren eingesetzt, die von menschlichen Experten parametrisiert werden müssen. Deep-Learning-basierte Sortiersysteme bieten eine Alternative, indem sie aus den gesammelten Daten relevante Merkmale lernen können. Die Arbeitsgruppe Supply Chain Services hat eine Proof-of-Concept-Lösung für die Sortierung von Metallschrott mit Hilfe von Deep-Learning-basierter Sortierung entwickelt.

In unserem Projekt entwickeln wir eine KI-gestützte Lösung zur zerstörungsfreien Erkennung von Defekten in Leichtmetall-Gussteilen, insbesondere Autoreifenfelgen. Während herkömmliche Qualitätssicherungssysteme auf Röntgenbildern und klassischen Bildverarbeitungsmethoden basieren, bietet unsere innovative Herangehensweise die Möglichkeit, flexibler und effizienter zu arbeiten. Dies ist besonders wertvoll, wenn Fachpersonal rar ist oder häufige Rekalibrierungen notwendig sind. Gemeinsam mit dem Fraunhofer IIS streben wir an, präzise und automatisierte Defekterkennung zu ermöglichen.