In den letzten Jahren findet in der Industrie die Digitalisierung durch Smart Factory und Smart Production Einzug in Produktionsunternehmen. Dabei werden die Unternehmen vor die Herausforderung gestellt wertvolle Informationen aus den gesammelten Datenmengen abzuleiten. Zudem ist die Bereitschaft der Unternehmen bedingt durch vorhandene Kapazitätsgrenzen und die Notwendigkeit zur Sicherung der Qualität gestiegen.

Produktionsmaschinen liefern sehr viele Daten, die meist unabhängig gespeichert und daher nicht miteinander in Verbindung gesetzt und weiterverarbeitet werden. Oft ist kein Konnex zwischen dem bestehenden Wissen, wie den Prozessen, der Maschinenkonfiguration, der ERP-Datenwelt (wie zum Beispiel Auftragsdaten, Stücklisten, etc.), und den kontinuierlichen Datenströmen (bspw. Sensordaten) vorhanden. Wenn überhaupt, werden diese Datenströme in unterschiedlichen Systemen gespeichert. Deswegen ist es oft nicht möglich, wertvolle Informationen aus den bereits vorhandenen Daten abzuleiten. Durch das Verknüpfen dieser Datenströme untereinander und mit den bereits vorhanden unterschiedlichen Datenquellen und den neu generierten großen Mengen an Sensordaten (Big Data) soll Wissen für mögliche Optimierungspotenziale und Qualitätsüberwachung erzielt werden.
Aus IKT-Sicht ist die Grundlage für die Wissensgenerierung und der damit verbundenen Optimierung der Geschäfts- und Produktionsprozesse die Anwendung von statistischen Verfahren, mit denen Daten analysiert werden können. Dadurch können Anomalien und Muster identifiziert und in weiterer Folge zusätzliches Wissen über Zusammenhänge abgeleitet werden. Die Automatisierung dieses Vorgehensmodells und die Abbildung in einem System unterstützt den Domain-Expertinnen und Experten.

Auch der effiziente, nachhaltige und flexible Güterverkehr profitiert vom Einsatz künstlicher Intelligenz. Ziel ist es, Transportdienstleister mittels geeigneter Methoden dabei zu unterstützen, flexibel und wandlungsfähig auf dynamischer werdende Märkte reagieren und sich auf die Herausforderungen und Neuerungen des „Physical Internets“ frühzeitig einstellen zu können.

Um das Gesundheitssystem effizienter aufzubauen, ist eine Unterstützung des medizinischen Personals durch Systeme, welche auf KI basieren, ein entscheidender Erfolgsfaktor. Die Kombination und Kollaboration von Mensch und Maschine ist der Schlüssel zum Erfolg, um die Qualität und Effizienz zu erhöhen und gleichzeitig die Kosten zu senken. So kann zum Beispiel ein Algorithmus Melanome (schwarzen Hautkrebs) frühzeitig erkennen, wenn er mit ausreichenden und gut annotierten Bildern von Melanomen und Nicht-Melanomen trainiert wurde. Besonders in der Medikamentenforschung und in der Diagnostik können diese Algorithmen präzisere Ergebnisse erzielen als Menschen.

Im medizinischen Bereich spielt die Digitalisierung auch im Bereich der objektiven Dokumentation und Zustandsbeurteilung mit Hilfe von virtuellen PatientInnen eine große Rolle.

Referenzprojekte