Referenzprojekte

Quantencomputing trifft Energiewirtschaft: Im Projekt »Attraqt’em« prüfen wir das Potenzial hybrider Optimierung für das Unit-Commitment – ein Schlüsselproblem für einen stabilen und wirtschaftlichen Netzbetrieb. Attraqt’em ist ein Projekt der DLR Quantencomputing-Initiative des Deutschen Zentrums für Luft- und Raumfahrt und wird ermöglicht mit Mitteln des Bundesministeriums für Forschung, Technologie und Raumfahrt (BMFTR).

Unternehmen müssen ihre Logistikprozesse sowohl kosteneffizient als auch nachhaltig gestalten. Gemeinsam mit unserem Projektpartne PreZero haben wir eine innovative Lösung entwickelt, die genau das ermöglicht: Die integrierte KI-Lösung zur Stoffstromoptimierung bietet Unternehmen die Möglichkeit, Frachtpreise realistisch abzuschätzen und Stoffströme effizient zu gestalten.

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.

Ziel des Forschungsvorhabens ist die Demokratisierung von ML-Systemen und der niederschwellige Zugang zu ML-Lösungen für Endanwendende, um dem Fachkräftemangel von ML-Expertinnen und -Experten entgegenzuwirken. Dazu werden Entwicklungsleitlinien für verständlich bedien- und wartbare ML-Systeme entwickelt werden, welche die operative Nutzung dieser ML-Systeme für Endanwender:innen ohne KI-Expertise ermöglichen.

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.

ARGOS ist eine KI-gestützte Informations-Plattform zur flächendeckenden Identifikation und Bewertung von brachliegenden oder mindergenutzten Potenzialflächen auf Basis von Geodaten, Luft- und Satellitenbildern. Damit können Kommunen, Planer und Investoren Regionen, Standorte und Gewerbeflächen effizienter nachverdichten nachhaltiger entwickeln.

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.

Im industriellen Arbeitsalltag kommt vielfach das Wertstrommanagement als betriebswirtschaftliche Methode zur Verbesserung der Prozessführung in Produktion und Dienstleistung zum Einsatz. Dabei werden die einzelnen Tätigkeiten oft von Prozessexperten manuell durchgeführt, was zum einen Ressourcen bindet und zum anderen Schwachstellen mit sich bringt. Vor diesem Hintergrund zielt das Projekt darauf ab am Beispiel des Münchner Flughafens die Tätigkeiten des Wertstrommanagements durch semantische Modellierung und KI-gestützte Auswertung weitmöglichst zu automatisieren.

Der Einsatz von KI ermöglicht die Verarbeitung großer Datenmengen und kann dazu beitragen, komplexe Abläufe und Entscheidungsprozesse in der Gesundheitsversorgung zu optimieren. Häufig herrscht jedoch Unsicherheit, wofür KI im Gesundheitswesen eingesetzt werden kann, welche Risiken und Potenziale bestehen und wie die Qualität und Transparenz von KI-Anwendungen sichergestellt werden können.

Im industriellen Kontext wird Maschinelles Lernen (ML) immer wichtiger – insbesondere in der Qualitätssicherung. Diese ist für Unternehmen oft mit viel Aufwand verbunden, der durch passende ML-Methoden signifikant reduziert werden kann. Gerade im Industrie- und Produktionsumfeld sind diese aber aktuell nur schwer einsetzbar, denn die meist schon gut eingelaufenen Prozesse produzieren mit ihrer bereits geringen Fehlerquote eher einseitiges Datenmaterial. Für ML-Verfahren werden aber möglichst viele und unterschiedliche Daten benötigt, um valide Vorhersagen treffen zu können. Im Projekt soll deshalb ein ML-Modell entwickelt werden, das trotz des unausgeglichenen Datensatzes eine möglichst hohe Genauigkeit in der Detektion der Fehler aufweist.